CN102637292B - 一种图像的处理方法和装置 - Google Patents

Abstract

本发明公开了一种图像的处理方法，该方法包括：对原始的X光图像进行动态范围压缩；将所述经过动态范围压缩的图像分解成至少两个不同尺度的图像成分；分别对所述多个图像成分进行各向异性扩散处理；利用经过各向异性扩散处理的所述多个图像成分进行图像重建，生成最终图像。本发明还公开了采用上述方法的图像处理装置。由以上技术方案可以看出，本发明的图像处理的方法和装置利用多域知识进行图像增强，将图像分解为多个不同尺度的图像成分，分别对各图像成分进行各向异性扩散，可以达到增强有用信息的同时有效抑制无用信息的结果，很好地解决了现有技术存在的增强有用信息与抑制无用信息二者无法兼顾的问题。

Description

一种图像的处理方法和装置

技术领域

本发明涉及图像的处理技术，特别是涉及一种对原始X光图像，尤其是血管造影图像进行处理的方法和装置。

背景技术

随着介入放射学的快速发展，血管造影成像（angiographic images）已经成为临床的一种重要的诊断方法。血管造影是指将造影剂引入靶血管内，使目的血管显影，从而达到诊断目的，当前血管造影在疾病诊断治疗，尤其是介入诊断治疗中起着不可替代的作用。血管造影在头颈部及中枢神经系统疾病、心脏大血管疾病、及肿瘤和外周血管疾病的诊断和治疗中都发挥着重要作用。但是，由于人体位置的挪动、软组织或器官的运动、对比介质不均衡的分布以及X光的不均匀曝光，都会使最终的图像中出现血管和背景的边界对比度低，伴随复杂的噪声和伪影。所有这些因素会直接导致部分或整个血管树（vessel tree）结构模糊，最终导致诊断的准确性降低。

为了改善图像质量，本领域的人员已经进行了很多尝试，比如采用图像增强的方法力图增强图像中边界的对比度，使血管部分更加清晰。现有的增强图像的方法主要有两类：基于频率的方法以及基于空间的方法。基于频率的方法，比如多尺度Retinex（MSR，Multi-scale Retinex）、离散小波变换（DWT，DiscreteWavelet Transform），是将图像分解成不同的频率的部分并对某些频率的部分增加权重，以增强边界的对比度。基于空间的方法主要是在空域内对图像进行滤波的处理。

但是，采用上述的增强图像的方法无法在增强有用信息的同时抑制无用信息。有用信息主要包括边缘和纹理，无用信息是指噪声和伪影等。这是因为，若采用基于空间的方法，在空间域内对噪声进行平滑，同时也容易平滑边缘和纹理；若采用基于频率的方法，在频率域内的处理虽然避免了过度平滑的效应并增强了边缘，但往往噪声也随之增强了。

发明内容

本发明实施例提供了一种图像处理的方法，以在增强图像中的有用信息的同时，有效地抑制图像中的无用信息。

本发明实施例还提供了一种图像处理的装置，以能够增强图像中的有用信息，同时有效地抑制图像中的无用信息。

本发明实施例提供的图像处理方法包括：

对原始的X光图像进行动态范围压缩；

将所述经过动态范围压缩的图像分解成至少两个不同尺度的图像成分；

对所述图像成分进行各向异性扩散处理；其中：采用如下扩散函数对所述至少两个不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

$S_n=\left|\right|\▿I(x,y)\left|\right|/{\mathrm{\β}}_n$

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

利用经过各向异性扩散处理的所述图像成分进行图像重建，生成最终图像。

本发明实施例提供的另一种图像处理方法包括：

将原始的X光图像分解成至少两个不同尺度的图像成分；

对所述图像成分进行各向异性扩散处理；其中：采用如下扩散函数对所述至少两个不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

$S_n=\left|\right|\▿I(x,y)\left|\right|/{\mathrm{\β}}_n$

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

利用经过各向异性扩散处理的所述图像成分进行图像重建；

对重建后的图像进行动态范围压缩，生成最终图像。

本发明实施例提供的图像处理装置包括：

动态范围压缩模块，用于对输入本模块的图像进行动态范围压缩；

多尺度分解模块，用于将输入本模块的图像分解为不同尺度的图像成分；

扩散处理模块，用于对输入本模块的图像成分分别进行各向异性扩散处理；其中，所述扩散处理模块具体用于采用如下扩散函数对输入本模块的不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

