CN101821775A - 用于生成多尺度的对比度增强的图像的方法 - Google Patents

Abstract

在一个或多个尺度下创建图像的至少一个逼近图像。通过逐像素地减去尺度s下的逼近图像的值和所述逼近图像的转变版本的值来创建转变差异图像。对所述一个或多个转变差异图像的值应用非线性修改，以及通过将特定尺度或较小尺度下的所述修改的转变差异图像与权重wi，j结合来计算所述特定尺度下的至少一个增强的中心差异图像。通过将重构算法应用于增强的中心差异图像来计算增强的图像。所述转变差异图像的值的所述非线性修改由(a)从至少一个尺度下的一个或多个所述逼近图像中计算出的一个或多个特性操纵。

Description

用于生成多尺度的对比度增强的图像的方法

技术领域

本发明涉及用于增强由数字信号表示的图像的图像质量的方法。

背景技术

由数字信号表示的图像(例如医学图像)通常在显示或硬拷贝记录期间或之前经受图像处理。

将灰度值像素转换成适合用于再现或显示的值可以包括多尺度(multi-scale)的图像处理方法(也被称为多分辨率图像处理方法)，通过该方法来增强图像的对比度(contrast)。

根据这样的多尺度图像处理方法，通过应用下面的步骤来处理由像素值阵列表示的图像。首先，原始图像被分解成多个尺度下的一系列细节图像并且偶尔会分解成残留图像(residual image)。接着，通过对这些像素值应用至少一个转换来修改该细节图像的像素值。最后，通过将重构(reconstruction)算法应用于残留图像和经过修改的细节图像来计算经过处理的图像。

对转换函数(conversion function)的性能(behavior)存在限制。如果该转换函数过度地非线性，则图像中的灰度值过渡可以被失真成外观变得不自然的程度。在显著的灰度级过渡附近这样的失真更明显，这导致在阶跃边缘(step edge)处的过冲(overshoot)以及面向强阶跃边缘的低变化(variance)区域中的均匀性损耗。对于CT图像来说，创建赝像的风险变得更显著，因为例如在软组织和造影剂的接口(interface)处它们具有更锐化(sharper)的灰度级过渡。必须谨慎地使用关于CT图像的多尺度技术。

在2006年12月11日提交的共同待审的欧洲专利申请06125766.3中已描述了在保持边缘过渡的形状的同时还产生对比度增强的图像的多尺度对比度增强算法。

在该方法的一个实施例中，在一个或多个尺度下创建图像的至少一个逼近图像(approximation image)的转变差异(translationdifference)图像。接着，非线性地修改转变差异图像。然后，通过结合在特定尺度或更小尺度下的修改的转变差异图像来计算在该特定尺度下的至少一个增强的中心差异(center difference)图像。最后，通过将重构算法应用于增强的中心差异图像来计算增强的图像。

本发明的目的是进一步增强这一方法。

发明内容

通过具有在权利要求1中阐述的特定步骤的方法来获得上面提到的进一步增强。在从属权利要求中阐述用于本发明的优选实施例的特定元件。

在本发明的上下文中，按照下面的方式来定义特定术语：

多尺度分解(decomposition)机制：

图像的多尺度(或多分辨率)分解是一种在灰度值图像的多个尺度下来计算所述图像的细节图像的过程。多尺度分解机制通常涉及用于计算细节图像的滤波器组(filter bank)。公知的技术例如是拉普拉斯金字塔(Laplacian pyramid)、Burt金字塔、拉普拉斯堆叠(stack)、小波分解、QMF滤波器组。

逼近图像：

逼近图像是表示相同的或较大的尺度或者相同的或较小的分辨率下的原始灰度值图像的灰度值图像。在特定尺度下的逼近图像等同于在其中已省略在该特定尺度下的所有细节的原始灰度值图像(MallatS.G.，“A Theory for Multiresolution Signal Decomposition：TheWavelet Representation”，IEEE Trans.On Pattern Analysis andMachine Intelligence，vol.11，no.7，July 1989)。

细节图像：

细节图像被定义成在特定尺度下的逼近图像和在较小尺度下的逼近图像之间的信息的差异。

转换运算符(Conversion operator)：

转换运算符是一种生成细节像素值的逐像素(pixel-wise)的修改作为中间步骤以创建灰度值图像的对比度增强的版本的运算符。已在例如欧洲专利EP 527525中描述了这样的运算符。修改由转换函数定义，并且可以例如被实施为查找表或倍增(multiplicative)放大。

