CN101727658B - 图像处理方法及装置 - Google Patents

Abstract

本发明提供一种用于对输入图像进行处理的方法和装置。按照本发明的方法和装置，将输入图像分解成本底图象和不同层次的一组细节图象，增强上述一组细节图象，直接对增强的一组细节图象进行降噪滤波，无需预先对增强的一组细节图像的局部区域进行噪声估算，将本底图象和噪声降低的一组细节图象合成，以得到合成图像。由于无需事先进行噪声估算、解剖部位重要性判断、组织边缘估算等步骤，因此简化了图像处理过程，提高了图像处理效率。

Description

图像处理方法及装置

技术领域

本发明涉及一种图像处理方法和装置，更具体地说，涉及对诸如DR(数字X线摄影)图像(包括CR(计算机辅助X线摄影)图像)进行图像增强、图像降噪、及图像动态范围压缩等的处理方法和装置。

背景技术

DR输入图像具有很宽的动态范围，并且DR输入图像的一些细节的对比度也不高。为了清晰地辨认DR输入图像的细节，通常需要对DR输入图像进行图像增强。但在图像增强的同时，图像噪声也增大，这使得图像增强后的图像显得颗粒粗糙，不利于临床诊断要求。因此，在图像增强的同时，也应当进行噪声抑制。

此外，在基本不降低图像的细节的情况下，为了能同时观察到数据值差异很大的多个组织，图像处理过程对图像的动态范围进行压缩及均衡处理。

目前已有许多用于对DR图像(CR图像)进行图像处理的方法。

按照目前的一种包括动态范围压缩在内的多尺度降噪方法，它将需要增强的图像分解成以金字塔形式表示的具有不同尺寸大小的细节图，随着细节图包含的细节尺寸越来越大，图像的大小也变得越来越小，这样在之后的滤波、插值过程中减少计算量。在对每个细节图进行不同程度增强的同时，噪声也不同程度地被放大。为了抑制噪声，该方法进行了噪声估算。其中噪声估算是以图像局部区域内的数据变化方差为依据。由于噪声随着图像区域及所处位置的信号强度而变化，因此，该方法的降噪过程是自适应进行的。此外，该方法涉及的动态范围压缩与细节增强、噪声抑制是并行进行的。为了自适应进行噪声抑制，该方法需要事先利用局部区域信息估算噪声的程度，因此十分复杂。

按照目前的另一种包括动态范围压缩在内的多尺度图像增强方法，它将图像分解成对应细节信息的高频带图像，与只包含数据变化趋势(对应图像明暗变化趋势)的低频带图像，然后，将低频带图像的像素值乘上一个系数，并对结果图像的数据值进行平移，以使得压缩前后图像的均值相同。在该方法中，最后对每一个平移后的像素值再添加一个随此像素值大小做线性或非线性变化的修正量。像素值越小，对应的修正量就越大，以像素值为变量的修正值曲线关于图像均值点位置为奇对称的。然而在该方法中，为解决噪声抑制问题，也需要事先进行噪声估算，及解剖部位重要性判断，组织边缘估算等步骤，加大了计算量。

发明内容

针对现有技术的上述不足，本发明提出了一种基于多尺度的动态范围压缩与噪声抑制的装置和方法。

按照本发明的实施例，提供一种用于对输入图像进行处理的装置，它包括：图像分解单元，用于将所述输入图像分解成本底图象和不同层次的一组细节图象；图像增强单元，用于增强所述一组细节图象；噪声抑制单元，用于降低所增强的一组细节图象的噪声，而不用预先对所述增强的一组细节图像的局部区域进行噪声估算；以及图像重构单元，用于将所述本底图象和噪声降低的一组细节图象合成，以得到合成图像。

按照本发明的实施例，还提供一种用于对输入图像进行处理的方法，它包括以下步骤：图像分解步骤，将所述输入图像分解成本底图象和不同层次的一组细节图象；图像增强步骤，增强所述一组细节图象；噪声抑制步骤，降低所增强的一组细节图象的噪声，而不用预先对所述增强的一组细节图像的局部区域进行噪声估算；以及图像重构步骤，将所述本底图象和噪声降低的一组细节图象合成，以得到合成图像。