$S_n=\left|\right|\▿I(x,y)\left|\right|/{\mathrm{\β}}_n$

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

重建模块，用于将经过各向异性扩散处理的图像成分重建成最终图像；

其中，输入所述动态范围压缩模块的图像为原始的X光图像，输入所述多尺度分解模块的图像为所述动态范围压缩模块输出的图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分；或者输入所述多尺度分解模块的图像为原始的X光图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分，输入所述动态范围压缩模块的图像为所述重建模块输出的图像。

由以上技术方案可以看出，本发明实施例提供的图像处理的方法和装置，将图像分解为多个不同尺度的图像成分，分别对各图像成分分别进行各向异性扩散处理，由于不同尺度的图像成分在频域中处于不同的频带，包含了不同的图像信息，将多个图像成分分别进行扩散处理，可以达到增强有用信息的同时有效抑制无用信息的结果，很好地解决了现有技术存在的增强有用信息与抑制无用信息二者无法兼顾的问题。

附图说明

下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，相同的标号表示相同的部件，附图中：

图1是根据本发明实施例一的图像处理的方法流程图；

图2是表示了X光图像的动态范围以及人类可视范围的局限；

图3是利用直方图进行背景灰度配准的示意图；

图4是利用拉普拉斯金字塔（LP）进行多尺度分解的示意图；

图5是根据本发明实施例一的扩散处理中扩散系数λ₁和λ₂函数的曲线示意图；

图6是根据本发明实施例二的图像处理的方法流程图；

图7是根据本发明实施例三的图像处理的方法流程图；

图8是根据本发明实施例四的图像处理的装置结构示意图；

图9是根据本发明实施例五的图像处理的装置结构示意图；

图10是根据本发明实施例六的图像处理的装置结构示意图；

图11是根据本发明实施例七的图像处理的装置结构示意图；

图12显示了采用本发明的图像处理方法的处理结果和其他方法的处理结果的对照图，（a）是原始的图像数据；（b）是经过了本发明的图像处理的图像数据；（c）是经过MSR处理后的图像数据，图7（d）是经过LHE处理后的图像数据。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合具体的实施例对本发明进行详细的说明。

实施例一

图1是本发明实施例一的图像的处理方法的流程图。本实施例仅以X光血管造影图像进行举例说明，但是并不限制本发明的范围，本实施例还可以应用于其它X光图像的处理。从图1可以看出，实施例一的图像的处理方法包括以下步骤：

步骤101，对原始的X光血管造影图像进行动态范围压缩。

不同于图像深度仅有255的超声图像，X光图像具有高达几千的动态范围，远远超过人的感官辨识能力。图2表示了X光图像的动态范围以及人类可视范围的局限。

为了让X光图像中所有的强度区别能让人眼识别，本实施例优选采用高动态范围压缩（HDRC，HighDynamic Range Compression）方法。具体例如为，采用基于两个双边滤波器（BF，Bilateral Filter）的HDRC方法。BF是适应性的非线性滤波器，在滤波的时候，选取当前象素周围的相邻象素，根据这些相邻象素与当前象素之间的距离，以及相邻象素强度来计算得到新的当前象素的象素值。在本实施例中，BF计算出的每一个象素l₁[k,j]的象素值，是其自身与其相邻的2×p+L个象素的象素值的加权平均值，定义如下：

$l_1[k,j]=\underset{m=-p}{\overset{P}{\mathrm{\Σ}}}\underset{n=-p}{\overset{P}{\mathrm{\Σ}}}a[m,n,k,j]s[k-m,j-n]---\left(1\right)$

其中s[k-m,j-n]是以象素(k,j)为中心的窗内的象素的象素值，a[m,n,k,j]是加权系数函数：

$a[m,n,k,j]=\frac{\exp (-\frac{m^2+n^2}{{2\mathrm{\σ}}_s^2}-\frac{{\left(s\right[k-m,j-n]-s[k,j\left]\right)}^2}{{2\mathrm{\σ}}_r^2})}{Z[k,j]}---\left(2\right)$

BF为每个相邻象素设定一个加权值，每个相邻象素的加权值反比于该相邻象素与中心象素的欧式距离(m²+n²)，并反比于该相邻象素与中心象素之间灰度差。参数σ_r和σ_s是BF的属性。Z[k,j]将这些加权值之和归一化，即使加权值之和为1。其中的k,j,m,n,p都是正整数。