转变差异图像：

在尺度s下的转变差异图像是在尺度s下的逼近图像的每个像素中的基本(elementary)对比度的测量。这可以通过采用在尺度s下的逼近图像与转变版本的差异来计算。对于基本对比度的其它计算是可行的，例如像素与相邻像素的比值可以在处理步骤前面是指数变换后面是log变换的情况中使用。

中心差异图像：

中心差异图像是通过将结合(combining)运算符(例如相加)应用于转变差异图像来计算的。

该结合运算符可以是转变差异图像中的相应像素值的线性或非线性函数。

现有技术方法通过由一个或多个特性操纵(steer)转变差异图像的值的非线性修改来增强，所述一个或多个特性是从在至少一个尺度下的逼近图像中计算出的。

进一步描述的这些特性的实例是区域中的平均灰度值、局部标准偏差等等。

另一个实例是在逼近图像中存在预先定义的图像结构或异常图案。这样的图案的实例是乳腺摄影(mammographic)图像的微钙化。

这样的异常图案的检测可以通过从简单的滤波到复杂计算机辅助检测算法的一些技术执行。例如通过二进制局部化遮蔽(mask)，这些异常图案的存在可以被用来操纵非线性修改。

在一个实施例中，在权利要求1中提到的逼近图像在从其中结合转变差异图像之前被滤波。滤波可以基于以相同或较粗略(coarser)尺度下的逼近图像和/或细节图像的特性。

增益调整可以通过对增强的中心差异图像进行滤波来获得。滤波可以基于逼近图像或细节图像的特性。

此外，增强的中心差异图像可以经受逐像素的变换(pixel-wisetransformation)，例如增强的多尺度表示的幅度的归一化。

描述了不同的实施例，其中从在相同尺度下的逼近图像、从原始图像或从不同尺度下的逼近图像的结合中计算出转变差异图像。

本发明通常被实施为计算机程序产品，其适于当在计算机上运行时实施根据权利要求中任何一项所述的方法并且被存储在计算机可读介质上。

本发明的方法可以被应用于增强医学图像(例如乳腺摄影图像、由计算机断层摄影术获得的图像，等等)的图像质量。

将在下面的描述中解释并且将由附图说明本发明的实施例的其它优点和实施方式。

附图说明

图1示出具有两个控制路径的多分辨率图像处理方案。

图2示出高级的增强功能块。

图3和图5说明根据本发明的多分辨率图像处理方法的不同实施方式。

图4说明在图3中说明的多分辨率图像处理方法的图像增强步骤。

图6说明在图5中说明的多分辨率图像处理方法的图像增强步骤。

图7是关于在上面的图中使用的符号的图例。

具体实施方式

本发明的对比度增强算法可以应用于所有的多尺度细节表示方法，通过应用逆变换可以根据其来计算原始图像。

本发明可以应用于可逆的多尺度细节表示，其可以被计算为转变差异图像的加权和。

可以以这样的方式从多尺度分解推导出转变差异图像的加权因子(weighing factor)和变换偏移(offset)，使得所得到的转变差异图像的加权和等于细节像素值。

对于这些多尺度细节表示来说，可以通过在计算加权和之前将变换运算符应用于转变差异来增强对比度。

为了计算转变差异图像的加权和，可以使用在相同尺度(或分辨率水平)下的逼近图像或在较小尺度(或更精细(finer)分辨率水平)下的逼近图像。

现有技术水平的多尺度对比度增强算法将图像分解成多尺度表示，所述多尺度表示包括表示在多尺度下的细节的细节图像以及残留图像。

一些重要的多尺度分解是小波分解、Laplacian-of-Gaussians(或LoG分解)、Difference-of-Gaussians(或DoG)分解以及Burt金字塔。

通过应用高通和低通滤波器的级联接着是二次采样(subsampling)步骤来计算小波分解。

高通滤波器从特定尺度下的逼近图像中提取细节信息。

在Burt金字塔分解中，通过减去在尺度k+1下的逼近图像的上采样(upsampled)版本来从在尺度k下的逼近图像中提取细节信息。

在诸如EP 527525中公开的那种的一种现有技术方法中，通过细节图像中的像素值的转换接着是多尺度重构来创建图像对比度增强的版本。

上面所有的多尺度分解实施方式具有共同的属性。可以通过结合移动邻域中的像素值来从逼近图像中计算出细节图像中的每个像素值。

在上述情况中，结合函数(combining function)是加权和。

对于小波分解，尺度k下的细节图像中的像素值被计算为：

d_k+1＝↓(h_d*g_k)

g_k+1＝↓(l_d*g_k)