这样，无需象现有技术中的包括动态范围压缩在内的多尺度降噪方法或现有技术中的包括动态范围压缩在内的多尺度图像增强方法那样需要事先估算噪声程度、进行噪声估算、解剖部位重要性判断、组织边缘估算等步骤，因此简化了图像处理过程，提高了图像处理效率。

优选地，所述噪声抑制过程通过噪声滤波器来抑制噪声，该滤波器在降低增强的一组细节图像的噪声的同时，能保持所述增强的一组细节图像的细节边缘信息。因此，在简化图像噪声抑制的同时，还较好地保持了图像的细节信息。

优选地，按照所述噪声滤波器，按照所述噪声滤波器，对于当前像素，距离当前像素越近的像素对当前像素的滤波后的值影响越大，与当前像素的值相差越大的像素对当前像素的滤波后的值影响越小。

优选地，所述噪声滤波器利用以下公式来降低所述增强的一组细节图像的噪声：

$L\′\′[p,q]=\frac{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}L\′[p+j,q+k]\·\exp (-\frac{r^2}{3{\mathrm{\σ}}^2}-\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\exp (-\frac{r^2}{3{\mathrm{\σ}}^2}-\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}$

其中L′和L″分别为滤波前后的图像；r为像素(p，q)和像素(p+j，q+k)间的距离，p和q是大于或等于0的整数，j和k为不等于0的整数，j和k的取值取决于滤波器尺寸大小，对于(2x+1)×(2y+1)尺寸的滤波器，|j|≤x且|k|≤y，k和y是正整数；σ是常数，用于控制空间平滑的程度，其值取大于0的实数；t是常数，表示灰度阈值，其值为不大于最大灰度值的正整数。

优选地，对增强的一组细节图像和所述本底图进行动态范围压缩，从而使得在显示整个图像中感兴趣区域的同时，不会降低感兴趣区域的对比度，更进一步地改善了图像质量。

优选地，通过将本底图像与一个均匀图像进行加权平均来进行本底图像的压缩。由此缩小了数据的变化范围，同时不会改变细节的对比度。

优选地，按照以下公式将本底图像与一个均匀图像进行加权平均：

$I_{n-1}^{\′\′}[p,q]=I_{n-1}^{\′}[p,q]*\mathrm{\α}+B[p,q]*(1-\mathrm{\α})$

其中，

和

分别是压缩前后的本底图像，p、q是大于或等于0的整数，α是加权系数，其值可以取0到1之间的实数，B[p，q]是均匀图像，其值为常数，即所述输入图像中感兴趣区域内的像素的均值，所述感兴趣区域可以通过对所述输入图像进行图像分割而得到，n是正整数，表示所述图像分解步骤对输入图像分解的总层次数。

优选地，对于对比度越高的细节图像进行更多的压缩。这样不会太多地影响图像细节的观察。

优选地，按照以下公式对细节图像进行压缩：

$O_i[p,q]=L_i^{\′\′\′}[p,q]*{\mathrm{\β}}_i$

其中，

是压缩前的细节图像，O_i[p，q]是压缩后的细节图像，p和q是大于或等于0的整数，β_i的取值为如下：

${\mathrm{\β}}_i=\left\{\begin{array}{cc}1,& i\≤\mathrm{\τ}\\ 1-\frac{1-\mathrm{\α}}{n-1-\mathrm{\τ}}(i-\mathrm{\τ}),& i>\mathrm{\τ}\end{array}\right.$

n是正整数，表示所述图像分解单元对输入图像分解的总层次数，i表示被压缩的细节图像所在的层次数，τ为常数，取值为0至n之间的整数，α是加权系数，其值可以取0到1之间的实数。

附图说明

图1示出本发明实施例的图像处理系统的示意图。

图2示出本发明实施例的图像获取单元的示意图。

图3示出本发明实施例的图像增强单元的示意图。

图4示出本发明实施例的图像分解单元。

图5示出本发明实施例的动态范围压缩单元。

图6示出动态范围压缩中细节图像所乘系数β_i随细节图像层次i变化的连续曲线图

图7示出本发明实施例的方法流程图。

图8示出可以实施本发明实施例的计算机系统。

具体实施方式

在以下的详细描述中，阐述了大量具体细节以便于全面理解本发明。然而，本领域普通技术人员可以理解，没有这些具体细节也可以实施本发明。另一方面，对众所周知的方法、过程、组件、单元没有进行详细描述，以免使得本发明不明显。

