基于剪切波和改进Pal-King的医学图像增强算法研究 下载: 1199次
1 引言
医学图像是医生进行诊断和治疗的重要辅助手段,图像质量会直接影响医生诊断的准确性[1]。然而,医学图像在采集、传输和存储的过程中会引入大量噪声,导致图像质量下降,视觉效果变差。为了便于医生后期的判断和处理,降低误诊率,需要对图像的细节和对比度进行增强,提高视觉效果。目前,常用的图像增强方法根据其处理空间的不同,主要可以分为基于空域增强和基于频域增强两类。基于空域的图像增强是直接对图像的整体像素值进行处理,包含了点运算和邻域运算。基于频域的图像增强则是将图像先从空间域变换到频域,然后在频域内使用各种处理方法对图像进行处理,最后对应地将图像从频域经反变换再回到空间域。空域法主要包括直方图均衡化[2-3]、反锐化掩模算法[4-5]等。直方图均衡化是最常见的图像增强方法,其主要缺点是不能很好地控制增强效果,图像易出现不平滑灰度过渡。反锐化掩模算法是一种常用的图像边缘细节增强的方法,但是对噪声比较敏感。频域法中最有代表性的是滤波增强法[6-7],滤波增强法可以突出图像的边缘,保持低灰度级分量,但图像亮度较暗,滤出噪声较少。
随着增强技术的不断发展,多尺度分析[8-9]的方法在图像去噪中得到了普遍的应用,多尺度分析具有多尺度和多方向等特性,能够对多维信号进行良好的表示,经过处理后可以得到良好的效果。2007年,Guo等[10]提出由小波理论衍生而成剪切波(Shearlet)变换。Shearlet变换不仅具有Curvelet变换和Contourlet变换的非线性逼近的性能,而且具有更好的方向性和稀疏性,能够对图像进行最优稀疏表示,更适合用于图像去噪。由于医学图像与普通图像相比,医学图像具有模糊性和不均匀性的特点,因此,在对图像进行增强的时候不仅要考虑去噪效果,而且也需要考虑图像的模糊性。但是Shearlet变换具有良好的去噪效果,却没有考虑医学图像的模糊性,而Pal-King算法在处理模糊性的方面有良好的效果。
基于以上分析,本文提出一种基于Shearlet变换和改进Pal-King算法的图像增强算法。首先对待处理图像进行Shearlet变换,然后对高频部分采用自适应阈值去噪,之后进行Shearlet反变换,重构图像。再对图像选择改进的Pal-King算法增强图像的对比度。实验结果表明,经过本文算法处理后的图像与其他算法相比较,对比度方面有了明显提升,并且图像清晰度得到了增强,去噪效果也有了改善。
2 理论分析
2.1 Shearlet变换
Shearlet变换克服了小波变换不能最优逼近图像的缺陷,其图像的逼近阶数与Curvelet类似,实现起来更简单灵活。Shearlet变换是通过具有合成膨胀的仿射系统构造的。它构造简单,通过对函数进行伸缩、平移、旋转操作生成基函数,在图像表示方面具有多分辨、多方向并且没有数目限制等优点。当维数为2时,其仿射系统表示为具有合成膨胀的仿射变换系统[10],表达式为
式中
2.2 Pal-King算法
Pal-King算法[11-14]的基本思想:1) 利用隶属函数将图像映射为模糊矩阵;2) 在模糊域中通过模糊增强算子增强图像;3) 再对增强后的图像进行逆变换。
根据模糊集理论,将一幅
式中
式中:
隶属函数中的三个变量(
(5)式的作用是对隶属度值大于0.5的进行增大,小于0.5的则进行减小,从而减小模糊性,增强对比度。
对隶属度函数
式中
然后再通过逆变换公式,将图像变换到空间域中,即
3 本文方法
3.1 剪切波变换
对待处理图像进行剪切波分解。经过剪切波处理后的图像可以分为高频和低频两个部分,其中低频图像保持了原始图像中的主体信息,系数通常较大且分布较为均匀,因此,不针对低频图像进行去噪处理。高频图像侧重表达原始图像中的边缘和细节信息,并且含有大量噪声。通常,系数绝对值较大的对应较为明显的轮廓和边缘,而绝对值较小的系数则对应相对微弱的细节信息。传统经典的单一阈值法容易弱化图像的边缘信息,因此,本文选取自适应阈值法[15]对高频图像进行去噪处理。
3.2 剪切波系数的自适应阈值去噪
采用文献[ 15]中提出的自适应阈值对含有噪声的部分进行处理,表达式为
式中
式中
式中
3.3 改进的Pal-King算法
原始隶属函数为指数函数,计算量大。其中
为了减少计算量,避免低灰度值的丢失,本文提出构造了新的隶属函数,即
式中
使用模糊增强算子对图像进行增强处理,反复调用下列函数:
其中,
式中
通过模糊域的逆变换将图像重新变换到空间域中,逆变换公式为
为了检验改进算法的效果,选择标准的实验图像进行仿真。如
图 3. (a)原始图像的隶属函数曲线;(b)改进的隶属函数曲线
Fig. 3. (a) Membership function curve of the original image; (b)improved membership function curve
3.4 本文算法的实现步骤
算法的实现步骤为:1) 对医学图像进行Shearlet分解,采用拉普拉斯金字塔算法,分解成低频和高频两部分;2) 对高频图像采用自适应阈值法进行去噪处理;3) 对高频图像去噪后,再进行剪切波逆变换重构图像;4) 对重构图像使用改进的Pal-King算法增强图像的模糊对比度;5)选取无参考图像质量中的几个参量对图像进行评价。