其中h_d是高通滤波器，l_d是低通滤波器，*是卷积运算符，且↓是二次采样运算符(即省去(leave out)每个第二行和列(every secondrow and column))。

对于小波重构，将在尺度k下的增强的逼近图像计算为：

h_k＝l_r*(↑h_k+1)+h_r*(↑f(d_k+1))

其中h_r是高通滤波器，l_r是低通滤波器，且↑是上采样运算符(即在任何两行和列之间用值0插入像素)。

对于Burt分解，将在尺度k下的细节图像中的像素值计算为：

d_k＝g_k-4g*(↑g_k+1)

或d_k＝g_k-4g*(↑(↓(g*g_k)))

或d_k＝(l-4g*(↑(↓g)))*g_k

其中g是高斯低通滤波器，且l是恒等运算符。

对于Bur t重构，将在尺度k下的增强的逼近图像计算为：

h_k＝4g*(↑h_k+1)+f(d_k)

其中f(x)转换运算符。

作为加权和的多尺度细节像素值

假设在Burt多尺度分解中，结合系数W_k，l(其中k＝-2，...2且l＝-2，...，2)一起使用5x 5高斯滤波器，二次采样运算符去除每个第二行和列，并且上采样运算符在任何两行和列之间用值0插入像素。

将逼近图像g_k+1中的位置i，j处的像素计算为：

$g_{k+1}(i,j)=\underset{s=-2}{\overset{2}{\mathrm{\Σ}}}\underset{t=-2}{\overset{2}{\mathrm{\Σ}}}{w}_{s,t}{g}_k(2i+s,2j+t)$

将上采样图像u_k中的位置i，j处的像素计算为：

将上采样的平滑图像gu_k中的位置i，j处的像素计算为：

最后，将细节图像d_k中的位置i，j处的像素计算为：

一般来说，细节图像d_k中的位置i，j处的像素计算为在相同或较小尺度k，k-1，k-2，...下的逼近图像中的像素的加权和：

$d_k(i,j)=g_i(\mathrm{ri},\mathrm{rj})-\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}{g}_i(\mathrm{ri}+m,\mathrm{rj}+n)$

其中l∈{0，...，k}，且r＝subsampling_factor^(l-k)(二次采样-因子^(l-k))。

因为

所以可以将细节图像d_k中的位置i，j处的像素计算为：

$d_k(i,j)=g_i(\mathrm{ri},\mathrm{rj})-\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}{g}_i(\mathrm{ri}+m,\mathrm{rj}+n)$

$d_k(i,j)=\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}{g}_i(\mathrm{ri},\mathrm{rj})-\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}{g}_i(\mathrm{ri}+m,\mathrm{rj}+n)$

$d_k(i,j)=c_k(i,j)=\underset{\text{m}}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}(g_i(\mathrm{ri},\mathrm{rj})-g_i(\mathrm{ri}+m,\mathrm{rj}+n))$

项g_i(ri，rj)-g_i(ri+m，rj+n)被称为转变差异。

它表述逼近图像中的中心像素和相邻像素之间的像素值的差。它是局部对比度的量度。

转变差异的加权和被称为中心差异C_k(i，j)。

可以以相似的方式证明其它多尺度分解方法中的细节图像也可以被表示为转变差异图像的结合。

转换运算(conversion operation)

在诸如EP 527525中公开的那种的一种现有技术方法中，通过将转换运算符f(x)应用于细节图像d_k，或者等效地采用下面的等式来获得对比度增强：

$f\left(d_k(i,j)\right)=f(g_i(\mathrm{ri},\mathrm{rj})-\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}{g}_i(\mathrm{ri}+m,\mathrm{rj}+n))$

这样的转换运算符的实例是sigmoid函数。这样的转换运算符的另一个实例是类似于在EP 525527中公开的那种的对比度增强函数。转换运算符的形状取决于对增强的特定需求，其意图将低值细节像素放大得多于高值细节像素。

