專利名稱：基于尺度空間分解與重構(gòu)的x射線圖像均衡顯示處理方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及X射線圖像的處理，尤其涉及X射線圖像顯示質(zhì)量的改善，具體涉及一種基于尺度空間分解與重構(gòu)X射線圖像的均衡顯示處理方法。
背景技術(shù)：
X射線成像是一類廣泛應(yīng)用于醫(yī)療診斷和工業(yè)領(lǐng)域的成熟技術(shù)。從20世紀(jì)80年代起，數(shù)字化的X射線成像技術(shù)CR及DR逐漸取代了傳統(tǒng)的膠片成像技術(shù)。雖然兩種技術(shù)的空間分辨率都接近膠片，但是卻具有很寬的對比度范圍，其動態(tài)范圍可以達(dá)到16比特。對于相近密度的組織差異，有很高的辨別程度，因此，能夠捕獲所有的與診斷相關(guān)的信息，然而，由于X射線成像系統(tǒng)本身的特點，一方面，顯示系統(tǒng)的MTF性能會對圖像的質(zhì)量造成一定程度的惡化；另一方面，數(shù)字X射線成像系統(tǒng)中X射線散射、電子噪聲、光量子噪聲等各種不利因素的影響，使得數(shù)字X射線成像顯示結(jié)果呈現(xiàn)出組織間對比度相對過大，而細(xì)節(jié)模糊，對比度較差的特點。
對于X射線圖像顯示而言，普通CRT顯示設(shè)備，其顯示能力只有8到9比特，在有限的灰度范圍內(nèi)，無法完全表達(dá)CR及DR圖像包含的所有信息，因此，在顯示過程中，通常采用查找表的方法，將16比特的灰度信息，通過調(diào)整窗寬、窗位、變換曲線等，將有限寬度灰度范圍的圖像信息映射到8比特的顯示范圍內(nèi)，供觀察者觀測，重復(fù)調(diào)節(jié)窗寬，窗位，用這種方法，將圖像的灰度信息分次，分部分地呈現(xiàn)給觀察者，由觀察者將這些信息在大腦中理解、融合，形成對整幅圖像的判斷。這樣勢必會影響觀察者對圖像診斷信息的正確理解和判斷，并且增大了工作復(fù)雜度，再者，人眼對灰度的分辨能力有限，也給診斷帶來困難。因此，如何改善X射線圖像在有限灰度范圍內(nèi)的顯示質(zhì)量顯得非常重要，X射線圖像均衡方法的目的在于，一方面要進(jìn)行動態(tài)范圍壓縮，抑制不包含診斷信息的大尺度信號，同時要保持或者相對放大圖像中各個尺度上與診斷密切相關(guān)的細(xì)節(jié)信息的對比度在顯示設(shè)備的灰度顯示范圍及人眼的可視范圍之內(nèi)，達(dá)到整體的均衡效果，為觀察者提供好的顯示效果，提高圖像的診斷價值，從而起到更好的輔助診斷的作用。
對于已有的相關(guān)方法，有以下三種1.國外專利申請(Patent No.EP1501049；US2005018894；JP2005040590-A)所述的基于頻域子帶分解的方法，該方法首先在頻域?qū)D像分解，提取帶通信息，對各頻率子帶信號乘以相應(yīng)的增益系數(shù)，然后重建出增強后的圖像。通過調(diào)整最高頻段信號的增益系數(shù)，控制圖像的銳化程度；通過調(diào)整帶通信號的增益系數(shù)，控制細(xì)節(jié)對比度的擴(kuò)展程度；動態(tài)范圍的調(diào)整可以由抑制最低頻率子帶信號來實現(xiàn)。由這三方面的參數(shù)來相對獨立地獨立控制圖像的銳化程度、細(xì)節(jié)對比度及動態(tài)范圍。但是該方法采用的固定的三級濾波對于信號的分離過于粗略，在文獻(xiàn)“Equalized Contrast Display Processing forDigital Radiography”(Medical Imaging 2002proceeding of SPIE Vol.4681)中提到，針對大多數(shù)醫(yī)學(xué)圖像而言，6到7級的分解能夠?qū)ι斫馄式Y(jié)構(gòu)特征及細(xì)微的診斷信息進(jìn)行有效地分離，從而得到更好的處理結(jié)果。
