CN101030298A - 多尺度自适应对比度变换的医学图像增强方法 - Google Patents

Abstract

本发明涉及一种对医学图像图像增强处理方法。现存图像增强技术都是以特征尺寸为基础，存在一定的缺陷。本发明方法步骤包括：将医学图像分解成金字塔形状排列的分辨率逐步降低的图像集合；对分解得出的分层系数做调整，包括增强每层图像整体的对比度和增强细节层次图像局部区域的对比度；将调整系数后的各个细节层次图像再合成原图像增强后的图像。本发明提出的多尺度对比度增强方法是一种非常有效的医学图像增强方法，任意大小的低对比度区域可见度都可以得到较大的提高，且不会产生谷粒效应。本发明方法可以较好的满足人眼视觉主观要求，增强效果优于传统单一尺度方法，且运算时间短。

Description

多尺度自适应对比度变换的医学图像增强方法

技术领域

本发明属于图象处理方法，涉及一种图像增强处理方法，特别涉及一种对医学图像(包括x射线图像，CT扫描图像)的增强处理方法，用于增强骨骼，脏器，软组织和病灶等细节和边缘信息的医学图像增强方法。

背景技术

X射线(简称X线)具有穿透物体的能力，有感光、荧光和电离作用及热效应，还对生物细胞组织具有抑制、损伤甚至坏死的生物效应。X线医学影像设备是通过x射线穿透路径上人体各个生理组织部位对x射线吸收量的累加值成像的.人体内各个生理组织叠加在一起，部分组织结构的由于吸收量小，和X射线吸收量大的组织叠加后，就无法在X射线医学图像上显示出来了。

19世纪70年代以后由于物理学、电子学和计算机等学科的迅速发展，一方面X线机得到进一步发展，发明了抗散射格栅、造影剂和影像增强器等技术，另一方面许多新型的X线影像诊断新技术应运而生，如X线计算机辅助断层摄影(X线CT)、数字减影血管造影(DSA)、计算机放射摄影(CR)和数字放射摄影(DR)等。计算机放射摄影和数字化处理与传统X放射摄影具有以下优点：(1)当曝光不足或曝光过量时，可以使用数字化窗口/等级处理来自动补偿，曝光程度不再是至关重要的了。但是这并不意味着，降低剂量没有缺陷：当曝光处于一个较低的量级时，噪音将更加突出。(2)计算机放射摄影和数字化处理可以允许局部对比度增强。但是系统成像过程中图像板中的磷粒子使得x射线存在散射，和扫描过程中激光扫描仪的激光在穿过图像板深部时也存在着散射，从而使图像模糊，降低了图像分辨率，影响图像质量，从而影响医生诊断准确性.所以医学影像需要进行图像增强处理，来增强图像中骨骼，脏器，软组织和病灶等细节和边缘信息。

目前医学影像增强的处理技术主要包括以下三种：

1、对比度增强的方法

对比度增强技术可以把图像进行窗口/等级调整。但是，如果在灰度变化大的区域附近，细微特征仍然不能显示出来，那么还需要进一步改进图像的对比度。

2、自适应直方图均衡的方法

在光滑影像区域应用急剧升降的梯度曲线和在对应具有较宽灰度范围的区域内应用柔和的梯度曲线，自适应直方图均衡技术正是通过这种方法增强对比度的。自适应直方均衡技术可以在图像的每一个位置上，自动调节曲线的形状，以适应局部灰度分布。

3、模糊校正的方法

这种特殊的空间频率带滤波技术可选择性地加强图像特定范围内的图像特征。同样，这里有两种技术：边缘增强和幅度压缩。边缘增强：如果只是强调有细密纹理的结构和边缘，通常参考“边缘增强”技术。边缘增强技术的特点是滤波器中心的直径小。幅度压缩：例如肩部和下肢检测中，如果由于占优势的灰度覆盖图像，将导致小的或中等图像的特征变得看不太清楚了，那么应用具有大中心直径的空间频率滤波技术会获得较好的效果。加强大幅度灰度变化，将减少导致对比度改善的动态范围。幅度压缩技术同样也可看作是动态范围的压缩。