转换步骤可以引起重构的对比度增强图像中的边缘过渡的形状的变形。原因是转换函数的非线性。

一般来说，将以下应用于非线性函数：

f(x+y)≠f(x)+f(y)

或者

现有技术算法首先将细节图像d_k中的像素值计算为加权和，并且然后应用转换步骤。

通过将细节图像d_k中的像素值重写为转变差异的加权和，有可能在求和之前而不是在之后应用转换步骤。

现在通过将转换步骤应用于转变差异来获得对比度增强：

$f\left(d_k(i,j)\right)=\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{v}_{m,n}f(g_i(\mathrm{ri},\mathrm{rj})-g_i(\mathrm{ri}+m,\mathrm{rj}+n))$

以这种方式来将边缘过渡的形状更好地保持在对比度增强的重构图像中。

假设对于每个尺度k，从全分辨率图像g₀中计算出该尺度下的细节图像，并且将增强应用于中心差异，然后在重构之后最好地保持边缘过渡的形状。

利用在图2、4和6中说明的相应增强步骤来在图1、3和5中说明本发明的不同实施方式。

图1示出具有从相同尺度下的逼近图像中计算出的中心差异图像的多尺度图像成像方案。该图示出用于提供有控制路径的多分辨率图像处理的扩展方案。

功能块A_k

可以利用功能块A_k从逼近图像g_k和/或g_k+1提取出期望的特性。这些特性可以被用作增强块E中的LUT运算以及/或者逼近图像的可选自适应滤波以及/或者增强的中心差异图像的控制输入。

逼近图像可以被用作确定任何有用特性(例如直方图、滤波器系数、标准偏差图像、梯度图像、...)的输入。

这样的特性的实例是计算特定邻域中的平均灰度值的平均滤波器，其产生有可能与灰度值有关的增强。

另一种特性可以是将导致与图像活动(activity)有关的增强的局部标准偏差。

又一个实例是从逼近图像中计算出梯度图像以为了达到减小噪声的目的而执行梯度驱动(gradient-driven)的图像增强。

现有技术的多尺度图像处理方法可以被用来通过对细节图像进行滤波来减小数字图像中的噪声。直接的实施方式是细节图像的局部平均，以便减小由噪声产生的细节系数之间的差异。

然而，这些直接的方法就在保持边缘的同时减小图像中的噪声来说是不令人满意的，例如具有低对比度的小细节会变得甚至更看不到。

更好的结果可以通过对由局部梯度操纵的增强的中心差异图像进行自适应地滤波(例如加权平均)来实现。因此，操纵块A_k可以被用来从逼近图像中计算出梯度图像。

功能块B

功能块B被用来增强残留图像g_L。该块将可选的变换应用于残留图像以便生成在尺度L下的增强的逼近图像h_L。

这样的变换的实例是限制动态范围的增益调整。残留的逼近图像被用作输入，输出是增强的残留图像。

输入图像的像素值范围可能太大而不能以足够的对比度分辨率显示所有图像区域。降低图像中非常低的频率分量相对于高频和中频分量的相对贡献将改善所有相关图像特征的对比度。

图2是在图1中所说明的方法中使用的增强功能块的详细视图。

功能块LUT

该变换块被用来通过修改转变差异d来创建中心差异图像的增强版本。

作为控制输入，可以使用下面的组合：

·A_k-m(g_k-m，↑(g_k+l-m))

·B_g(g_k-m)

·C_k(d_k-m，↑(d_k+l-m))

LUT运算符可以被实施为n维查找表、或者解析函数、或者自适应滤波器、或者前述这些的任何组合。

·输入：(可选地经滤波的)转变差异。

·可选的输入：

οA_k-m(g_k-m，↑(g_k+l-m))

οB_g(g_k-m)

οC_k-m(d_k-m，↑(d_k+l-m))

·输出：增强的转变差异。

·应用：

通常通过放大细微图像特征的对比度来改善数字图像的可视化，并且同时在没有遗漏信息的风险的情况下削弱强分量。

通过生成增强的多尺度中心差异图像来完成这样的对比度均衡化。

对于这样的增强，LUT运算符被用来生成增强的转变差异，并且将这些增强的转变差异结合起来以创建增强的中心差异图像。

可以由从逼近图像或细节图像得到的任何特性来操纵增强的程度。

可以通过使用经滤波的灰度值逼近图像本身B_g(g_k-m)来应用与灰度值有关的增强。例如，与暗区域中的细微对比度相比它可以用来将较亮图像区域中的细微对比度增强得更多(例如使得乳腺摄影图像的精细图像结构在乳腺腺体纤维(fibroglandular)组织中更可见)。

