基于局部二进制模式方差的分数阶微分医学图像增强算法 下载: 1059次
1 引言
医学图像对医生进行病症诊断和治疗有至关重要的作用,然而医学图像的成像质量与选择成像的方式、设备以及在成像的过程中的可能遇到的误差密不可分,这关系到医生对病症诊断的准确性[1]。医学图像在采集、传输和存储的过程中不可避免地会产生大量噪声,降低了图像的质量并使视觉效果变差,不利于后期图像病症的识别。为了便于医生判断和处理,提高医生诊断的正确性,需要对图像的纹理和细节信息进行增强处理,以降低噪声的干扰。
偏微分方程在图像处理和模式识别领域是一种新的研究方向[2],由于偏微分方程具有对图像的细节进行提升的特点,因此已广泛应用于图像处理中。目前,国内外的研究学者已经利用偏微分方程在图像去噪[3-6]、图像增强[7-9]和图像重建[10-12]等领域取得了一些研究成果。偏微分的图像增强方法,包括整数阶微分、分数阶微分以及有理数阶微分。整数阶的偏微分方程方法已经在图像重建领域中取得了较好的研究成果[13],但是经过此方法处理后的图像容易丢失部分纹理信息,在保留图像的纹理和细节方面的处理效果不好,于是分数阶微分作为整数阶微分的扩展应运而生。许多学者对分数阶微分进行了大量研究,尤其是在对图像进行处理的方面。Pu等[14-16]对分数阶微积分进行了分析,得出了分数阶微分对增强图像纹理和细节信息具有明显效果的结论,首次将分数阶微分引入到了数字图像增强处理当中。黄果等[17-18]提出了一种可以根据图像特征和信息动态地调整分数阶阶次的图像增强算法。汪成亮等[19-20]提出了一种可以根据图像的信息自动调整分数阶阶次的自适应图像增强算法。李军成[21]首次将0~1 阶范围的分数阶微分阶次扩展到了1~2阶。蒋伟等[22-23]结合了分数阶微分和整数阶微分各自的优点,将分数阶微分扩展到了有理数阶微分。
图像增强是一个需要持续研究的问题,上述方法在图像增强方面有一定的效果,但是在细节和纹理的增强效果方面还有待改进。而局部二值模式(LBP)[24-25]可以很好地描述图像的纹理特性,也已广泛应用到图像识别[26]和图像匹配[27-28]中,因此,本文提出了一种新的基于分数阶微分理论和局部二进制模式方差(LBPV)相结合的医学图像增强算法。运用LBPV理论对图像进行特征提取,找出待处理图像的主方向,对其分数阶微分算子模板系数进行加权增强,再将该方法应用到医学图像中,并与现有的分数阶微分方法进行实验对比。实验结果表明,所提方法在图像纹理和细节处理的效果比现有的分数阶算法效果更好,具有良好的视觉效果。
2 理论知识
2.1 分数阶微分的基本定义
分数阶微积分的Grünwald-Letnikov的定义[14-16]是从研究连续函数整数阶导数的经典定义出发,将微积分由原来的整数阶
式中:
2.2 LBP概述
LBP是一种用来度量和提取局部图像的纹理信息的有效纹理描述算子。初始定义是在某中心像素及其周围大小为3×3的矩形邻域系统中,把中心点像素的灰度值作为阈值,将周围八个邻域的像素点和中心像素点进行比较,如果邻域点的灰度值小于阈值,则该点用0表示,大于或等于阈值则用1表示,这样得到一个二值图,然后从
由于原始的LBP算子存在对尺度较大的纹理结构无法捕获的问题,并且无法实现旋转不变的设计。Ojala等[24]又提出了一种采用圆形邻域结构的方式计算LBP模式,如
式中:
2.3 LBPV算子
在识别图像的纹理中,通常采用空间结构(例如,LBP模式)和对比度[例如,局部图像纹理的方差(VAR)]描述该区域的纹理特征。然而,空间结构随着旋转的变化而变化,对比度则不然。所以Ojala等[24]提出了联合直方图,使用两个互补特征LBP/VAR用于旋转不变纹理分类。然而在这种方法中,VAR值是连续的,需要通过量化步骤计算直方图,但是在量化过程中不可避免地引起一些误差,这会影响最终的分类效率,所以引入了LBPV[25],其不是全局计算LBP和VAR的联合直方图,而是使用局部区域方差的权值作为LBP子模式的权重,有效地将图像的空间模式与局部差异性融为一体,无需量化过程,避免了量化过程中可能出现的问题。另外,LBPV提取的特征向量维数相对较小,计算复杂度低,可以有效节省计算时间。
3 所提方法
3.1 特征提取
假设有一幅大小为
式中:
3.2 主方向估测
将主方向定义为模式频率最高的方向。
而选取3个主方向时,图像会变得立体,不适合所选图像,因此选择两个主方向。主方向即为出现频率最高的模式方向,分别选择270°和90°作为主方向。不同图像增强时,可能选取的主方向角度以及个数都不同,因此,需要先找到图像的所有方向,按图像的具体要求选取主方向的角度与个数。
3.3 改进后的分数阶掩模
根据(2)式可以推导出
式中:
由差分表达式可以得到分数阶微分的差分系数为
因为图像相邻的像素点之间相关性很强,为了使增强后的算法具有旋转不变的性质,分别构造出8个方向(0°、45°、90°、135°、180°、225°、270°、315°)的掩模模板,为了保持方向一致性,掩模算子方向由LBPV的方向决定,如