使用两个BF将输入的图像分解为基础层（basic layer）和细节层（detailed layer）。基础层图像是直接在原始的X光图像上用BF滤波得到的，细节层则是原始的X光图像被基础层除之后得到的。基础层包含了基础的亮度信息，细节层包含了几乎所有的边缘信息。之后，在数域（Log domain）使用一个比例因子（scale factor）将基础层压缩。该比例因子可以是根据用户需求设定的或者变化的，因此整个基础层的范围能够被压缩到一个用户指定的范围水平。细节层将保持不变。HDRC的最终输出是两层的结合。

经过HDRC处理，弥散（blooming）白效应得到抑制，此时白区域和黑区域的区别明显可见。此时，得到的图像的动态范围为人眼可视范围。例如，得到的图像的动态范围为0～255。

步骤102，对经过动态范围压缩处理的图像进行去闪烁处理。

仍以HDRC为例进行说明。在X光图像为一系列的X光图像时，进一步还可以对HDRC处理后的图像进行去闪烁处理。在本实施例中，例如可以采用背景灰度配准技术进行去闪烁处理。

在原始的X光图像中，单个象素的灰度值可能看似异常，例如，比背景颜色更深或者特别亮。这可能来源于电子干扰。然而，这些少量的灰度异常的象素可使压缩后的图像具有闪烁效应。为了避免这种闪烁效应，在HDRC之后进行去闪烁处理。本实施例提供的方法基于以下假设，在同一X光图像系列中，系列中的多幅图像应具有相同的有效动态范围。其中，有效动态范围指背景的平均强度与图像最亮区域的平均强度之间的范围。

本实施例中采用增益-偏差方法，通过找到图像中最大和最小值对灰度值进行调节。图3是利用直方图进行去闪烁处理的示意图。首先，画出图像系列中每幅图像的直方图。从直方图可以看出，极亮和极暗的象素数量比较少，可以简单地采用全部象素的百分之一作为阈值，来对直方图进行剪裁（clipping）。然后，检测每幅图像的最小到最大值之间的显示范围，并将这些图像的灰度在直方图中配准到设定的灰度范围，比如0至255之间。

通过以上去闪烁的处理，多幅图像的背景灰度可以配准到一个相同或相近的值，因此同一系列的多幅图像间的闪烁现象会基本上消除。另外，图像中出现的极端的噪声象素也可以在此处理中被去除。通过上述去闪烁处理，可以克服HDRC处理引入的不良效应，使得HDRC发挥提高图像质量优势的同时，消除干扰，进一步提高图像的质量。本实施例中，步骤102为优选步骤，也可以是步骤101执行后，直接执行步骤103，对步骤101输出的图像进行分解。

步骤103，将步骤102输出的图像分解成多个不同尺度的图像成分。

步骤103主要是利用多域的知识对图像进行增强，在平滑噪声的同时不模糊边缘，增强图像中的边缘和纹理但不引入更多的噪声。本步骤处理的关键点是在增强图像的同时，不带来伪影（artificial）效应。

如果所处理的是X光图像系列中的多幅图像，对每幅图像分别进行以下的处理。

首先，通过拉普拉斯金字塔（LP，Laplacian Pyramid）分解对图像进行分析，将图像分解为多个图像成分，每个图像成分具有不同的尺度，这里的不同的尺度也即表示每个图像成分的频率不同。LP分解处理结合了多个高斯平滑、上采样以及下采样。图4给出了一个利用LP处理进行多尺度分解的示意图。

从图4可以看出，将输入图像表示为由L₀,L₁,...,L_n-1,G_n组成的紧致码（compact code），在此处将这些多个紧致码表示为多个图像成分。L₀是包含了大部分的噪声和显著的边缘的高频成分。G_n是包含了所有图像亮度信息，如果图像有不均匀的问题，应该对这个图像成分进行处理。从频率的角度来讲，除L₀和G_n外，其他的图像成分是频带成分，即处于不同的频带。从尺度的角度来讲，从L₀到G_n尺度逐渐增加。为了确保LP模型具有理想的性能，卷积时采用不同的高斯尺度，使得多数噪声包含在L₀中，主要的边缘，即尺度较大的边缘，包含在L₁,...,L_n-1。这个LP模型是紧致图像编码（compact image encoding）方法采用的分解方法，也就是说，在使用这些图像成分重建图像的时候，重建的图像的质量不会因为处理过程而遭受损失，仍可达到原始图像的质量。

需要说明的是，本发明不局限于采用LP分解的方法将图像分解为多个图像成分，也包括采用其他的方法将图像分为多个不同频率的图像成分，只要能够达到将不同频率的图像成分进行区分的目的，都包含在本发明所保护的范围之内。