图1示出发明实施例的图像处理系统的示意图，该图像处理系统包括图像获取单元100、图像增强单元200、曲线优化单元300、及图像显示单元400。图像获取单元100用于获取输入图像数据。图像增强单元200用于增强输入图像的细节，以便于清晰地辨认输入图像的细节，图像增强单元处理后的图像的局部效果得到改善。曲线优化单元300用于对增强的图像进行曲线优化变换，以改善图像的全局效果。图像显示单元400用于将处理后的图像显示出来。

图2示出本发明实施例的图像获取单元的示意图。图2所示的图像处理单元100包括的X射线发生器110、准直器120、X射线接收器140。X射线发生器110发射的X射线通过准直器120而穿过被测对象130，穿过被测对象130的射线由X射线接收器接收并转换成输入图像数据。X射线接收器可以是平板或CCD，也可以是CR中的IP板或胶片机等。

图3示出本发明实施例的图像增强单元200的示意图。图像增强单元200包括图像分割单元210、图像分解单元220、图像细节增强单元240、噪声抑制单元250、动态范围压缩单元260、和图像重构单元270。

图像分割单元210用于将图像中具有特定含义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。在本发明的一个实施例中，这些不同的区域可以是被测对象区域和背景区域，被测对象可以是人体或者人体的特定部位，或者，这些不同的区域可以是感兴趣的区域和不感兴趣的区域。例如，图像分割单元210可以将图像获取单元100获取的数字图像进行背景区域分割和准直器区域分割。对于以图2所示图像获取单元200获取的数字图像，背景区域是指射线直接照射的区域，而准直器区域是指被准直器所限定的区域。由于背景区域内的图像的像素值通常比非背景区域内的图像的像素值大很多，对于均匀的背景区域可以简单地在数字图像的直方图中寻找背景区域分割的阈值，对图像获取单元100获取的数字图像通过阈值法进行分割。而对于非均匀的背景区域分割，由于照射强度的各向差异，背景区域内的图像像素值甚至变化比较大，因此需要复杂的分割策略。复杂的分割策略包括区域生长和分裂合并法，特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。其它复杂的图像分割方法还有分类器和聚类法、基于随机场的方法、等等。

图4示出本发明实施例的图像分解单元220。图像分解单元220包括：低通滤波器LPF₀、LPF₁、...LPF_n-2和LPF_n-1，加法器ADD₀、ADD₁、...ADD_n-2和ADD_n-1，以及子采样器SS₀、SS₁、...SS_n-3和SS_n-2。低通滤波器LPF₀、LPF₁、...LPF_n-2和LPF_n-1可以是3×3或5×5的平滑滤波器，例如3×3或5×5高斯滤波核，子采样器SS₀、SS₁、...SS_n-3、SS_n-2可以是1/2子采样器。

低通滤波器LPF₀对输入图像分解单元220的图像I₀进行低通滤波而得到图像S₀，加法器ADD₀将输入图像I₀与经低通滤波器LPF₀滤波后的数字图像S₀相减，得到包含噪声在内的具有最小细节尺寸的细节图像L₀。由于经低通滤波器LPF₀低通滤波后的数字图像S₀的带宽降低了，子采样器SS₀对经低通滤波器LPF₀低通滤波后的数字图像S₀进行子采样，从而得到尺寸缩小后的数字图像I₁。低通滤波器LPF₁对图像I₁进行低通滤波而得到低通滤波后的图像S₁，加法器ADD₁将图像I₁与经低通滤波后的图像S₁相减，得到仍旧包含噪声在内的细节尺寸稍微变大的细节图像L₁。对S₁进行子采样，得到尺寸缩小后的图像I₂。依次类推，...。子采样器SS_n-3对图像S_n-3进行子采样，得到尺寸进一步缩小的图像I_n-2。低通滤波器LPF_n-2对数字图像I_n-2进行低通滤波而得到低通滤波后的图像S_n-2，加法器ADD_n-2将图像I_n-2与经低通滤波后的图像S_n-2相减，得到数字图像L_n-2。子采样器SS_n-2对图像S_n-2进行子采样，得到尺寸进一步缩小的图像I_n-1。依此方法，输入图像I₀被分解为多层次的细节数字图像L₀、L₁、...、L_n-2、及最终的本底图I_n-1。