图 7. 分数阶的8方向掩模。(a) 0°;(b) 45°;(c) 90°;(d) 135°;(e) 180°;(f) 225°;(g) 270°;(h) 315°
Fig. 7. Fractional masks for eight directions. (a) 0°; (b) 45°; (c) 90°; (d) 135°; (e) 180°; (f) 225°; (g) 270°; (h) 315°
一般来说,对
式中:
所采用的掩模为利用LBPV通过特征提取得到的图像主方向,将掩模算子对应图像主方向的方向系数加权处理,其他方向的系数不变,最终得到掩模算子。由于图像不同,每幅图像的主方向也不相同,所以采用的掩模也不相同。改进后的增强图像
式中:
4 实验结果
为了验证算法在图像增强方面的有效性,采用所提算法对outex数据集中的图片进行增强处理,并采取主观评价和指标评价两种方法来评价图像增强的效果。又将该算法应用到医学图像中,并与现有的分数阶算法进行了对比分析。从结果可以看出,与其他方法相比,所提算法在图像增强上有良好的视觉效果,图像纹理和细节信息更加突出。选取平均梯度(AG)和信息熵(
信息熵反映图像所含信息的丰富程度,其值越大,表明图像所含信息量越大,图像的细节信息越丰富等。信息熵的计算公式为
式中:
4.1 在Outex数据集中的实验结果
为了证明算法的实用性,采用所提算法对Outex数据集中的图片进行处理,并从数据集中选取了部分图像来检验该算法的有效性。
将
4.2 在医学图像中的实验结果
为检验所提算法在医学图像上的效果,将其与文献[
5]、 [6]和[9]算法进行比较,选取大量术后的肱骨头粉碎性骨折图像和腓骨图像进行实验,并从图像库中选取一幅图像进行增强,仍采用平均梯度和信息熵两个参数来评价图像增强的效果。为了更细致地观察骨折区域的细节信息,还对骨折位置的细节信息进行了放大,如
由
图 8. 原图与增强后的图像。(a)原图;(b)图8(a)增强后的图像;(c)原图;(d)图8(c)增强后的图像
Fig. 8. Original images and enhanced images. (a) Original images; (b) enhanced images of Fig. 8(a); (c) original images; (d) enhanced images of Fig. 8(c)
表 1. 图8中各图像的评价参数
Table 1. Evaluation parameters of each image in Fig. 8
|
图 9. 不同方法下肱骨头的增强图像及其局部图像。(a)原图;(b)文献[ 5]方法;(c)文献[ 6]方法;(d)文献[ 9]方法;(e)所提方法
Fig. 9. Enhanced images of humeral head and its local images with different methods. (a) Original images; (b) method in Ref. [5]; (c) method in Ref. [6]; (d) method in Ref. [9]; (e) proposed method
表 2. 图9中各图像的评价参数
Table 2. Evaluation parameters of each image in Fig. 9
|
图 10. 不同方法下腓骨的增强图像及其局部图像。(a)原图;(b)文献[ 5]方法;(c)文献[ 6]方法;(d)文献[ 9]方法;(e)所提方法
Fig. 10. Enhanced images of tibia and its local images with different methods. (a) Original images; (b) method in Ref. [5]; (c) method in Ref. [6]; (d) method in Ref. [9]; (e) proposed method
表 3. 图10中各图像的评价参数
Table 3. Evaluation parameters of each image in Fig. 10
|
5 结论
为了有效地对医学图像进行增强处理,提出了一种新的基于分数阶微分理论和LBPV相结合的图像增强算法,并将其应用于医学图像增强中,将所提算法与现有的分数阶微分图像增强算法进行了比较分析,实验结果表明,所提算法在增强图像的细节和纹理信息方面具有良好的效果,提高了图像的对比度,增强了图像的清晰度,对图像有较好的增强效果。与现有的分数阶图像增强算法相比,所提算法增强后的图像在质量和视觉效果等方面均有明显提高,较好地达到了增强图像细节处理的目的,是一种有效的医学图像增强方法。
[5] 杨柱中, 周激流, 郎方年. 基于分数阶微积分的噪声检测和图像去噪[J]. 中国图象图形学报, 2014, 19(10): 1418-1429.