2.國外專利申請(Patent No.US5978518)所述的基于反銳化掩模的方法，該發(fā)明采用傳統(tǒng)的線性反銳化掩模圖像增強方法，借鑒Sezan et al，“Automatic AnatomicallySelective Image Enhancement in Digital Chest Radiography”(IEEE Transactions on MedicalImaging，vol.8，No.2，Jun，1989)文獻(xiàn)中所述根據(jù)生理解剖的特點對象素所處的不同生理區(qū)域，進(jìn)行選擇性增強，又融合了Snyder所提出的噪聲估計方法，使得銳化的同時，盡可能地不放大噪聲，并且說明該方法可以推廣到多級分解框架，但是該發(fā)明并沒有給出在多級分解的情況下，各級增強系數(shù)之間的關(guān)系和各級濾波器之間的關(guān)系，從而僅僅停留在對圖像高頻細(xì)節(jié)進(jìn)行增強的基礎(chǔ)上，而缺乏對圖像各個尺度信息的整體考慮。
3.另一種是多尺度邊緣提取的方法。國外專利申請(Patent No.US5805721；EP527525)中采用的基于拉普拉斯金字塔的頻域分解與重構(gòu)的圖像均衡方法，該框架基于DOG算子的圖像邊緣檢測技術(shù)進(jìn)行圖像分解。根據(jù)Marr的邊緣檢測理論，信號可以用一族由不同σ下的2G算子檢測到的零交叉點的平面完全恢復(fù)，而當(dāng)兩個高斯濾波器的尺度相差一倍頻程時，DOG算子是2G算子的有效近似，因此，采用這個框架可以將圖像的交流分量分解為一族不同尺度下的邊緣信息，針對不同的邊緣信息進(jìn)行增強，達(dá)到提升高頻響應(yīng)的目的，通過分離并抑制直流分量，實現(xiàn)動態(tài)范圍壓縮。

發(fā)明內(nèi)容
本發(fā)明的目的在于，提出一種基于尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，該方法借鑒匹配濾波的思想，從尺度空間分解的角度出發(fā)，并針對X射線圖像本身的特點構(gòu)造。
本發(fā)明的方法在圖像均衡過程中，利用一系列尺度由大到小的濾波器，逐級抽取圖像尺度信息，在抽取的過程中，當(dāng)前圖像大尺度信息由該級圖像濾波的結(jié)果得到，而用圖像與其濾波結(jié)果之差，作為該級分解保留下的尺度相對較小的信息，作為下一級待分解對象，每一級相對小的尺度信息都能被完整地保留下來，從而將圖像的尺度信息從大尺度到小尺度，一層層分解出來，然后壓縮與診斷信息無關(guān)的大尺度信號對比度，達(dá)到抑制動態(tài)范圍的目的，根據(jù)需要，對各級小尺度信號做適當(dāng)?shù)脑鰪娀虮Ａ簦景l(fā)明對各級尺度信號的增強程度隨著尺度的增大而增大，且各尺度信號處理相對獨立，改善細(xì)節(jié)對比度，從而實現(xiàn)整個圖像的均衡處理結(jié)果。并且給出了各級分解過程中，增強系數(shù)與尺度的選擇方法。
為了實現(xiàn)上述目的，本發(fā)明采取如下技術(shù)解決方案一種基于尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，其特征在于，該方法具體的步驟是a.歸一化處理將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.尺度空間分解定義算子Mt為濾波算子，其尺度參數(shù)為t，則用尺度為t0的濾波算子Mt0對F0(x，y)進(jìn)行濾波，則將濾波后的圖像F1(x，y)表示為F1(x,y)=Mt0F0(x,y)]]>D0(x，y)＝F0(x，y)-F1(x，y)重復(fù)上述步驟，用尺度為tN-1的濾波算子MtN-1對DN-2(x，y)進(jìn)行平滑，得到FN(x，y)，DN-2(x，y)與FN(x，y)之差即DN-1(x，y)。如下所示FN(x,y)=MtN-1DN-2(x,y)]]>DN-1(x，y)＝DN-2(x，y)-FN(x，y)因此有F0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0(x，y)表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y);]]>c.重建每一次分解過程都可以看作將待分解圖像Di-1(x，y)分解為Di-1(x，y)的高頻部分Di(x，y)與低頻部分Fi+1(x，y)的過程，保留每次分解獲得的Fi+1(x，y)，以及DN-1(x，y)，即可恢復(fù)原始圖像F0(x，y)，恢復(fù)得到的圖像表示為F0′(x，y)，因此，加上均衡效果的重建過程可表示為F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)，其選擇原則為0＜αi≤αi+1≤1；d.反歸一化及反對數(shù)變換最后將F0′(x，y)通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像。