通过步骤101解决了图像的动态范围问题，通过步骤102消除了闪烁效应，通过步骤103可以进一步的消除噪声，增强边缘。

步骤104，对步骤103输出的图像成分进行各向异性扩散处理。

在对图像成分进行各向异性扩散处理时，需要对图像成分的局部几何特征进行估计。也即，对于步骤103得到的图像成分，分别估计该图像成分中当前待处理区域的局部几何特征，并根据该局部几何特征仅性各向异性处理扩散。为了达到更好的局部几何特征的估计，在执行梯度计算之前，可以对图像成分进行高斯平滑。本实施例中，根据局部几何特征进行各向异性扩散处理例如可以包括以下之一或其任意组合：若局部几何特征表示当前待处理区域属于对比过低的区域，则进行各向同性扩散；若局部几何特征表示当前待处理区域属于对比正常的区域，则沿边缘的区域进行前向扩散，跨边缘的区域进行后向扩散；若局部几何特征表示当前待处理区域属于对比过强的区域，则沿边缘的区域不进行扩散，跨边缘的区域进行前向扩散。

在本实施例中，具体的，上述扩散处理可以采用下述式3所示的扩散方程，以使适应性计算参数具有理想的特性。本发明的扩散方法称为前向-后向-前向各向异性扩散（FBFAD，Forward-Backward-ForwardAnisotropic Diffusion）。该扩散方程如下：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)---\left(3\right)$

$S_n=\left|\right|\▿I(x,y)\left|\right|/{\mathrm{\β}}_n$

这里β_n是归一化系数，为在象素I(x,y)处的绝对梯度，S_n为归一化绝对梯度（NAG，Normalized Absolute Gradient），s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数。NAG在这里作为估计的局部几何特征，估计几何特征的目的是确定当前待处理的区域属于对比过低区域、对比正常区域还是对比过强区域。扩散系数λ₁和λ₂决定扩散的尺度，NAG控制扩散的方向。从公式（3）可以看出，两个扩散系数λ₁和λ₂表示有两个扩散力作用在图像上，这两个力可以是相互垂直的。当NAG低于阈值A时，表示当前的区域为对比过低区域，几乎都是噪声，扩散作用基本上是各向同性的扩散。当NAG在阈值A和阈值B之间时，表示当前的区域为对比正常区域，本发明的扩散算法执行FBAD，沿边缘（along the edge）的区域进行前向扩散处理，跨边缘（across the edge）的区域进行后向扩散处理。当NAG大于阈值B时，表示当前区域为对比过强区域，沿边缘的区域几乎无扩散，跨边缘的区域有少量的前向扩散。图5显示了扩散系数λ₁和λ₂的函数曲线的示意图。

对于对应于LP模型中不同级（level）的多个图像成分，可以根据不同的尺度因子选择不同的参数。由于这是一个基于偏微分方程（PDE，Partial Differential Equation）的方法，通过对图像进行几次迭代来分离（discrete）该方程，得到方程的解。迭代次数随着尺度的增大而减小。

采用步骤104提供的扩散处理方法可以避免边缘变粗和晕轮效应，进一步提高图像的质量。

步骤105，在图像成分进行扩散处理之后，进行图像重建，得到处理后的最终图像。

前面已经说明，由于本实施例采用的LP模型是紧致图像编码方法采用的分解方法，在本步骤根据这些图像成分重建图像的时候，重建的图像的质量不会损失。

以上是对本发明的实施例一的说明，需要说明的是，对于只需要处理单幅图像的情况，或者对于某些背景灰度波动很小的系列图像，可以省略步骤102的处理，即无需进行多幅图像间的去闪烁处理。

本实施例提供的上述图像处理方法，可以对于每一幅图像执行步骤101至105，也可以对于一系列图像一起执行步骤101至105。优选的，为了提高图像质量以及图像处理效率，可以对一系列图像一起执行步骤101至105。

本实施提供的图像处理方法没有单纯地对现有的基于空间域的方法或基于频率域的方法进行改善，而是将基于频率域的处理和基于空间域的处理有机结合，通过多域知识提出了一个完全不同于现有技术的技术方案，从而解决了现有技术中存在的有用信息的增强和无用信息的抑制无法同时实现的两难问题。本实施例提供的图像处理方法通过在频率域、尺度域将不同层的有用信息（边缘和纹理）与无用信息（噪声）进行不同的信息分离和处理，实现了增强有用信息的同时抑制无用信息。本实施例的一个关键点就在于基于多域知识的分析，将紧致图像编码（compact image encoding）与图像扩散（image diffusion）相结合对原始图像进行处理，从而实现了有用信息的增强与无用信息的抑制。