[7] 张鑫, 王卫星, 张元方, 等. 基于分数阶微分及改进 Retinex的模糊航空图像增强[J]. 计算机应用研究, 2015, 32(9): 2844-2848.
[9] 张绍阳, 解源源, 张鑫, 等. 基于分数阶微分的模糊交通视频图像增强[J]. 光学精密工程, 2014, 22(3): 779-786.
[12] Wang L, Zhou S, Karim A. Image zooming technique based on the split Bregman iteration with fractional order variation regularization[J]. International Arab Journal of Information Technology, 2016, 13(6): 944-950.
[14] Pu Y F, Zhou J L, Siarry P, et al. Fractional partial differential equation: fractional total variation and fractional steepest descent approach-based multiscale denoising model for texture image[J]. Abstract and Applied Analysis, 2013, 2013: 1-19.
[15] 蒲亦非. 将分数阶微分演算引入数字图像处理[J]. 四川大学学报(工程科学版), 2007, 39(3): 124-132.
[16] 蒲亦非, 王卫星. 数字图像的分数阶微分掩模及其数值运算规则[J]. 自动化学报, 2007, 33(11): 1128-1135.
[17] 黄果, 许黎, 蒲亦非. 分数阶微积分在图像处理中的研究综述[J]. 计算机应用研究, 2012, 29(2): 414-420,426.
[18] 黄果, 陈庆利, 许黎, 等. 可变阶次分数阶微分实现图像自适应增强[J]. 沈阳工业大学学报, 2012, 34(4): 446-454.
[19] 汪成亮, 乔鹤松, 陈娟娟. 基于纹理复杂度的自适应分数阶微分算法[J]. 计算机工程, 2012, 38(7): 177-178,181.
[20] 汪成亮, 兰利彬, 周尚波. 自适应分数阶微分在图像纹理增强中的应用[J]. 重庆大学学报, 2011, 34(2): 32-37.
[21] 李军成. 基于1~2阶分数阶微分的图像增强算法[J]. 计算机工程, 2015, 41(2): 209-214.
[22] 蒋伟, 李小龙, 杨永琴, 等. 基于有理数阶微分的图像去噪新方法[J]. 计算机应用, 2014, 34(3): 801-805.
[23] 蒋伟, 李小龙, 刘亚威. 基于有理数阶偏微分的图像增强新模型[J]. 四川大学学报(自然科学版), 2016, 53(1): 47-53.
[26] 刘艳, 李庆武, 霍冠英, 等. 结合局部二进制表示和超像素分割求精的立体匹配[J]. 光学学报, 2018, 38(6): 0615003.
[27] 王灿进, 孙涛, 王锐, 等. 基于彩色二进制局部不变特征的图像配准[J]. 中国激光, 2015, 42(1): 0109001.
[28] 李澄非, 陈新华. 融合局部二值模式和Hu矩特征的车型识别[J]. 激光与光电子学进展, 2016, 53(10): 101503.
Article Outline
刘洪普, 郑梦敬, 侯向丹, 李柏岑, 杜佳卓. 基于局部二进制模式方差的分数阶微分医学图像增强算法[J]. 激光与光电子学进展, 2019, 56(9): 091006. Hongpu Liu, Mengjing Zheng, Xiangdan Hou, Bocen Li, Jiazhuo Du. Enhancement Algorithm of Fractional Differential Medical Images Based on Local Binary Pattern Variance[J]. Laser & Optoelectronics Progress, 2019, 56(9): 091006.