图像细节增强单元240对经上述图像分解单元220分解后的细节图像L_i(i＝0，1，...，n-2)中的每一像素进行增强处理。例如，可以利用一个单调递增奇对称函数对各细节图像L_i进行变换，从而得到细节增强的图像L_i′。上述单调递增奇对称函数在自变量比较小的位置处具有最大的梯度，而距离具有最大梯度值的位置越远的两旁，该单调递增奇对称函数的梯度则越来越小。

在图像细节增强单元240对细节图像L_i进行增强处理的同时，伴随在细节图像中的噪声也被放大。按照本发明的一个实施例，噪声抑制单元250直接对各细节图像进行降低噪声的处理。而在现有技术的图像处理方法中，在对细节增强的图像的噪声进行抑制的过程中，首先要获得细节图像的局部方差信息，然后，利用局部方差信息来估算当前位置的噪声抑制程度，从而依据该噪声抑制程度进行噪声抑制。由于本发明的噪声抑制单元250直接对细节图像进行降低噪声的处理，这样简化了噪声抑制过程。

按照本发明的一个优选实施例，噪声抑制单元250直接利用噪声滤波核对细节图像进行滤波。该噪声滤波核在降低细节图像中的噪声的同时，能保持细节图像中的重要细节边缘信息。本发明的噪声滤波核可以是3×3噪声滤波核、或5×5噪声滤波核、或其它尺寸的噪声滤波核。按照本发明实施例的噪声滤波器，对于当前像素，距离当前像素越近的像素对当前像素的滤波后的值影响越大，与当前像素的值相差越大的像素对当前像素的滤波后的值影响越小。假设L′表示滤波前的细节数字图像，而L″表示滤波后的细节图像，这样，L′[p，q]表示滤波前的像素，L″[p，q]表示滤波后的像素。那么，对于噪声滤波核而言，当值L′[p+j，q+k]接近L′[p，q]时，L′[p+j，q+k]对L′[p，q]的影响远大于那些与L′[p，q]相差比较大的像素的影响。因此，在采用噪声滤波核对细节图像进行滤波时，在有效抑制细节图像的噪声的同时，图像L″能适当保持L′中的重要细节边缘信息。

以下公式(1)是可以实现在保持细节图像中重要细节边缘信息的同时有效降低细节图像中的噪声的滤波函数。

$L\′\′[p,q]=\frac{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}L\′[p+j,q+k]\·\exp (-\frac{r^2}{3{\mathrm{\σ}}^2}-\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\exp (-\frac{r^2}{3{\mathrm{\σ}}^2}-\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}$     ......公式(1)

其中L′和L″分别为滤波前后的图像；r为像素(p，q)和像素(p+j，q+k)间的距离，r例如为1、2、3、...等，p、q是大于或等于0的整数，j和k为不等于0的整数，j和k的取值取决于滤波器尺寸大小，对于(2x+1)×(2y+1)尺寸的滤波器，|j|≤x且|k|≤y，k和y是正整数；σ是常数，用于控制空间平滑的程度，其值取大于0的实数；t是常数，表述灰度阈值，其值为正整数，可以取小于最大灰度值的正整数。当值L′[p+j，q+k]接近L′[p，q]时，L′[p+j，q+k]对L′[p，q]的影响远大于那些与L′[p，q]相差比较大的像素的影响，因此，图像L″能保留L′中的重要细节边缘信息。

本领域技术人员在阅读了本申请文件之后还能够明了，也可以用其它公式来实现在保持细节图像中重要细节边缘信息的同时有效降低细节图像中的噪声的滤波函数，例如，通过以下公式(1’)来实现在保持细节图像中重要细节边缘信息的同时有效降低细节图像中的噪声的滤波函数。

$L\′\′[p,q]=\frac{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\frac{L\′[p+j,q+k]}{1+{(\frac{r^2}{3{\mathrm{\σ}}^2}+\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}^h}}{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\frac{1}{1+{(\frac{r^2}{3{\mathrm{\σ}}^2}+\frac{{(L\′[p+j,q+k]-L\′[p,q])}^2}{t^2})}^h}}$       ......公式(1′)