实施例二

图6是根据本发明实施例二的图像处理方法的流程图。实施例二适用于只需处理单幅图像的情况，或者对于某些背景灰度波动很小的一系列图像。从图6可以看出，实施例二的图像处理方法包括以下步骤：

步骤601，对原始的X光血管造影图像进行动态范围压缩。

具体的对原始的血管造影图像进行动态范围压缩的方法与步骤101基本相同。

步骤602，将步骤601输出的图像分解成多个不同尺度的图像成分。

具体的将图像分解成多个不同尺度或不同频域的图像成分的方法与步骤103基本相同。

步骤603，对步骤602输出的图像进行各向异性扩散处理。

具体的对图像进行各向异性扩散处理的方法与步骤104基本相同。

步骤604，在对图像成分进行各向异性扩散处理之后，进行图像重建，得到最终图像。

实施例三

图7是本发明实施例三的图像处理方法的流程图。从图7可以看出，实施例三的图像处理方法包括以下步骤：

步骤701，将原始的X光血管造影图像分解成多个不同尺度的图像成分。

具体的将图像分解成多个不同尺度的图像成分的处理方法与步骤103基本相同。

步骤702，分别对步骤701输出的多个图像成分进行各向异性扩散处理。

具体的对图像成分进行各向异性扩散处理的方法与步骤104基本相同。

步骤703，在对每一级的图像成分进行各向异性扩散处理之后，进行图像重建。

步骤704，对重建后的图像进行动态范围压缩。

具体的对重建后的图像进行动态范围压缩的处理方法与步骤101基本相同。

步骤705，对经过动态范围压缩的图像进行去闪烁处理。

具体的去闪烁处理的方法与步骤102基本相同，即对经过动态范围压缩的图像进行背景灰度配准。

实施例三与实施例一的不同之处在于，实施例一是先对图像进行动态范围压缩和去闪烁处理，然后进行图像分解、各向异性扩散以及重建的处理；而实施例三是先对图像进行分解、各向异性扩散以及重建处理，然后进行动态范围压缩和去闪烁处理。

需要说明的是，对于只需要处理单幅图像的情况，或者对于某些背景灰度波动很小的系列图像，可以省略步骤705的处理，即无需对图像进行去闪烁的处理。

本实施例中各步骤的具体实现方法可以参照图1所示实施例中的描述。并且本实施例中，对于一系列的X光图像，可以单幅的进行处理，也即对于每一幅X光图像从步骤701执行到步骤704，再执行步骤705，也可以对多幅X光图像一起处理，从步骤701执行到步骤705。

本发明不局限于图像处理的方法，还提供了与图像处理的方法相对应的装置，也就是说，执行本发明图像处理方法的装置。下面结合附图进行详细说明。

图8是根据本发明实施例四的图像处理的装置。从图8可以看出，本实施例的图像处理的装置包括动态范围压缩模块801、多尺度分解模块802、扩散处理模块803、重建模块804。其中，动态范围压缩模块801对输入的原始X光图像进行动态范围压缩；多尺度分解模块802将经过动态范围压缩的图像分解为不同尺度或不同频域的图像成分；扩散处理模块803对图像成分分别执行各向异性扩散处理；重建模块804将经过各向异性扩散处理的图像成分重建成最终图像。

图9是根据本发明实施例五的图像处理的装置。从图9可以看出，本实施例的图像处理的装置除了包括图8的动态范围压缩模块801、多尺度分解模块802、扩散处理模块803、重建模块804，还包括去闪烁处理模块901，位于动态范围压缩模块801和多尺度分解模块802之间，用于对经过动态范围压缩的一系列的原始X光图像进行去闪烁处理，然后将去闪烁之后的一系列X光图像输入多尺度分解模块802。

图10是根据本发明实施例六的图像处理装置。从图10可以看出，本实施例的图像处理的装置包括多尺度分解模块1001、扩散处理模块1002、重建模块1003和动态范围压缩模块1004。其中，多尺度分解模块1001将原始X光图像分解为不同尺度或不同频域的图像成分；各项异性扩散处理模块1002对不同尺度或不同频域的图像成分分别进行各向异性扩散处理；重建模块1003将经过各向异性扩散处理的图像成分重建成图像；动态范围压缩模块1004对重建后的图像进行动态范围压缩。