上述圖像的尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，其特征在于，在線性尺度空間下，Mt為空域的平滑卷積算子，則MtF(x，y)表示為圖像與平滑濾波算子的卷積，為F(x，y)*G(x，y)(其中*代表卷積操作)，其中濾波器G(x，y)的尺度由σ控制；具體包括下列步驟a.將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.用尺度為σ0的尺度函數(shù)G0與F0進(jìn)行卷積，得到F1，F(xiàn)0與F1之差記做D0，如下所示；F1(x，y)＝F0(x，y)*G0(x，y)D0(x，y)＝F0(x，y)-F1(x，y)重復(fù)上述步驟，用尺度為σi的尺度函數(shù)Gi對Di-1進(jìn)行平滑，得到Fi+1，Di-1與Fi+1之差即Di，如下所示Fi+1(x，y)＝Di-1(x，y)*Gi(x，y)Di(x，y)＝Di-1(x，y)-Fi+1(x，y)因此有，F(xiàn)0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y);]]>c.均衡顯示的重建每一次分解過程都看作將待分解圖像Di-1分解為Di-1的高頻部分Di與低頻部分Fi+1的過程。保留每次分解獲得的Fi+1，以及DN-1，即可恢復(fù)原始圖像F0，恢復(fù)得到的圖像表示為F0′；因此，加上均衡效果的重建過程表示為
F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)，其選擇原則為0＜αi≤αi+1≤1；d.最后將F0′通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像。
在非線性尺度空間下，采用偏微分方程(PDE)進(jìn)行尺度空間分解，定義算子Mt為MCM濾波算子，方程為∂F∂t=||▿F||div(▿F||▿F||)]]>設(shè)輸入的原始圖像F(x，y)是上式在t＝0時刻的解，F(xiàn)(0，x，y)＝F0(x，y)為方程初值，則F0(x，y)在任意尺度t下的平滑結(jié)果可表示為MtF0(x，y)；則實現(xiàn)步驟如下a.將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.用尺度為t0的尺度函數(shù)G0與F0進(jìn)行卷積，得到F1，F(xiàn)0與F1之差記做D0，如下所示F1(x,y)=Mt0F0(x,y)]]>D0(x，y)＝F0(x，y)-F1(x，y)重復(fù)上述步驟，用尺度為tN-1的尺度函數(shù)MtN-1對DN-2進(jìn)行平滑，得到FN，DN-2與FN之差即DN-1(x，y)，如下所示FN(x,y)=MtN-1DN-2(x,y)]]>DN-1(x，y)＝DN-2(x，y)-FN(x，y)因此有，F(xiàn)0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)輸入的原始圖像F0可以表示為F0(x,y)=Mt0F0(x,y)+Σi=1N-1MtiDI-1(x,y)+DN-1(x,y);]]>c.均衡顯示的重建每一次分解過程都看作將待分解圖像Di-1分解為Di-1的高頻部分Di與低頻部分Fi+1的過程。保留每次分解獲得的Fi+1，以及DN-1，即可恢復(fù)原始圖像F0，恢復(fù)得到的圖像表示為F0′；因此，加上均衡效果的重建過程表示為
F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)，均衡系數(shù)的選擇原則為0＜αi≤αi+1≤1；d.最后將F0′通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像；本發(fā)明方法的優(yōu)點是不僅能將傳統(tǒng)的濾波方法應(yīng)用到其中，并且能夠?qū)⒎蔷€性的尺度空間分解方法納入到其中，這種非線性的分解方法由PDE模型實現(xiàn)。相對于傳統(tǒng)的空域濾波算子卷積的方法，基于PDE模型的濾波方法，在提取尺度信號的同時，能夠更有效地保持邊緣。將線性與非線性尺度空間分解納入到同一圖像分解與重構(gòu)框架下，這種兼容性是目前別的均衡方法所沒有體現(xiàn)出來的，并且從原理與應(yīng)用兩方面對這種均衡方法的有效性得到了驗證，因此，具有廣泛的適用范圍。