现存图像增强技术都是以特征尺寸为基础，存在一定的缺陷。操作都是调节由滤波器中心直径决定的某个空间频率带。边缘增强滤波器可以强调有细密纹理的图像细节。结果，像暗淡的小细节等中等尺寸的低对比度图像就看不太清楚了，并且可能非常模糊。为一种特定的检测类型选择最佳的中心直径不是件容易的事情。对于同一个图像，不同的比例(即使非常接近)下，可能有许多临界结构。如果强调一定尺寸的图像，那么得到的效果与掩饰另一个尺寸下的图像精细特征是相似的。另一个关于条带滤波器的问题是在高对比度边缘附近，例如骨界面组织或金属植入物的边缘，图像中有波浪状影像生成。这些波浪状影像对医生的诊断有不良影响；在某些情况中，这些影像在正常的胶片上可以作为某种病理证明，在另外一些情况中，这些波浪状影像可能隐藏了一些细微的病变。关于这种基本局部增强技术的许多改进技术是专门针对如何抑制这些波浪状影像而诞生的。

发明内容

本发明的目的在于针对现有技术的不足，提出一种可以较好的满足人眼视觉主观要求，增强效果优于传统单一尺度方法，且运算时间短的多尺度自适应对比度变换的医学图像增强方法。

为了实现以上目的，本发明方法主要包括以下步骤：

1、利用拉普拉斯金字塔分解变换，将医学图像分解成金字塔形状排列的分辨率逐步降低的图像集合，即不同的细节层次图像来分别代表不同尺度的细节，一系列的细节层次图像系数值表达了各自尺度上的细节。

2、对分解得出的分层系数做调整，包括

a)采用对比度变换方法增强每层图像整体的对比度，对比度变换通过非线性曲线做映射处理，该曲线的函数表示为

其中x代表细节层次图像上的系数，即分解图像得到各层边缘图像的系数，y为对应的变换后细节层次图像的系数；

b)采用边缘系数调整和动态范围压缩的方法增强细节层次图像局部区域的对比度，具体是在细节层次图像边缘微弱时，细节层次图像系数乘以放大因子ae_k调整小尺度的系数，当细节层次图像灰度跨越全图像的灰度范围时，分层图像系数乘以压缩因子al_k；

放大因子ae_k，计算方法：

$\left\{\begin{array}{cc}{\mathrm{ae}}_k=f_e^{(1-k/n_e)},& 0\≤k\≤n_e\\ {\mathrm{ae}}_k=1,& k\≥n_e,\end{array}\right.$ 其中，fe(fe＞1)控制调整参数的幅度值，ne为需要边缘系数调整的细节层次图像层数；

压缩因子al_k计算方法：

$\left\{\begin{array}{c}{\mathrm{al}}_k=1,k<L-n_l\\ {\mathrm{al}}_k=f_l^{(L-k-n_1-1)},L-n_l\&le;k<L,\end{array}\right.$ 其中，L为图像分解的总层数，nl为需要灰度动态范围压缩的层数。

为取得较好的效果：ne取3，nl取5，fe取1.7，fl取1.4。

3、利用拉普拉斯金字塔分解逆变换，将调整系数后的各个细节层次图像再合成原图像增强后的图像。

本发明与现存的诸多医学图像算法相比，具有如下特点：

1、细节放大

用于对比度增加的多尺度法抛弃了以特征尺寸为基础的普通范例选择性增强。取而代之的，多尺度法带来了细节放大或细节增强的概念。图像特征，例如边缘、组织结构、斑点或较大结构可以被增强或淡化。如果被加强，这些图像特征便具有好的对比度，如果被淡化，这些图像特征的对比度就会比较低。这种判定的标准与图像特征的尺寸或直径(以mm或像素计)无关。如果加强微弱细小的图像特征，可以有效地改善图像的可识别性，但同时减弱了图像中最清楚部分的可识别性；而后者的加强不会影响其它部分。这就是多尺度法对比度加强技术的基本原理：对比度的均衡与特征尺寸无关。

2、与空间频率带滤波技术有关的差异

本方法和空间频率带滤波技术之间的两点差异：(a)带滤波须调到特征尺寸的特有范围，本方法没有这样的要求；(b)与带滤波不同，本方法以最清晰的图像部分为代价，加强微弱细小的图像特征。

本发明的核心思想是以最清晰的图像部分为代价，加强微弱细小的图像特征。本发明提出的多尺度对比度增强方法是一种非常有效的医学图像增强方法，任意大小的低对比度区域可见度都可以得到较大的提高，且不会产生谷粒效应。本发明方法可以较好的满足人眼视觉主观要求，增强效果优于传统单一尺度方法，且运算时间短，该方法在医学影像的增强处理上具有广阔的应用前景，可以作为图像分析的预处理。

