CN101056406A - 基于混合小波编码的医学超声图像压缩方法 - Google Patents

Abstract

本发明提供了一种基于混合小波编码的医学超声图像压缩方法，1)对医学超声图像I进行小波变换，对成像区进行小波变换，即W_IA(I×MI)，对背景区进行小波变换，即W_BG(I×(1－MI)/S)，MI代表成像区形状掩模，函数W表示整数提升小波变换，其下角标IA表示对成像区域进行变换的小波，函数W下角标BG表示对成像区域进行变换的小波，S是尺度参数；2)根据超声图像的成像区形状掩模MI计算小波域掩模MW，通过小波域掩模MW计算得到图像的混合小波系数；3)对混合小波系数用小波系数编码算法，基于分层树的集合划分算法进行编码，得到图像压缩结果。本发明在保证医学超声图像诊断区信息无损的前提下，提高了图像的压缩率，有着广泛的应用前景。

Description

基于混合小波编码的医学超声图像压缩方法

(一)技术领域

本发明属于图像处理技术领域，具体涉及一种医学超声图像压缩方法。

(二)背景技术

随着现代医疗成像技术的多样化与专业化，数字医学图像的种类与数量不断增加，其巨大的数据容量造成了存储和传输的难题。图像压缩就是在保证必要的图像质量前提下，用尽可能少的编码符号传输或存储图像，或者在给定编码符号数的情况下，使恢复图像的质量尽可能好。

常见的图像压缩方法有Huffman编码、预测编码以及变换编码等。Huffman编码完全依据字符出现概率来构造字符的平均长度最短的码字，该算法先对图像数据扫描一遍，计算出各种像素出现的概率，按概率大小指定不同长度的唯一码字，由此得到该图像的Huffman码表。预测编码利用图像相邻像素之间具有的较强相关性，用相邻的已知像素来预测当前像素值，对该像素的真值与预测值的差进行量化和编码。变换编码将图像矩阵变换到系数空间上进行处理，将散布在各坐标轴上的原始图像数据集中到新的坐标系中的少数坐标轴上，使变换后的系数间的相关性降低。基于小波变换的编码方法将整幅图像逐级分解到不同分辨率的尺度空间，再对分解系数进行扫描编码，能够很好地消除解码图像的块状效应，获得较好的压缩效果。由于扫描编码输出结果位流对重建图像的贡献严格按从重到轻排列，可实现按一定优先级可控传输，这种图像的分层传输方式特别适合网络通信要求，因此该方法在图像压缩中被广泛应用。

医学超声图像是医学诊断和疾病治疗的重要根据，在临床上具有重要的应用价值。确保医学超声图像压缩后的高保真度是图像压缩首要考虑的因素。在最初应用中，考虑到医学影像对质量的特殊要求和法律的原因，一般采用无损压缩技术，因为它能够精确地还原图像。但是无损图像压缩的缺点是压缩比低，而有损图像压缩的压缩比高。所以将这两种压缩法方法结合起来，在保证影像主观质量的同时提高压缩比是医学超声图像压缩的趋势。不同的小波基对相同的图像内容的压缩效率是不同的。对医学超声图像背景区的字符等突变的信号，Haar小波的压缩效果要好于双正交5/3小波等光滑的小波基，但对于成像区域来说，Haar小波不但不能获得高的压缩比，而且解压缩的图像质量较差。基于如上原因，本发明提出一种针对超声图像布局特点的混合小波编码，也就是对成像区域用双正交5/3小波等比较光滑的小波变换，对背景区域采用Haar小波变换这种对字符等突变信号有更好表示能力的小波，然后通过由成像区掩模计算出的小波域掩模将两者结合，统一进行小波系数的编码。本发明在提高压缩比的同时，保证了诊断区域的信息无损。

(三)发明内容

本发明的目的在于提出一种适用于对医学超声图像进行部分有损的压缩，克服了以往的无损小波编码压缩方法中压缩率不高的问题，并保证了图像诊断区域的信息无损性的基于混合小波编码的医学超声图像压缩方法。