通過實驗證明，本發(fā)明具有良好的均衡效果，能夠有效的提高X射線圖像各組織間對比度差，和細(xì)節(jié)對比度，在醫(yī)用和工業(yè)使用方面都能起到良好的輔助佐用。


圖1為圖像均衡顯示處理方法的分解與重構(gòu)示意圖；圖2為基于線性尺度空間圖像均衡顯示處理方法的分解與重構(gòu)示意圖；圖3為圖像均衡顯示處理采用的醫(yī)用X射線胸片原始圖像，其空間分辨率為3001*3004，灰度動態(tài)范圍為16比特；圖4為基于高斯平滑算子的圖像均衡顯示處理后圖像；圖5為基于高斯微分平滑算子的圖像均衡顯示處理后圖像；圖6為基于中值曲率驅(qū)動方程的圖像均衡顯示處理后圖像；圖7為原圖與三種實驗結(jié)果相同位置和大小細(xì)節(jié)區(qū)域截圖，其中(a)為胸片原始圖像的局部截圖(b)為基于高斯平滑算子的圖像均衡顯示處理后圖像的局部截圖，(c)為基于高斯微分平滑算子的圖像均衡顯示處理后圖像的局部截圖，(d)為基于中值曲率驅(qū)動方程的圖像均衡顯示處理后圖像的局部截圖。
具體實施例方式
本發(fā)明公開的基于尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，該方法的步驟包括首先將輸入圖像進(jìn)行歸一化和對數(shù)變換，然后選用線性或者非線性圖像濾波方法進(jìn)行圖像的尺度空間分解，然后對分解產(chǎn)生的不同尺度下的圖像信息進(jìn)行加權(quán)，然后將加權(quán)后的信號重構(gòu)，將重構(gòu)的信號進(jìn)行反歸一化及反對數(shù)處理，得到均衡后的圖像，其處理流程如圖1所示。在分解過程中，可以采用空域平滑濾波算子，如高斯濾波算子，高斯微分濾波算子進(jìn)行線性尺度空間分解，其處理流程如圖2所示。或者采用中值曲率驅(qū)動方程進(jìn)行非線性濾波及分解，處理流程參見圖1。然后壓縮大尺度信號對比度，達(dá)到抑制動態(tài)范圍的目的，增強各級小尺度信號，實現(xiàn)整個圖像的均衡處理結(jié)果。
圖像均衡顯示處理采用的醫(yī)用X射線胸片原始圖像如圖3所示，其空間分辨率為3001*3004，灰度動態(tài)范圍為16比特。
在本發(fā)明對于尺度空間分解提出了兩種具體分解方法，一種是線性尺度空間分解，通過平滑濾波算子卷積實現(xiàn)，另一種是非線性尺度空間分解，由偏微分方程實現(xiàn)。由這兩種分解方法分別構(gòu)成兩種不同的圖像均衡的具體實現(xiàn)方法。
由線性尺度空間分解與重構(gòu)構(gòu)成的圖像均衡顯示處理方法具體步驟為1)將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0。
2)用尺度為σ0的尺度函數(shù)G0與F0進(jìn)行卷積，得到F1，F(xiàn)0與F1之差記做D0，如下所示。
F1(x，y)＝F0(x，y)*G0(x，y)D0(x，y)＝F0(x，y)-F1(x，y)3)重復(fù)上述步驟，用尺度為σi的尺度函數(shù)Gt對Di-1。進(jìn)行平滑，得到Fi+1，Di-1與Fi+1之差即Di。如下所示Fi+1(x，y)＝Di-1(x，y)*Gi(x，y)Di(x，y)＝Di-1(x，y)-Fi+1(x，y)因此有，F(xiàn)0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)Dl(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0可以表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y);]]>4)均衡顯示的重建方法。每一次分解過程都可以看作將待分解圖像Di-1分解為Di-1的高頻部分Di與低頻部分Fi+1，的過程。保留每次分解獲得的Fi+1，以及DN-1，即可恢復(fù)原始圖像F0，恢復(fù)得到的圖像表示為F0′。因此，加上均衡效果的重建過程可表示為F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)。均衡系數(shù)的選擇原則為O＜αi≤αi+1≤1；