其中L′和L″分别为滤波前后的图像；r为像素(p，q)和像素(p+j，q+k)间的距离，r例如为1、2、3、...等，p、q是大于或等于0的整数，j和k为不等于0的整数，j和k的取值取决于滤波器尺寸大小，对于(2x+1)×(2y+1)尺寸的滤波器，|j|≤x且|k|≤y，k和y是正整数；σ是常数，用于控制空间平滑的程度，其值取大于0的实数；t是常数，表述灰度阈值，其值为正整数，可以取小于最大灰度值的正整数。当值L′[p+j，q+k]接近L′[p，q]时，L′[p+j，q+k]对L′[p，q]的影响远大于那些与L′[p，q]相差比较大的像素的影响，因此，图像L″能保留L′中的重要细节边缘信息；h是正整数。

进一步地，可以在上述噪声抑制单元250中控制噪声的抑制程度。按照本发明的一个实施例，利用细节图像中的像素所对应的本底图中相应像素的值，来控制噪声的抑制程度，随本底图中像素的值变化的反映噪声抑制程度的曲线可以事先定义，这可通过各种公知的方式来进行。

动态范围压缩单元260对经细节增强的细节图像进行动态压缩处理，从而缩小数字图像的变化范围，使得在显示最终经图像重构的图像的同时，尽可能地不降低重构的图像的对比度。

图5示出本发明实施例的动态范围压缩单元260。动态范围压缩单元260包括图像扩展单元261、细节数字图像压缩单元262、本底图压缩单元263。图像扩展单元261对经图像细节增强单元240进行增强处理和经噪声抑制单元250进行噪声降低处理的细节图像L″₀、L″₁、...、L″_n-2、I_n-1进行尺寸扩展，得到尺寸与输入图像I₀的尺寸相同的图像L″′₀、L″′₁、...、L″′_n-2、I′_n-1。尺寸扩展例如可以通过图像插值方式得到。

由于本底图像I_n-1只反映图像的大体变化趋势，即图像的明暗变化趋势，基本上不反映图像的细节信息。在本发明的一个实施例中，将扩展后的本底图I′_n-1与一均匀数字图像进行加权平均，从而缩小数据的变化范围，得到压缩后的本底图像I″_n-1，同时不会改变图像的细节的对比度。均匀数字图像的像素的值可以是输入图像中被测对象区域(或者感兴趣区域)内的像素的均值，通过对图像分割单元210中分割出的被测对象区域(或者感兴趣区域)的像素的值求平均，得到被测对象(或者感兴趣区域)内的像素的均值。按照本发明进一步的实施例，压缩后的本底图I″_n-1由以下公式计算得到。

$I_{n-1}^{\′\′}[p,q]=I_{n-1}^{\′}[p,q]*\mathrm{\α}+B[p,q]*(1-\mathrm{\α})$     ......公式(2)

其中，

和

分别是压缩前后的本底图像，p、q是大于或等于0的整数，α是加权系数，其值可以取0到1之间的实数，B[p，q]是均匀图像，其值为常数，即所述输入图像中感兴趣区域内的像素的均值，所述感兴趣区域可以通过对所述输入图像进行图像分割而得到，n是正整数，表示所述图像分解步骤对输入图像分解的总层次数。

具有较大尺寸的细节图像的细节的对比度已比较高，更多地降低这些细节图像的对比度，不会太多地影响到对图像的细节的观察。在本发明的一个实施例中，对具有较高对比度的那些细节图像的对比度进行了更多的压缩。细节图像压缩单元262对尺寸扩展的数字图像L″′₀、L″′₁、...、L″′_n-2进行压缩，从而得到压缩后的细节图像O₀、O₁、...、和O_n-2

在本发明的一个实施例中，对尺寸扩展的数字图像L″′₀、L″′₁、...、L″′_n-2的压缩由以下公式(3)得到。

$O_i[p,q]=L_i^{\′\′\′}[p,q]*{\mathrm{\β}}_i$      ......公式(3)

其中，

是压缩前的细节图像，O_i[p，q]是压缩后的细节图像，p和q是大于或等于0的整数，β_i的取值为如下：

${\mathrm{\β}}_i=\left\{\begin{array}{cc}1,& i\≤\mathrm{\τ}\\ 1-\frac{1-\mathrm{\α}}{n-1-\mathrm{\τ}}(i-\mathrm{\τ}),& i>\mathrm{\τ}\end{array}\right.$

n是正整数，表示所述图像分解单元对输入图像分解的总层次数，i表示被压缩的细节图像所在的层次数，τ为常数，取值为0至n之间的整数，α是加权系数，其值可以取0到1之间的实数。