本发明的目的是通过以下技术方案实现的：

1)对医学超声图像I进行小波变换，对成像区进行小波变换，即W_IA(I×MI)，对背景区进行小波变换，即W_BG(I×(1-MI)/S)，MI代表成像区形状掩模，函数W表示整数提升小波变换，其下角标IA表示对成像区域进行变换的小波，函数W下角标BG表示对成像区域进行变换的小波，S是尺度参数；

2)根据超声图像的成像区形状掩模MI计算小波域掩模MW，通过小波域掩模MW计算得到图像的混合小波系数；

3)对混合小波系数用小波系数编码算法，基于分层树的集合划分算法进行编码，得到图像压缩结果。

本发明具体包括如下步骤：

第一步，医学超声图像I的小波变换。对成像区进行小波变换，即W_IA(I×MI)。这里MI代表成像区形状掩模，是二值图像，1表示该点像素属于超声图像的成像区，0表示该点像素属于超声图像的背景区。函数W表示整数提升小波变换，其下角标IA表示对成像区域进行变换的小波。对背景区进行小波变换，即W_BG(I×(1-MI)/S)。函数W下角标BG表示对成像区域进行变换的小波。另外，因为背景区除了灰阶通常都是字符，灰度对比大且灰度渐变的区域少，引入尺度参数S来对背景区的灰度进行压缩，这样可以降低小波变换的系数。

第二步，根据超声图像的成像区形状掩模MI计算小波域掩模MW，此小波域掩模分成低频和高频两部分计算。考虑到低频系数在小波变换中比较重要，用对成像区做小波变换的小波函数来计算成像区形状掩模的低频小波系数，从而计算出低频部分的小波域掩模MW_LL，即MW_LL＝255×|W_IA(MI)|_LL|≥1。对于高频部分的三个子带(也就是MW_LH、MW_HL和MW_HH)，由于考虑到诊断用的信息集中于成像的中间部分，所以用成像区形状掩模的Lazy小波变换的高频系数代替，因为Lazy小波变换计算简单，即MW_LH＝W_Lazy(MI)|_LH、MW_HL＝W_Lazy(MI)|_HL和MW_HH＝W_Lazy(MI)|_HH。利用小波域掩模得到图像的混合小波系数C：

             C＝MW×W_IA(I×MI)+(1-MW)×W_BG(I×(1-MI)/S)    (1)

第三步，对混合小波系数用小波系数编码算法(如基于分层树的集合划分算法)进行编码，得到图像压缩结果。

另外，若函数IW表示逆整数提升小波变换，用解压缩的小波系数C恢复图像的公式为：

$\tilde{I}=\mathrm{MI}\×{\mathrm{IW}}_{\mathrm{IA}}(C\×\mathrm{MW})+(1-\mathrm{MI})\×{\mathrm{IW}}_{\mathrm{BG}}(C\×(1-\mathrm{MW})\×S)---\left(2\right)$

本发明首先对医学超声图像的成像区和背景区进行两次不同小波基的小波变换，在对背景区进行小波变换时还引入了一个尺度参数，对背景区的小波系数进行压缩；然后利用由医学超声成像设备决定的图像成像区形状掩模计算出的小波域掩模将两组不同的小波系数组合，此小波域掩模分成两部分计算，一部分是低频小波系数部分的掩模，该部分利用对成像区进行小波变换的相同的小波基，通过对成像区形状掩模进行小波变换得到，另一部分是高频小波系数部分的掩模，该部分通过对成像区形状掩模进行Lazy小波变换得到；最后对混合小波系数用小波系数编码算法(基于分层树的集合划分算法)进行编码，得到图像压缩结果。

本发明针对医学超声图像的特点，使用两种小波混合进行图像压缩。在基于小波变换的图像压缩算法中增加了反映医学超声图像布局特点的小波系数混合方法，使得图像压缩率获得提高。本发明有广泛的应用前景，尤其适用于医学超声图像的远程诊断。