附图说明

图1为本发明中图像金字塔示意图；

图2为本发明中拉普拉斯金字塔分解变换与逆变换示意图。

具体实施方式

下面结合附图详细描述本发明基于多尺度自适应对比度变换的医学图像快速增强方法。

本发明方法主要包括3个步骤：(1)拉普拉斯金字塔分解变换；(2)对细节层次每层系数的调整，包括对比度变换增强图像整体的对比度和边缘系数调整、动态范围压缩改善局部区域的对比度；(3)拉普拉斯金字塔分解逆变换。

下面逐一对各步骤进行说明。

步骤一：拉普拉斯金字塔分解变换

图像金字塔(如图1所示)以多尺度来解释图像的一种有效但概念简单的结构就是图像金字塔。图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是一系列金字塔形状排列的分辨率逐步降低的图像集合。金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。当向金字塔的上层移动时，尺寸和分辨率就降低。因为基础级J的尺寸是2J×2J或N×N(J＝log2N)，中间级j的尺寸是2j×2j，其中0≤j≤J.完整的金字塔由J+1个分辨率级组成，由2J×2J到20×20，但大部分金字塔只有P+1级，其中j＝J-P，…，J-2，J-1，J且1≤P≤J。也就是说，通常限制它们只使用P级来减少原始图像近似值的尺寸。

多尺度增强的基本想法是将图像分解成不同的细节层次图像来分别代表不同尺度的细节和近似，而后直接在这些细节层次图像上改进对比度。多尺度金字塔结构算法的图像分解是按照流程如图2所示。其中，LP表示低通滤波。LP低通滤波器采用特定的5×5低通模板滤波，滤波器模板如下：

如图2，将原始图像通过滤波采样得到第一层细节图像g1，将g1通过滤波采样得到g2，依次通过迭代方式得到g3、g4……gL将第i层细节图像gi插值滤波后得到的图像与上一层L-1图像进行代数相减可得到第i层残差图像bi，照此方法可得级数为L-1的一组残差图像b0，b1，b2，b3……bL-1。先对原始图像作下采样，中间的结果再作插值回到原始图像尺寸，并且在作采样之前和插值之后平滑处理，得出的图像按象素从原图中减去，这时得到的差值就是多尺度塔状层系数。后面的细节层次图像做类似计算。这样，图像的尺寸在两维方向上逐次减半，直到下采样图像的尺寸小于模板大小。

细节在分解过程中越来越少，一系列的分层系数差值表达了各自尺度上的细节，在频域内，各个尺度就对应着原始频谱的各个频段，各个分层的频段是有重叠部分。

步骤二：对细节每层系数的调整

多尺度像增强要对分解得出的细节层次图像系数做调整，这些调整包括对比度补偿和边缘系数调整、动态范围压缩操作。在各层的边缘图像中，小的系数代表细微的细节，它们需要被增强来提高对应细节的可见度，同时那些大的系数代表那些较强的边缘，它们很大程度上影响整个动态范围，适当的被压制，也不会影响它们的可见度，却提高了图像的整体对比度。

a.对比度变换增强图像整体的对比度

对比度补偿通过一条非线性曲线做映射处理，曲线如下：

其中，x代表细节层次图像上的系数，即分解图像得到各层边缘图像的系数，y为对应的变换后分层图像的系数。先将x规范化到[-1，1]范围上，因子a用来调整结果图输出的动态范围和原始图像一致。系数p控制曲线的弯曲程度，为了满足要求：(1)所有的边缘都得到增强；(2)信号弱的边缘的增强幅度大于信号强的边缘，则要求p＜1。多尺度对比度补偿增强全图的所有细节信息，而不是只是在原图尺度上。锐化的边缘增强了，同时低对比度的区域也得到增强，这样，在骨骼增强的同时软组织也可以依稀可见。从实例中可以看出，相对于单一尺度边缘增强，多尺度图像对比度补偿可以取得很好的视觉效果同时没有“谷粒效应”。

b.边缘系数调整、动态范围压缩改善局部区域的对比度。

对比度补偿是增强处理的基本模式，在大多数检查区域中就可以这么操作，但是有的区域(如手足)图像边缘很微弱，就需要着重增强，在相应尺度的边缘系数上乘以一个放大因子ae_k；相反，有的区域(如肩膀、腹部)灰度跨越全图的灰度范围，需要选择适当的压缩因子al_k，对这些区域的灰度范围进行压缩，否则影响其他区域的显示。