图11是根据本发明实施例七的图像处理装置。从图11可以看出，本实施例的图像处理的装置除了包括图10的多尺度分解模块1001、扩散处理模块1002、重建模块1003和动态范围压缩模块1004，还包括去闪烁模块1101，位于动态范围压缩模块1004之后，在接收到动态范围压缩模块1004输出的一系列的X光图像时，对一系列的X光图像进行去闪烁处理。

可以看到，图8、图9所示实施例与图10、图11所示实施例的关键区别在于模块之间连接关系的区别。因此，本发明实施例提供的图像处理装置的描述可以为，该图像处理装置包括：动态范围压缩模块，用于对输入本模块的图像进行动态范围压缩；多尺度分解模块用于将输入本模块的图像分解为不同尺度的图像成分；扩散处理模块，用于对输入本模块的图像成分分别进行各向异性扩散处理；重建模块，用于将经过各向异性扩散处理的图像成分重建成最终图像；其中，输入所述动态范围压缩模块的图像为原始的X光图像，输入所述多尺度分解模块的图像为所述动态范围压缩模块输出的图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分；或者输入所述多尺度分解模块的图像为原始的X光图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分，输入所述动态范围压缩模块的图像为所述重建模块输出的图像。

进一步的，该图像处理装置还包括去闪烁处理模块，用于对所述动态范围压缩模块输出的一系列图像进行去闪烁处理。该去闪烁处理模块的输出可以是最终该图像处理装置的输出，也可以作为多尺度分解模块的输入。

进一步的，本发明实施例提供的图像处理装置中，动态范围压缩模块例如包括：分解子模块，用于利用两个双边滤波器将输入本动态范围压缩模块的图像分解为包含亮度信息的基础层和包含边缘信息的细节层；压缩子模块，用于对所述分解子模块得到的所述基础层进行压缩；结合子模块，用于将所述分解子模块得到的所述细节层与所述压缩子模块压缩后的基础层进行结合，得到动态范围为人眼可视范围的图像。

进一步的，本发明实施例提供的图像处理装置中，多尺度分解模块具体用于：拉普拉斯金字塔分解的算法，将输入本多尺度分解模块的图像分解成L₀,L₁,...,L_n-1,G_n，从L₀到G_n尺度逐渐增加，L₀包含图像噪声和显著的边缘，L₁,...,L_n-1包含尺度较大的边缘，G_n包含图像亮度信息，n为正整数。

进一步的，本发明实施例提供的图像处理装置中，扩散处理模块，具体用于分别估计输入本扩散处理模块的图像成分中当前处理区域的局部几何特征，并根据所述局部几何特征进行各向异性扩散处理。具体的，该扩散处理模块以下子模块之一或其任意组合：第一扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比过低的区域时，进行各向同行扩散；第二扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比正常的区域时，沿边缘的区域进行前向扩散，跨边缘的区域进行后向扩散；第三扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比过强的区域时，沿边缘的区域不进行扩散，跨边缘的区域进行前向扩散。

具体的，本发明实施例提供的扩散模块可以采用式3所示的扩散函数对输入本扩散处理模块的图像成分L₀,L₁,...,L_n-1,G_n分别进行扩散处理。

本发明实施例提供图像处理装置例如还可以包括平滑模块，用于对输入本平滑模块的图像成分进行高斯平滑。具体的该平滑模块的输入可以为多尺度分解模块的输出，该平滑模块的输出可以为扩散处理模块的输入。

本实施例提供的图像处理装置中，去闪烁处理模块具体可以采用背景灰度配准技术进行去闪烁。具体的，该去闪烁处理模块例如可以包括：裁剪子模块，用于在图像系列中的多幅图像的灰度直方图中，根据象素数比例阈值对直方图进行裁剪，确定最小灰度和最大灰度之间的范围；配准子模块，用于分别将所述多幅图像的灰度直方图的最小灰度和最大灰度之间的范围配准到设定的灰度范围，根据配准后的灰度直方图生成图像。

本发明实施例提供的图像处理装置例如可以执行上述方法实施例，具体描述可以参照上述方法实施例。

为了比较本发明实施例提供的图像处理方法和现有技术中图像处理方法的差异，采用本发明实施例提供的图像处理方法（为了描述方便，以下将本发明实施例提供的图像处理方法称为多尺度增强（MEM，multi-scale enhancement method）方法），对多组血管造影图像的处理进行了实验，并将处理结果与原始未经处理的图像、多尺度Retinex（MSR，Multi-scale Retinex，是由NASA&TruView公司提供的商业软件）处理的图像和局部直方图均衡化（LHE，Local Histogram Equalization）的图像进行了比较。