5)最后將F0通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像如圖4和圖5。
基于線性尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，可以分別采用兩種平滑卷積算子。第一種是應(yīng)用廣泛的高斯平滑算子(即高斯濾波器)，形式如下Gi(x,y,σi2)=12πσie-x2+y22σi2]]>當(dāng)采用該平滑算子時，選擇分解層數(shù)為六層，即選用了五個高斯濾算子。濾波算子的尺度參數(shù)σ與均衡系數(shù)α與尺度如表1所示，對于醫(yī)用X射線胸片原始圖像圖1均衡顯示處理結(jié)果見附圖4。
表1實施方法一參數(shù)列表

本發(fā)明采用的第二種算子是高斯微分平滑算子(即高斯微分濾波器)，形式如下Qi(x,y,σi2)=(1-α▿2)G(x,y,σi2)=12πσi[1+ασi2(2-x2+y2σi2)]e-x2+y22σi2]]>與高斯平滑算子相比，高斯微分算子在平滑濾波的同時，有更好的邊緣保持性能，當(dāng)采用該平滑算子時，選擇參數(shù)同表1，對于醫(yī)用X射線胸片原始圖像圖1均衡顯示處理結(jié)果見附圖5。
由于基于高斯的空域平滑濾波是各向同性的，無法識別圖像的重要信息，因此，在降低噪聲的同時，使得圖像的重要信息，如邊緣變得模糊了。當(dāng)尺度參數(shù)從小變大時，將產(chǎn)生邊緣移位，因此，在較粗的分辨率下檢測到的邊緣，要得到準(zhǔn)確的位置，必須追蹤到原始的圖像。從而在重建過程中，可能會引入邊緣偽影，因此改進(jìn)濾波技術(shù)，在濾波的同時，保護(hù)重要的邊緣信息始終是關(guān)注的問題。
第二種具體實現(xiàn)方法具有與第一種具體實現(xiàn)方法類似的處理流程，所不同的是，第一種方法采用傳統(tǒng)的平滑濾波算子卷積來獲得輸入圖像不同尺度下的映象，而第二種方法采用偏微分方程(PDE)代替平滑濾波算子卷積進(jìn)行尺度空間分解。本發(fā)明中所采用的PDE模型為中值曲率驅(qū)動方程(MCM)∂I∂t=||▿I||div(▿I||▿I||)]]>設(shè)輸入的原始圖像I(x，y)是上式在t＝0時刻的解I(0，x，y)＝I0(x，y)為方程初值，定義算子Mt為MCM濾波算子，則I(x，y)在任意尺度t下的平滑結(jié)果可表示為MtI(x，y)，以它來代替實施方法一中的卷積濾波。則輸入的原始圖像I0可以表示為I0(x,y)=Σi=1NMtiI(x,y)+DN-1(x,y)]]>均衡后的輸出I0′表示為I0′(x,y)=Σi=1NMtiI(x,y)*αi+DN-1(x,y)*αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)，其選擇原則為0＜αi≤αi+1≤1；ti(i＝1，2，…，N)為尺度因子，其選擇原則為t0＞t1＞…＞tN-1＞0。
基于非線性尺度空間分解與重構(gòu)的X射線圖像均衡方法下，本發(fā)明所采用的PDE模型為中值曲率驅(qū)動方程(MCM)∂I∂t=||▿I||div▿I||▿I||)]]>當(dāng)采用該具體實施方法時，選擇參數(shù)如表2所示，對于醫(yī)用X射線胸片原始圖像圖1均衡顯示處理結(jié)果見附圖6。
表2 實施方法二參數(shù)列表

上述三種算法的局部細(xì)節(jié)對比度分析Beghdadi在1989年提出引入邊緣檢測算子來構(gòu)造對比度的定義，他提出的對比度定義為
Ckl=|fkl-Ekl‾||fkl+Ekl|‾]]>Ekl‾=Σ(i,j)∈WklΔij·fijΣ(i,j)∈WklΔij]]>Δij＝|fij-f|式中，fkl表示滑動窗口Wkl中心點的灰度值，fij表示邊緣檢測算子對應(yīng)的窗口的中心點的灰度值(兩個窗口不同)。Δij稱為像素(i，j)在滑動窗口中的邊緣值?？梢酝ㄟ^Laplacian，sobel等算子計算得到。本發(fā)明采用Laplacian算子得到Δij，

表示窗口Wkl中的平均邊緣灰度。
分別計算圖中每點的對比度參數(shù)Ckl，設(shè)圖像尺寸為M×N，則將圖像的對比度參數(shù)CM定義為CM=Σk=0MΣl=0NCkl/M×N]]>實驗中，選擇每幅圖中相同位置尺寸為201×201大小的肺部紋理細(xì)節(jié)截圖(圖7)?；瑒哟翱诖笮∵x擇為15×15，則實驗結(jié)果如表3所示。
表3 實驗結(jié)果截圖細(xì)節(jié)對比度分析