图6示出动态范围压缩中细节图像所乘系数β_i随细节图像层次i变化的连续曲线图。

图像重构单元270对压缩后的各细节图像O₀、O₁、...、O_n-2和压缩后的本底图I″_n-1进行合成，从而得到重构的数字图像OUT[p，q]。公式(5)给出了图像重构单元270重构图像的公式。

$\mathrm{OUT}[p,q]={I\′\′}_{n-1}[p,q]+\underset{i}{\mathrm{\Σ}}{O}_i[p,q]$    ......公式(5)

其中，i的取值为0至(n-2)，n是正整数，表示所述图像分解单元对输入图像分解的总层次数。

图像增强处理对图像的局部效果有较好的改进。为了得到较好的全局效果，曲线优化单元300对重建的图像OUT[p，q]进行曲线优化。在本发明的一个实施例中，这个优化曲线可以是S型曲线。可以采用公知的曲线优化算法对重构的图像进行优化处理。

图7示出本发明实施例的方法流程图。

在步骤710，获取输入图像。这可通过各种图像获取方式来获取图像，例如，结合图2描述的图像获取方式等。

在步骤720，对输入图像进行分割，以得到被测对象区域(或者感兴趣区域)和背景区域，可通过各种方式进行图像分割，例如通过阈值法进行分割、通过区域生长和分裂合并法进行分割、通过分类器和聚类法进行分割、基于随机场的方法进行分割、等等。

在步骤730，对图像进行分解，例如以结合图4描述的方式将图像分解成多层次的细节图像及最后的本底图，多层次的细节图像及最后的本地图的尺寸各不相同，其中本底图的尺寸最小，尺寸最大的细节图像与输入图像的尺寸相同。

在步骤740，对分解的各层次的细节图像进行增强处理，例如可以利用一个单调递增奇对称函数对各细节图像进行变换，从而得到细节增强的图像。上述单调递增奇对称函数在自变量比较小的位置处具有最大的梯度，而距离具有最大梯度值的位置越远的两旁，该单调递增奇对称函数的梯度则越来越小。

在步骤750，对增强处理后的各细节图进行噪声抑制，例如，直接利用噪声滤波核对细节图像进行滤波。该噪声滤波核在降低细节图像中的噪声的同时，能保持细节图像中的重要细节边缘信息。本发明的噪声滤波核可以是3×3噪声滤波核、或5×5噪声滤波核、或其它尺寸的噪声滤波核。

在步骤760，对尺寸缩小的各细节图像及本底图进行尺寸扩展，使得扩展后的尺寸与输入图像的尺寸相同。对尺寸缩小的各细节图像及本底图进行尺寸扩展可以通过插值的方式来实现。

在步骤770，对尺寸扩展后的各细节图像及本底图进行压缩，其中可以对具有较高对比度的那些细节图像的对比度进行了更多的压缩，例如可以按照公式(2)和公式(3)分别对本底图和各细节图像进行压缩。

在步骤780，对压缩后的各细节图像和本底图进行合成，例如按照公式(5)的形式进行合成，得到合成的图像。

在步骤790，对合成的图像进行显示。

图8示出可以实施本发明实施例的计算机系统800。计算机系统800包括处理器801、存储器802、输入/输出装置803、图像显示器804、通信接口805。本发明的方法可以实施为计算机程序，该计算机程序可以存储在存储器802中，或者存储在计算机可存取的其它介质中，或者存储在其它计算机系统中。存储在计算机可存取的其它介质中的计算机程序可通过输入/输出装置803存取，存储在其它计算机系统中计算机程序可用过通信接口805存取。该计算机程序在计算机系统800中运行时使得计算机系统800执行本发明的图像处理方法。

本发明可广泛应用在医疗影像设备、数码摄像产品、工业及科学仪器等方面。例如，本发明在医疗影像中的应用得到了大量临床验证，取得了良好的效果。

以上结合附图对本发明的实施例进行了描述，旨在使得本发明被更全面地被理解。需要指出的是，本说明书是说明性的而不是限制性的，本领域技术人员在阅读本说明书之后，可以对本发明实施例进行各种修改、变更、替代等，而不会偏离本发明的精神。例如，上述实施例中细节图像的滤波降噪过程可以对应新的保持细节边缘信息的滤波函数，动态范围压缩中细节图像所乘的反映系数变化规律的函数曲线也可以是其它的曲线。本发明的保护范围由所附权利要求书来限定。