发明人选用了从扫描器采集得到的5秒钟的系列图像，每幅图像的大小是1024×1024，该系列图像包含了77幅图像。三个算法所采用的所有参数均经过优化以达到最佳效果。图12显示了MEM的处理结果和其他方法的处理结果，图12（a）是原始图像数据，图12（b）是经过本发明的MEM处理后的图像数据，图12（c）是经过MSR处理后的图像数据，图12（d）是经过LHE处理后的图像数据。从图10中四幅图像的对比可以看出，本发明的MEM方法比其他方法有更好的结果。MEM很好地解决了边缘，使边缘更突出并从整体上抑制了噪声，使得暗区域和亮区域的细节都更为清晰，也没有引入晕轮效应或者其它任何伪影。相反，LHE使得图像对比度过大，并且图像的噪声比原始图像更大。MSR很好地解决了图像边缘，但是在细节分辨率和对比度分辨率上不如MEM表现良好。

通过图12中显示的图像，可以明显看出MEM方法在细节显示方面优于原始图像，显示了更清晰的导丝和导管，它在显示细部方面也表现出色，显示了非常清晰的冠状动脉的形状以及内腔的结构，有助于确定形状以及冠状动脉狭窄的程度。

为了对结果进行量化，还进行了无参照的BIQI分析。该方法基于自然图像统计（NSS，natural scenestatistics）并且进行了集中的离线训练。该框架不需要任何参数处理知识。在表1中总结了BIQI结果：

表1

表1示出的BIQI质量测试结果中BIQI的值越小，图像质量越好。从所有图像的质量评分来看，MEM具有最佳的图像质量，MSR和LHE处于第二级，分数相近。原始图像的BIQI值最高，图像质量最差。

从以上的实施例以及实验结果可以看出，本发明的新的方法利用基于多域知识进行图像增强，将图像分解为不同尺度或不同频域的图像成分，不同的图像成分包含了不同的图像信息，对各图像成分分别进行各向异性扩散，可以达到增强有用信息的同时有效抑制无用信息的结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种图像的处理方法，所述方法包括：

对原始的X光图像进行动态范围压缩；

将所述经过动态范围压缩的图像分解成至少两个不同尺度的图像成分；

对所述图像成分进行各向异性扩散处理；其中：采用如下扩散函数对所述至少两个不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

S_n＝||▽I(x,y)||/β_n

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

利用经过各向异性扩散处理的所述图像成分进行图像重建，生成最终图像。

2.一种图像的处理方法，所述方法包括：

将原始的X光图像分解成至少两个不同尺度的图像成分；

对所述图像成分进行各向异性扩散处理；其中：采用如下扩散函数对所述至少两个不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

S_n＝||▽I(x,y)||/β_n

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

利用经过各向异性扩散处理的所述图像成分进行图像重建；

对重建后的图像进行动态范围压缩，生成最终图像。

3.根据权利要求1或2所述的方法，其中，所述进行动态范围压缩，包括：

利用两个双边滤波器将第一对象分解为包含亮度信息的基础层和包含边缘信息的细节层；

对所述基础层进行压缩；

将所述细节层与所述压缩后的基础层进行结合，得到动态范围为人眼可视范围的图像；

其中所述第一对象为所述原始的X光图像或者所述重建后的图像。

4.根据权利要求1或2所述的方法，其中，

所述分解成至少两个不同尺度的图像成分，包括：利用拉普拉斯金字塔分解的算法，将第二对象分解成L₀,L₁,...，L_n-1,G_n，从L₀到G_n尺度逐渐增加，L₀包含图像噪声和显著的边缘，L₁,...,L_n-1包含尺度较大的边缘，G_n包含图像亮度信息，n为正整数，所述第二对象为所述经过动态范围压缩的图像或者所述原始的X光图像。

5.根据权利要求4所述的方法，其中，所述对所述图像成分进行各向异性扩散处理，包括：对于图像成分L₀,L₁,...,L_n-1,G_n，分别估计该图像成分中当前待处理区域的局部几何特征，并根据所述局部几何特征进行各向异性扩散处理。