從表3中可以看出，原始圖像的細(xì)節(jié)對比度最低，某些細(xì)節(jié)未能達(dá)到人眼可識別的程度，而通過三種算法的改善，局部的細(xì)節(jié)對比度均有顯著提高，實驗中，細(xì)節(jié)紋理部分的平均對比度擴(kuò)展為原始圖像的2.8倍左右，顯示出該算法有較好的局部對比度擴(kuò)展能力，可以在有限的灰度顯示范圍內(nèi)提高圖像顯示質(zhì)量。
綜上所述，本發(fā)明的X射線圖像的空間尺度分解與重構(gòu)均衡顯示處理方法針對X射線圖像自身特點，通過實際應(yīng)用表明，能夠兼顧圖像整體對比度調(diào)整及局部對比度增強，從而有利于醫(yī)用診斷及工業(yè)使用，具有實際應(yīng)用價值。
權(quán)利要求
1.一種基于尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，其特征在于，該方法具體的步驟是a.歸一化處理將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.尺度空間分解重復(fù)上述步驟，用尺度為tN-1的濾波算子MtN-1對DN-2(x，y)進(jìn)行平滑，得到FN(x，y)，DN-2(x，y)與FN(x，y)之差即DN-1(x，y)，如下所示FN(x,y)=MtN-1DN-2(x,y)]]>DN-1(x，y)＝DN-2(x，y)-FN(x，y)因此有F0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0(x，y)表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y)]]>c.重建每一次分解過程都看作將待分解圖像Di-1(x，y)分解為Di-1(x，y)的大尺度部分Di(x，y)與小尺度部分Fi+1(x，y)的過程，保留每次分解獲得的Fi+1(x，y)，以及DN-1(x，y)，即可恢復(fù)原始圖像F0(x，y)，恢復(fù)得到的圖像表示為F0′(x，y)，因此，加上均衡效果的重建過程表示為F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)；d.反歸一化及反對數(shù)變換最后將F0′(x，y)通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像。
2.如權(quán)利要求1所述的方法，其特征在于，在線性尺度空間下，Mt為空域的平滑卷積算子，則MtF(x，y)表示為圖像與空域平滑濾波算子的卷積，為F(x，y)*G(x，y)，其中*代表卷積操作，濾波器G(x，y)的尺度由參數(shù)σ控制；采用的濾波器有以下兩種1)高斯濾波器，其表達(dá)式為Gi(x,y,σi)=12πσie-x2+y22σi2]]>2)高斯微分濾波器，其表達(dá)式為Qi(x,y,σi)=(1-α▿2)G(x,y,αi2)=12πσi[1+ασi2(2-x2+y2σi2)e-x2+y22σi2]]>具體包括下列步驟a.將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.用尺度為σ0的尺度函數(shù)G0與F0進(jìn)行卷積，得到F1，F(xiàn)0與F1之差記做D0，如下所示F1(x，y)＝F0(x，y)*G0(x，y)D0(x，y)＝F0(x，y)-F1(x，y)；重復(fù)上述步驟，用尺度為σi的尺度函數(shù)Gi對Di-1進(jìn)行平滑，得到Fi+1，Di-1與Fi+1之差即Di，如下所示Fi+1(x，y)＝Di-1(x，y)*Gi(x，y)Di(x，y)＝Di-1(x，y)-Fi+1(x，y)；因此有F0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y);]]>c.均衡顯示的重建每一次分解過程都看作將待分解圖像Di-1分解為Di-1的大尺度部分Di與小尺度部分Fi+1的過程，保留每次分解獲得的Fi+1，以及DN-1，即可恢復(fù)原始圖像F0，恢復(fù)得到的圖像表示為F0′；因此，加上均衡效果的重建過程表示為F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)；d.最后將F0′通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像。