第一可选步骤是逼近图像g_k-m的自适应滤波。可以由Ak(g_k-m，↑(g_k+l-m))形成自适应分量。

逼近图像g_k的灰度值可以直接用作LUT分量的控制输入。

而且操纵分量A_k(g_k-m，↑(g_k+l-m))可以被用作LUT的附加控制输入。

自适应滤波器K_d

功能块K_d是增强的中心差异图像的可选自适应或非自适应滤波。

该自适应滤波器可以基于相同尺度和/或较粗略尺度A_k(g_k-m，↑(g_k+l-m))下的逼近图像的特性，以及/或者相同尺度和/或较粗略尺度C_k(d_k-m，↑(d_k+l-m))下的细节图像的特性。

实例是增强的中心差异图像的自适应平滑，其中操纵输入A_k(g_k-m，↑(g_k+l-m))是例如较粗略尺度下的逼近图像的梯度图像。

·输入：增强的中心差异图像。

·可选的输入：

ο尺度k-m和/或尺度k+l-m下的逼近图像的特性(其中m＝0图1中的多尺度处理方案；其中m＞尺度的数目-1

图3中的多尺度处理方案；对于中间值见图5)。

ο尺度k-m和/或尺度k+1-m下的细节图像的特性(其中m＝0

图1中的多尺度处理方案；其中m＞尺度的数目-1

图1中的多尺度处理方案)。

·输出：经滤波的增强的中心差异图像。

·应用：对比度可以提高到任何可行水平是数字图像处理的最显然优点中的一个。然而，噪声被放大到相同的程度。因为这一原因，优选地引入次级控制机制以减小不期望强对比度增强的区域中的对比度增强的量。

为了这个目的，可以在与局部梯度(从逼近图像A_k(g_k-m，↑(g_k+l-m))得到)垂直的方向上来对增强的中心差异图像进行平滑。这在保持以及甚至增强结果图像中的边缘的同时减小所得到的图像中的噪声。

可选的变换块L_d

功能块L_d将可选的逐像素的变换应用于增强的中心差异图像。

·输入：增强的中心差异图像。

·输出：变换的增强的中心差异图像。

·应用：

在优选的是整体增加所得到的图像的锐度的情况下，这可以通过放大最精细的增强的中心差异图像来实现。

这样的可选变换的另一个实例是增强的中心差异图像的幅度的归一化。

功能块B_g

功能块B_g是在计算中心差异图像之前每个尺度下的逼近图像的可选的自适应或非自适应滤波。

自适应滤波器可以基于相同尺度和/或较粗略尺度A_k(g_k，↑(g_k+1))下的逼近图像的特性，以及/或者相同尺度和/或较粗略尺度C_k(d_k，↑(d_k+1))下的细节图像的特性。

输入：逼近图像。

可选的输入是：

-尺度k-m或尺度k+l-m下的逼近图像的特性(其中m＝0

图1中的多尺度处理方案；其中m＞尺度的数目-1

图3中的多尺度处理方案；对于中间值见图5)。

-尺度k-m和/或尺度k+l-m下的细节图像的特性(其中m＝0

图1中的多尺度处理方案；其中m＞尺度的数目-1

图1中的多尺度处理方案)。

输出：经滤波的逼近图像。

该实施例可以被用作反混淆(anti-aliasing)的度量。

混淆是传统图像增强过程的普遍问题。混淆由逼近图像的下采样和上采样产生。

如果细节图像没有被修改，则在重构过程中这些混淆效果被抵消。然而，如果将自适应滤波和LUT转换应用于细节图像，则在重构过程中不存在混淆效果的适当抵消。这将在增强数字图像中生成赝像。