4 实验与结果分析
为了检验本文算法在医学图像上的处理效果,自建了包含500张大小为512×512的标准肺部图像的图像库。并对自建库中的图像进行测试,同时与文献[
10] Shearlet增强、文献[
16]分数阶微分、文献[
14]改进的Pal-King增强方法作了对比,文献[
10]为最开始提出的Shearlet算法。文献[
14]是该论文作者采用log函数在原有的Pal-King算法上进行改进的方法。又由于近些年来偏微分方法已成为图像增强研究的热点,因此选择了文献[
16]的方法进行比较。本文采取主观评价和客观评价两种方法对图像的增强效果[17-19]进行评价,并对不同大小和类型的医学图像进行了测试。
图 4. 采用不同方法对肺部图像进行处理的实验结果。(a)原图;(b) shearlet[10]方法;(c)分数阶微分[16]方法;(d)改进的Pal-King[14]方法;(e)本文方法
Fig. 4. Experimental results of different algorithms for lung image. (a) Original image; (b) shearlet[10] method; (c) fractional differential[16] method; (d) improved Pal-King[14] method; (e) proposed method
从客观方面评价,选择了平均梯度(AG)、边缘强度(EINT)、图像清晰度(C)、标准差(STD)和信息熵(E)等5个参量作为评价标准。AG反映图像对细节的表达能力,表示模糊程度,其数值越大,则图像变化越明显。设一幅大小为
EINT实质上是边缘点梯度的幅值,边缘数值越大,则边缘越清晰。计算公式为
C指图像的细节和边界的清晰度,数值越大,则图像越清晰。计算公式为
STD代表单幅图像的对比度,其值越大,则图像的对比度越大,可以显示出更多的细节信息,图像的质量越好。计算公式为
式中
式中
为了检验该算法是否对其他医学图像也适用,把本文算法应用到了不同的医学图像上。
表 1. 肺部图像的平均客观标准对比
Table 1. Comparison of average objective criteria for lung images
|
图 5. 不同方法的实验结果。(a)原图;(b) shearlet[10]方法;(c)分数阶微分[16]方法;(d)改进的Pal-King[14]方法;(e)本文方法
Fig. 5. Experimental results for different methods. (a) Original image; (b) shearlet[10] method; (c) fractional differential[16] method; (d) improved Pal-King[14] method; (e) proposed method
表 2. 图5的不同算法的客观标准对比
Table 2. Comparison of objective criteria for different algorithms in Fig. 5
|
图 6. 不同方法的实验结果。(a)原图;(b) shearlet[10]方法;(c)分数阶微分[16]方法;(d)改进的Pal-King[14]方法;(e)本文方法
Fig. 6. Experimental results for different methods. (a) Original image; (b) shearlet[10] method; (c) fractional differential[16] method; (d) improved Pal-King[14] method; (e) proposed method
表 3. 图6的不同算法的客观标准对比
Table 3. Comparison of objective criteria for different algorithms in Fig. 6
|
对比表中的参量标准可以看出,虽然本文算法的信息熵低于其他算法,但是其他数值均明显高于其他算法。总体来说,经过Shearlet变换或者分数阶微分变换后的图像有着良好的去噪效果,保持了更多的细节信息,但是图像对比度不明显。文献[ 16]中改进的Pal-King算法对去噪和对比度都有了明显的提高,但是图像的清晰度不高。本文算法不仅拥有良好的去噪效果,而且也提高了图像的清晰度。
5 结论
为了克服医学图像具有噪声和模糊性的缺点,提出了一种基于剪切波和改进的Pal-King的医学图像增强算法。通过自适应阈值对高频含噪图像进行了去噪处理,同时采用了一种改进的Pal-King算法对图像进行了模糊性增强。实验结果表明,剪切波和改进的Pal-King相结合有效地增强了图像的对比度,突出了图像的纹理以及边缘等特征。和其他算法相比较,本文算法处理后的图像视觉效果得到了明显的改善。
[1] 付晓薇, 丁明跃, 周成平, 等. 基于量子概率统计的医学图像增强算法研究[J]. 电子学报, 2010, 38(7): 1590-1596.