3.如權(quán)利要求1所述的方法，其特征在于，在非線性尺度空間下，采用偏微分方程進(jìn)行尺度空間分解，定義算子Mt為MCM濾波算子，方程為∂F∂t=||▿F||div(▿F||▿F||)]]>設(shè)輸入的原始圖像F(x，y)是上式在t＝0時刻的解，F(xiàn)(0，x，y)＝F0(x，y)為方程初值，則F0(x，y)在任意尺度t下的平滑結(jié)果可表示為MtF0(x，y)；則實現(xiàn)步驟如下a.將輸入的X射線圖像通過歸一化處理及對數(shù)變換得到F0(x，y)；b.用尺度為t0的尺度函數(shù)G0與F0進(jìn)行卷積，得到F1，F(xiàn)0與F1之差記做D0，如下所示F1(x,y)=Mt1F0(x,y)]]>D0(x，y)＝F0(x，y)-F1(x，y)重復(fù)上述步驟，用尺度為ti的尺度函數(shù)Gi對Di-1進(jìn)行平滑，得到Fi+1，Di-1與Fi+1之差即Di，如下所示Fi+1(x，y)＝MiDi-1(x，y)Di(x，y)＝Di-1(x，y)-Fi+1(x，y)因此有，F(xiàn)0(x，y)＝D0(x，y)+F1(x，y)D0(x，y)＝D1(x，y)+F2(x，y)D1(x，y)＝D2(x，y)+F3(x，y)DN-2(x，y)＝DN-1(x，y)+FN(x，y)所以，輸入的F0表示為F0(x,y)=Σi=1NFi(x,y)+DN-1(x,y)]]>c.均衡顯示的重建每一次分解過程都看作將待分解圖像Di-1分解為Di-1的大尺度部分Di與小尺度部分Fi+1的過程，保留每次分解獲得的Fi+1，以及DN-1，即可恢復(fù)原始圖像F0，恢復(fù)得到的圖像表示為F0′；因此，加上均衡效果的重建過程表示為F0′(x,y)=Σi=1NFi(x,y)×αi+DN-1(x,y)×αN+1;]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)；d.最后將F0′通過反歸一化及反對數(shù)變換，及灰度范圍重映射得到均衡處理后的圖像，則輸入的原始圖像F0(x，y)表示為F0(x,y)=Σi=1NMtiF(x,y)+DN-1(x,y)]]>均衡后的輸出I0′表示為F0′(x,y)=Σi=1NMtiF0(x,y)*αi+DN-1(x,y)*αN+1;]]>其中，αi(i＝1，2，…，N+1)為均衡系數(shù)。
4.如權(quán)利要求1所述的方法，其特征在于，所述的αi(i＝1，2，…，N+1)為均衡系數(shù)，其選擇原則為0＜αi≤αi+1≤1，α0用來控制動態(tài)范圍，其余均衡系數(shù)用來控制各個尺度信號的局部對比度；尺度參數(shù)ti(＝1，2，…，N)的選擇原則為0＜ti+1＜ti，分解層數(shù)N不超過7。
5.如權(quán)利要求2所述的方法，其特征在于，在線性尺度空間下，所述尺度參數(shù)σi(i＝1，2，…，N)的選擇原則為σ0＞σ1＞…＞σN-1＞0，具體選擇σ0＝2×σ1＝4×σ2＝…＝2N-1×σN-1＞0。
6.如權(quán)利要求3所述的方法，其特征在于，在非線性尺度空間下，所述尺度參數(shù)ti(i＝1，2，…，N)的選擇原則為t0＞t1＞…＞tN-1＞0，具體選擇t0＝4×t1＝16×t2＝…＝4N-1×tN-1＞0。
全文摘要
本發(fā)明公開了一種基于尺度空間分解與重構(gòu)的X射線圖像均衡顯示處理方法，該方法的步驟包括首先將輸入圖像進(jìn)行歸一化和對數(shù)變換，然后選用線性或者非線性圖像濾波方法進(jìn)行圖像的尺度空間分解，然后對分解產(chǎn)生的不同尺度下的圖像信息進(jìn)行加權(quán)，然后將加權(quán)后的信號重構(gòu)，將重構(gòu)的信號進(jìn)行反歸一化及反對數(shù)處理，得到均衡后的圖像。在分解過程中，可以采用空域平滑濾波算子，如高斯濾波算子，高斯微分濾波算子進(jìn)行線性尺度空間分解，或者采用中值曲率驅(qū)動方程進(jìn)行非線性濾波及分解。該方法創(chuàng)造性地從尺度空間分解的角度出發(fā)，進(jìn)行圖像均衡處理，與人眼的視覺模型相符合，因而具有良好的處理效果。
文檔編號G06T5/00GK1804903SQ20061004172
公開日2006年7月19日 申請日期2006年1月25日 優(yōu)先權(quán)日2006年1月25日
發(fā)明者牟軒沁, 張敏 申請人:西安交通大學(xué)