Claims (16)

1.一种用于对输入图像进行处理的装置，包括：

图像分解单元，用于将所述输入图像分解成本底图象和不同层次的一组细节图象，

图像增强单元，用于增强所述一组细节图象，

噪声抑制单元，用于降低所增强的一组细节图象的噪声，而不用预先对所述增强的一组细节图像的局部区域进行噪声估算，以及

图像重构单元，用于将所述本底图象和噪声降低的一组细节图象合成，以得到合成图像

其中，所述噪声抑制单元是噪声滤波器，按照所述噪声滤波器，对于当前像素，距离当前像素越近的像素对当前像素的滤波后的值影响越大，与当前像素的值相差越大的像素对当前像素的滤波后的值影响越小。

2.如权利要求1所述的装置，其中，所述噪声滤波器在降低所述增强的一组细节图像的噪声的同时，能保持所述增强的一组细节图像的细节边缘信息。

3.如权利要求1所述的装置，其中，所述噪声滤波器利用以下公式来降低所述增强的一组细节图像的噪声：

$L^{\′\′}[p,q]=\frac{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}{L}^{\′}[p+j,q+k]\·\exp (-\frac{r^2}{{3_{\mathrm{\σ}}}^2}-\frac{{\left(L^{\′}\right[p+j,q+k]-L^{\′}[p,q\left]\right)}^2}{t^2})}{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\exp (-\frac{r^2}{{3_{\mathrm{\σ}}}^2}-\frac{{\left(L^{\′}\right[p+j,q+k]-L^{\′}[p,q\left]\right)}^2}{t^2})}$

其中L′和L″分别为滤波前后的图像；r为像素(p，q)和像素(p+j，q+k)间的距离，p和q是大于或等于0的整数，j和k为不等于0的整数，j和k的取值取决于滤波器尺寸大小，对于(2x+1)×(2y+1)尺寸的滤波器，|j|≤x且|k|≤y，k和y是正整数；σ是常数，用于控制空间平滑的程度，其值取大于0的实数；t是常数，表示灰度阈值，其值为不大于最大灰度值的正整数。

4.如权利要求1-3中任意一项所述的装置，还包括动态范围压缩单元，所述动态范围压缩单元用于对增强的一组细节图像和所述本底图进行动态范围压缩。

5.如权利要求4所述的装置，其中，所述动态范围压缩单元通过将本底图像与一个均匀图像进行加权平均来进行本底图像的压缩。

6.如权利要求5所述的装置，其中，所述动态范围压缩单元按照以下公式将本底图像与一个均匀图像进行加权平均：

I″_n-1[p，q]＝I′_n-1[p，q]*α+B[p，q]*(1-α)

其中，I′_n-1[p，q]和I″_n-1[p，q]分别是压缩前后的本底图像，p、q是大于或等于0的整数，α是加权系数，其值可以取0到1之间的实数，B[p，q]是均匀图像，其值为常数，即所述输入图像中感兴趣区域内的像素的均值，所述感兴趣区域可以通过对所述输入图像进行图像分割而得到，n是正整数，表示所述图像分解单元对输入图像分解的总层次数。

7.如权利要求1-3中任意一项所述的装置，还包括动态范围压缩单元，所述动态范围压缩单元对于对比度越高的细节图像进行更多的压缩。

8.如权利要求7所述的装置，其中，所述动态范围压缩单元按照以下公式对细节图像进行压缩：

O_i[p，q]＝L″′_i[p，q]*β_i

其中，L″′_i[p，q]是压缩前的细节图像，O_i[p，q]是压缩后的细节图像，p和q是大于或等于0的整数，β的取值为如下：

${\mathrm{\β}}_i=\left\{\begin{array}{cc}1,& i\≤\mathrm{\τ}\\ 1-\frac{1-\mathrm{\α}}{n-1-\mathrm{\τ}}(i-\mathrm{\τ}),& i>\mathrm{\τ}\end{array}\right.$

n是正整数，表示所述图像分解单元对输入图像分解的总层次数，i表示被压缩的细节图像所在的层次数，τ为常数，取值为0至n之间的整数，α是加权系数，其值可以取0到1之间的实数。