乘以ae_k调整小尺度的系数做边缘系数调整，ae_k如下公式所示：

$\left\{\begin{array}{cc}{\mathrm{ae}}_k=f_e^{(1-k/n_e)},& 0\&le;k\&le;n_e\\ {\mathrm{ae}}_k=1& k\&GreaterEqual;n_e\end{array}\right.---\left(2\right)$

其中，fe(fe＞1)控制调整参数的幅度，ne指定需要边缘系数调整的细节层次图像层数。层数增加时，调整系数aek以

的速率递减，而且只在频谱高端的ne层内进行，后续的层中ae_k保持1。有了这个渐变系数的调整，就有可以使灰度变化剧烈区域的“谷粒效应”最小化。

同样，乘以al_k在大尺度上做动态范围压缩al_k如下公式所示：

$\left\{\begin{array}{c}{\mathrm{al}}_k=1,k<L-n_1\\ {\mathrm{al}}_k=f_l^{(L-k{n}_l-1)},L{n}_1\&le;k<L\end{array}\right.---\left(3\right)$

其中，L是图像分解的层数总数，nl指定需要灰度动态范围压缩的层数，al_k在层数增加时按照由1开始以 的速率递减。范围压缩的幅度由参数fl(fl≥1)来控制。

实验中，选取经验值取得较好的效果：ne取3，nl取5，fe取1.7，fl取1.4，得出ae_k和al_k在层数为10层图像上的分布，如表1所示。

表1各层调整系数

层数	0	1	2	3	4	5	6	7	8
										aekalk	1.71	1.42441	1.19351	11	11	10.9349	10.8741	10.8172	10.7640
aek·alk	1.7	1.4244	1.1935	1	1	0.9349	0.8741	0.8172	0.7640

由于多尺度系数调整对比度变换图像增强算法是针对整个图像在多个尺度上对细节信息进行增强，并且考虑到小尺度上的局部边缘微弱和大尺度上动态范围过大，因而不光在整体图像的对比度上得到提高，而且在局部范围上也取得理想的效果。

步骤三：拉普拉斯金字塔分解逆变换

逆变换过程实际上就是分解的一个逆过程，如图2。将最底层的细节图像gL插值滤波后与上一层的残差图像进行相加运算得到新的细节图像gL-1’，以此方法，依次得到gL-2’、gL-3’……g0’。当g0’插值滤波后再与b0’进行相加运算得到最终所需要的图像。即从最大尺度上开始，即从最后得出的近似图像开始，插值调整图像到上一层的尺寸上去，然后和当前层的细节信号做加法。插值和加法重复进行直到恢复原图大小。如果分解过程中的采样和反变换中的插值是对应的话，结果应该和原图是一致的。

Claims (1)

1、多尺度自适应对比度变换的医学图像增强方法，其特征在于该方法主要包括以下步骤：

(1)利用拉普拉斯金字塔分解变换，将医学图像分解成金字塔形状排列的分辨率逐步降低的图像集合，即不同的细节层次图像来分别代表不同尺度的细节，一系列的细节层次图像系数值表达了各自尺度上的细节；

(2)对分解得出的分层系数做调整，包括

a.采用对比度变换方法增强每层图像整体的对比度，对比度变换通过非线性曲线做映射处理，非线性曲线的函数表示为

$y\left(x\right)=a\frac{x}{\left|x\right|}|x{|}^p,$ 其中x代表细节层次图像上的系数，即分解图像得到各层边缘图像的系数，y为对应的变换后细节层次图像的系数；

b.采用边缘系数调整和动态范围压缩的方法增强细节层次图像局部区域的对比度，具体是在细节层次图像边缘微弱时，细节层次图像系数乘以放大因子ae_k调整小尺度的系数，当细节层次图像灰度跨越全图像的灰度范围时，分层图像系数乘以压缩因子al_k；

放大因子ae_k，计算方法：

$\left\{\begin{array}{cc}a{e}_k=f_e^{(1-k/n_e),}& 0\&le;k\&le;n_e\\ a{e}_k=1,& k\&GreaterEqual;n_e,\end{array}\right.$ 其中，fe(fe＞1)控制调整参数的幅度值，ne为需要边缘系数调整的细节层次图像层数；

压缩因子al_k计算方法：

$\left\{\begin{array}{c}a{l}_k=1,k<L-n_l\\ a{l}_k=f_l^{(L-k-n_l-1)},L{-n}_l\&le;k<L,\end{array}\right.$ 其中，L为图像分解的总层数，nl为需要灰度动态范围压缩的层数；

(3)利用拉普拉斯金字塔分解逆变换，将调整系数后的各个细节层次图像再合成原图像增强后的图像。

Images