通过计算增强的中心差异图像而不是直接增强的细节图像来减小这些混淆赝像的出现。

然而，通过在计算转变差异之前对逼近图像g_k进行预滤波来实现甚至更好的图像增强结果。

在图1和图2中示出的实施例中，不存在使用细节系数的控制路径，因为没有计算同样的细节图像。可以从逼近图像得到相似的特性。

细节图像还可以控制自适应滤波器K_d和B_g。

图3示出图1的多分辨率图像处理的相似扩展方案，差异是从原始的全分辨率图像而不是不同的逼近图像来计算出所有的增强转变差异图像。

示出了类似的控制路径。

因为计算效率的缘故可以将重复的二次采样块v^m结合到增强块E中。v^m意味着该块的输入图像被二次采样m次。

图4类似于具有控制路径A_k(g₀)的图2。

图5和图6示出混合的实施方式，它是在图1和图3中示出的多尺度图像处理方案的结合。

这些图包括二次采样以创建金字塔形的多尺度分解。可以省略二次采样以创建漏斗状的分解。

在说明书中，除了图3的全分辨率多尺度图像处理方案之外，A_k和C_k的指数对应于所使用的逼近和细节图像的尺度(尺度k和k+1)。在该最后方案中使用尺度为0下的图像。

Claims (20)

1.一种增强由数字信号表示的图像的对比度的方法，其中：

-在一个或多个尺度下创建至少一个逼近图像，某一尺度下的逼近图像表示其中已经省略该尺度下的所有细节的所述图像的灰度值；

-通过逐像素地减去尺度s下的逼近图像的值和所述逼近图像的转变版本的值来创建转变差异图像；

-对一个或多个所述转变差异图像的值应用非线性修改；

-通过将特定尺度或较小尺度下的所述修改的转变差异图像与权重w_i，j结合来计算所述特定尺度下的至少一个增强的中心差异图像，由此选择所述权重w_i，j，以使得如果不执行增强则获得所述图像的多尺度分解的等效；

-通过将重构算法应用于增强的中心差异图像来计算增强的图像，其中执行下述动作中的至少一个：

(1)所述转变差异图像的值的所述非线性修改由(a)从至少一个尺度下的一个或多个所述逼近图像中计算出的一个或多个特性操纵；

(2)对某一尺度下的所述逼近图像进行滤波以生成经滤波的逼近图像；

(3)对所述增强的中心差异图像进行滤波。

2.根据权利要求1所述的方法，其中所述特性是预定义的图像区域中的平均灰度值。

3.根据权利要求1所述的方法，其中所述特性是局部标准偏差。

4.根据权利要求1所述的方法，其中所述特性是在所述逼近图像中存在预定义的图像结构或异常图案。

5.根据权利要求1所述的方法，其中某一尺度下的所述逼近图像的所述滤波基于所述尺度或较粗略尺度下的逼近图像的特性。

6.根据权利要求1所述的方法，其中所述逼近图像的所述滤波基于所述尺度或较粗略尺度下的细节图像的特性。

7.根据权利要求1所述的方法，其中将逐像素的变换或滤波应用于作为最低尺度下的逼近图像的残留图像。

8.根据权利要求1所述的方法，其中所述增强的中心差异图像的所述滤波基于相同或较粗略尺度下的所述逼近图像的特性。

9.根据权利要求1所述的方法，其中所述增强的中心差异图像的所述滤波被相同或较粗略尺度下的所述细节图像的特性操纵。

10.根据权利要求1所述的方法，其中所述增强的中心差异图像的所述滤波是通过借助于所述尺度或较粗略尺度下的逼近图像的梯度图像来操纵所述滤波而获得自适应平滑。

11.根据权利要求1所述的方法，其中所述增强的中心差异图像经受逐像素的变换。

12.根据权利要求11所述的方法，其中所述变换是所述增强的中心差异图像的幅度的归一化。

13.根据权利要求1所述的方法，其中从相同尺度下的逼近图像中计算出特定尺度下的转变差异图像。

14.根据权利要求1所述的方法，所修改的在于从原始图像中计算出所有所述转变差异图像。

15.根据权利要求1所述的方法，其中从尺度m下的逼近图像中计算出尺度k下的转变差异图像，其中m表示尺度1和尺度k-1之间的尺度。

16.根据权利要求1所述的方法，其中所述中心差异图像和多尺度细节图像相同。

17.根据前述权利要求中任何一项所述的方法，其中所述图像是乳腺摄影图像。

18.根据前述权利要求中任何一项所述的方法，其中所述图像是CT图像。

19.一种适于当在计算机上运行时执行根据前述权利要求中任何一项所述的方法的计算机程序产品。

20.一种包括计算机可执行程序代码的计算机可读介质，该计算机可执行程序代码适于执行根据前述权利要求中任何一项所述的步骤。

Images