9.一种用于对输入图像进行处理的方法，包括以下步骤：

图像分解步骤，将所述输入图像分解成本底图象和不同层次的一组细节图象，

图像增强步骤，增强所述一组细节图象，

噪声抑制步骤，降低所增强的一组细节图象的噪声，而不用预先对所述增强的一组细节图像的局部区域进行噪声估算，以及

图像重构步骤，将所述本底图象和噪声降低的一组细节图象合成，以得到合成图像，

其中，所述噪声抑制步骤是利用噪声滤波器进行噪声滤波的步骤，按照所述噪声滤波的步骤，对于当前像素，距离当前像素越近的像素对当前像素的滤波后的值影响越大，与当前像素的值相差越大的像素对当前像素的滤波后的值影响越小。

10.如权利要求9所述的方法，其中，在所述噪声滤波的步骤中，在降低所述增强的一组细节图像的噪声的同时，能保持所述增强的一组细节图像的细节边缘信息。

11.如权利要求9所述的方法，其中，所述噪声滤波的步骤利用以下公式来降低所述增强的一组细节图像的噪声：

$L^{\′\′}[p,q]=\frac{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}{L}^{\′}[p+j,q+k]\·\exp (-\frac{r^2}{{3_{\mathrm{\σ}}}^2}-\frac{{\left(L^{\′}\right[p+j,q+k]-L^{\′}[p,q\left]\right)}^2}{t^2})}{\underset{j\≠0,k\≠0}{\mathrm{\Σ}}\exp (-\frac{r^2}{{3_{\mathrm{\σ}}}^2}-\frac{{\left(L^{\′}\right[p+j,q+k]-L^{\′}[p,q\left]\right)}^2}{t^2})}$

其中L′，L″分别为滤波前后的图像；r为像素(p，q)和像素(p+j，q+k)间的距离，p和q是大于或等于0的整数，j和k为不等于0的整数，j和k的取值取决于滤波器尺寸大小，对于(2x+1)×(2y+1)尺寸的滤波器，|j|≤x且|k|≤y，k和y是正整数；σ是常数，用于控制空间平滑的程度，其值取大于0的实数；t是常数，表示灰度阈值，其值为不大于最大灰度值的正整数。

12.如权利要求9-11中任意一项所述的方法，还包括动态范围压缩步骤，对增强的一组细节图像和所述本底图进行动态范围压缩。

13.如权利要求12所述的方法，其中，所述动态范围压缩步骤通过将本底图像与一个均匀图像进行加权平均来进行本底图像的压缩。

14.如权利要求12所述的方法，其中，所述动态范围压缩步骤按照以下公式将本底图像与一个均匀图像进行加权平均：

I″_n-1[p，q]＝I′_n-1[p，q]*α+B[p，q]*(1-α)

其中，I′_n-1[p，q]和I″_n-1[p，q]分别是压缩前后的本底图像，p、q是大于或等于0的整数，α是加权系数，其值可以取0到1之间的实数，B[p，q]是均匀图像，其值为常数，即所述输入图像中感兴趣区域内的像素的均值，所述感兴趣区域可以通过对所述输入图像进行图像分割而得到，n是正整数，表示所述图像分解步骤对输入图像分解的总层次数。

15.如权利要求9-11中任意一项所述的方法，还包括动态范围压缩步骤，所述动态范围压缩步骤对于对比度越高的细节图像进行更多的压缩。

16.如权利要求15所述的方法，其中，所述动态范围压缩步骤按照以下公式对细节图像进行压缩：

O_i[p，q]＝L″′_i[p，q]*β_i

其中，L″′_i[p，q]是压缩前的细节图像，O_i[p，q]是压缩后的细节图像，p和q是大于或等于0的整数，β_i的取值为如下：

${\mathrm{\β}}_i=\left\{\begin{array}{cc}1,& i\≤\mathrm{\τ}\\ 1-\frac{1-\mathrm{\α}}{n-1-\mathrm{\τ}}(i-\mathrm{\τ}),& i>\mathrm{\τ}\end{array}\right.$

n是正整数，表示所述图像分解单元对输入图像分解的总层次数，i表示被压缩的细节图像所在的层次数，τ为常数，取值为0至n之间的整数，α是加权系数，其值可以取0到1之间的实数。

Images