6.根据权利要求5所述的方法，其中，所述根据所述局部几何特征进行各向异性扩散处理，包括以下之一或其任意组合：

若所述局部几何特征表示当前待处理区域属于对比过低的区域，则进行各向同性扩散；

若所述局部几何特征表示当前待处理区域属于对比正常的区域，则沿边缘的区域进行前向扩散，跨边缘的区域进行后向扩散；

若所述局部几何特征表示当前待处理区域属于对比过强的区域，则沿边缘的区域不进行扩散，跨边缘的区域进行前向扩散。

7.根据权利要求5所述的方法，其中，在所述估计该图像成分中当前待处理区域的局部几何特征之前，所述方法进一步包括：对该图像成分进行高斯平滑。

8.根据权利要求1或2所述的方法，其中，所述原始的X光图像为一系列的原始的X光图像；

在所述进行动态范围压缩之后，所述方法进一步包括：对所述经过动态范围压缩的图像系列中的多幅图像进行去闪烁处理。

9.根据权利要求8所述的方法，其特征在于，所述对经过动态范围压缩的图像系列中的多幅图像进行去闪烁处理，包括：

在所述图像系列中的多幅图像的灰度直方图中，根据象素数比例阈值对直方图进行裁剪，确定最小灰度和最大灰度之间的范围；

分别将所述多幅图像的灰度直方图的最小灰度和最大灰度之间的范围配准到设定的灰度范围，根据配准后的灰度直方图生成图像。

10.一种图像处理的装置，所述装置包括：

动态范围压缩模块(801，1004)，用于对输入本模块的图像进行动态范围压缩；

多尺度分解模块(802，1001)，用于将输入本模块的图像分解为不同尺度的图像成分；

扩散处理模块(803，1002)，用于对输入本模块的图像成分分别进行各向异性扩散处理；其中，所述扩散处理模块具体用于采用如下扩散函数对输入本模块的不同尺度的图像成分分别进行扩散处理：

${\mathrm{\λ}}_1=\exp (-s_1^2)$

${\mathrm{\λ}}_2=2\exp (-s_1^2)-\exp (-s_2^5)+\exp (-s_3^2)$

S_n＝||▽I(x,y)||/β_n

其中，β_n是归一化系数，S_n为在图像成分中的象素I(x,y)处的归一化绝对梯度，λ₁和λ₂为扩散系数，s₁，s₂，s₃为控制扩散系数的参数，n,x,y为正整数；

重建模块(804，1003)，用于将经过各向异性扩散处理的图像成分重建成最终图像；

其中，输入所述动态范围压缩模块的图像为原始的X光图像，输入所述多尺度分解模块的图像为所述动态范围压缩模块输出的图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分；或者输入所述多尺度分解模块的图像为原始的X光图像，输入所述扩散处理模块的图像成分为所述多尺度分解模块输出的图像成分，输入所述重建模块的图像成分为所述扩散处理模块输出的图像成分，输入所述动态范围压缩模块的图像为所述重建模块输出的图像。

11.根据权利要求10所述的装置，其中，所述装置还包括：

去闪烁处理模块(901)，用于对所述动态范围压缩模块输出的一系列图像进行去闪烁处理。

12.根据权利要求10或11所述的装置，其中，

所述动态范围压缩模块包括：分解子模块，用于利用两个双边滤波器将输入本动态范围压缩模块的图像分解为包含亮度信息的基础层和包含边缘信息的细节层；压缩子模块，用于对所述分解子模块得到的所述基础层进行压缩；结合子模块，用于将所述分解子模块得到的所述细节层与所述压缩子模块压缩后的基础层进行结合，得到动态范围为人眼可视范围的图像；和/或

所述多尺度分解模块，具体用于利用拉普拉斯金字塔分解的算法，将输入本多尺度分解模块的图像分解成L₀,L₁,...,L_n-1,G_n，从L₀到G_n尺度逐渐增加，L₀包含图像噪声和显著的边缘，L₁,...,L_n-1包含尺度较大的边缘，G_n包含图像亮度信息，n为正整数；和/或

所述扩散处理模块，具体用于分别估计输入本扩散处理模块的图像成分中当前处理区域的局部几何特征，并根据所述局部几何特征进行各向异性扩散处理。

13.根据权利要求12所述的装置，其中，所述扩散处理模块包括以下子模块之一或其任意组合：

第一扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比过低的区域时，进行各向同行扩散；

第二扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比正常的区域时，沿边缘的区域进行前向扩散，跨边缘的区域进行后向扩散；

第三扩散子模块，用于在所述局部几何特征表示当前待处理区域属于对比过强的区域时，沿边缘的区域不进行扩散，跨边缘的区域进行前向扩散。