[2] 姜柏军, 钟明霞. 改进的直方图均衡化算法在图像增强中的应用[J]. 激光与红外, 2014, 44(6): 702-706.
[3] Yang WM, QinC, Wang XJ, et al. Cross section binary coding for fusion of finger vein and finger dorsal texture[C]∥2016 IEEE International Conference on Industrial Technology (ICIT), 2016: 742- 745.
[4] Ramponi G. A cubic unsharp masking technique for contrast enhancement[J]. Signal Processing, 1998, 67(2): 211-222.
[5] 贾振红, 覃锡忠, 等. 基于剪切波变换的反锐化掩膜遥感图像增强[J]. 计算机工程与设计, 2015, 36(4): 987-990.
[6] 曹伟, 王华彬, 石军, 等. 基于边缘检测加权引导滤波的指静脉图像增强算法[J]. 激光与光电子学进展, 2017, 54(2): 021007.
[7] 李毅, 张云峰, 张强, 等. 基于去雾模型的红外图像对比度增强[J]. 中国激光, 2015, 42(1): 0113004.
[8] 吴一全, 史骏鹏. 基于多尺度Retinex的非下采样Contourlet域图像增强[J]. 光学学报, 2015, 35(3): 0310002.
[9] 周飞, 贾振红, 杨杰, 等. 基于剪切波域改进Gamma校正的医学图像增强算法[J]. 光电子·激光, 2017, 28(5): 566-572.
[11] JiaW, Yang JY, Liu YB, et al. Improved fast image enhancement algorithm based on fuzzy set theory[C]∥2014 Sixth International Conference on Intelligent Human-Machine Systems and Cybernetics, 2014: 173- 175.
[12] Zhang LT, Sun YQ, Chen FS. An improved edge detection algorithm based on fuzzy theory[C]∥2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2015: 380- 384.
[13] Xu ZG, ZhangS, Wang JJ. Application of fuzzy enhancement in moving object detection and tracking[C]∥2016 14th International Conference on Control, Automation, Robotics and Vision (ICARCV), 2016: 1- 6.
[14] Wang YH, Li DH, Xu YN. An improved image enhancement algorithm based on fuzzy sets[C]∥IEEE Conference Anthology, 2013: 1- 4.
[16] 赵建. 分数阶微分在图像纹理增强中的应用[J]. 液晶与显示, 2012, 27(1): 121-124.
[17] 陈向阳, 谭礼健. 基于自适应分数阶微分的医学图像增强算法[J]. 计算机应用研究, 2017, 34(12): 3895-3898,3903.
[18] 石丹, 李庆武, 范新南, 等. 基于Contourlet变换和多尺度Rentinex的水下图像增强算法[J]. 激光与光电子学进展, 2010, 47(4): 041001.
[19] 温海滨, 毕笃彦, 马时平, 等. 消除阶梯效应与增强细节的变分Retinex红外图像增强算法[J]. 光学学报, 2016, 36(9): 0911005.
Article Outline
侯向丹, 郑梦敬, 刘洪普, 李柏岑. 基于剪切波和改进Pal-King的医学图像增强算法研究[J]. 激光与光电子学进展, 2019, 56(3): 031006. Xiangdan Hou, Mengjing Zheng, Hongpu Liu, Bocen Li. Medical Image Enhancement Algorithm Based on Shearlet Domain and Improve Pal-King Algorithm[J]. Laser & Optoelectronics Progress, 2019, 56(3): 031006.