(四)附图说明

图1为本发明实施例中的线阵探头采集的图像；

图2为本发明实施例中的凸阵探头采集的图像；

图3-图8为本发明实施例的实验结果。

(五)具体实施方式

下面结合附图合具体实施例对本发明作进一步的说明：

第一步，医学超声图像I的小波变换。对成像区进行小波变换，即W_IA(I×MI)，对背景区进行小波变换，即W_BG(I×(1-IM)/S)。第二步，根据超声图像的成像区形状掩模MI计算小波域掩模MW，使用式(1)完成计算。第三步，对混合小波系数用小波系数编码算法，基于分层树的集合划分算法进行编码，得到图像压缩结果。

图1-图2的两幅医学超声图像做为实验对象，图像域的成像区形状掩模及生成的小波域形状掩模见图3-图8。其中，图3和图4为图1的成像区掩模和生成的小波域掩模，图5和图6为图2的成像区掩模和生成的小波域掩模，图7为当尺度参数S设置为16时的图1解压缩图像的成像区的损失图像三次插值结果图像，图8当尺度参数S设置为16时的图2解压缩图像的成像区的损失图像。

表1列出了对小波系数进行SPIHT编码的实验结果。另外给出当尺度参数S设置为16时的解压缩图像的成像区的损失图像(白色意味着该处的像素与原图的像素灰度值不同)。从表1来看，成像区的PSNR均超过30，可以接受。图3-8中给出的损失图像表明了成像区域的信息损失均发生在成像区域的边界处，诊断区域得到完好的保存，此结果验证了诊断部分不丢失任何信息的结论。背景区的PSNR虽然随尺度参数的增大而降低，但值仍然比较大(最低时为27.97)，从客观上来说也比较令人满意。从压缩率的角度来说，混合小波表示方案比单小波的压缩率高，且当S增大时由于背景区域的小波系数幅度降低，压缩率增高。

综上所述，对于医学超声图像的有损压缩，本发明的算法在保持诊断信息的同时，能够得到更高的压缩率。

                  表1不同压缩算法结果比较

图像	混合小波				单小波
						成像区的PSNR	S	背景区的PSNR	压缩率	压缩率
	线阵图像	33.44	1	29.01	1.8161						1.6857
2						28.95	1.9433
			4	28.86	2.0301
8						28.66	2.1191
			16	27.97	2.1874
凸阵图像						31.51	1	32.11	1.6597	1.5964
	2	32.01	1.7352
				4	31.74		1.8173
	8	31.29	1.8661
				16	30.11		1.9115

Claims (3)

1、一种基于混合小波编码的医学超声图像压缩方法，其特征在于它包括以下步骤：

1)对医学超声图像I进行小波变换，对成像区进行小波变换，即W_IA(I×MI)，对背景区进行小波变换，即W_BG(I×(1-MI)/S)，MI代表成像区形状掩模，函数W表示整数提升小波变换，其下角标IA表示对成像区域进行变换的小波，函数W下角标BG表示对成像区域进行变换的小波，S是尺度参数；

2)根据超声图像的成像区形状掩模MI计算小波域掩模MW，通过小波域掩模MW计算得到图像的混合小波系数；

3)对混合小波系数采用小波系数编码算法进行编码，得到图像压缩结果。

2、根据权利要求1所述的基于混合小波编码的医学超声图像压缩方法，其特征在于所述的小波域掩模计算步骤包括低频和高频两部分，通过对成像区做小波变换的小波函数来计算成像区形状掩模的低频小波系数，从而计算出低频部分的小波域掩模MW_LL，即MW_LL＝255×|W_IA(MI)|_LL|≥1；高频部分的三个子带MW_LH、MW_HL和MW_HH用成像区形状掩模的Lazy小波变换的高频系数代替，即MW_LH＝W_Lazy(MI)|_LH、MW_HL＝W_Lazy(MI)|_HL和MW_HH＝W_Lazy(MI)|_HH，利用小波域掩模得到图像的混合小波系数C：

C＝MW×W_IA(I×MI)+(1-MW)×W_BG(I×(1-MI)/S)。

3、根据权利要求1或2所述的基于混合小波编码的医学超声图像压缩方法，其特征在于所述的小波系数编码算法为基于分层树的集合划分算法，函数IW表示逆整数提升小波变换，用解压缩的小波系数C恢复图像的公式为：

I＝MI×IW_IA(C×MW)+(1-MI)×IW_BG(C×(1-MW)×S)。

Images