CN103985110B - 数字图像中伪影或非均匀亮度的定位及显示方法 - Google Patents
数字图像中伪影或非均匀亮度的定位及显示方法 Download PDFInfo
- Publication number
- CN103985110B CN103985110B CN201310050211.1A CN201310050211A CN103985110B CN 103985110 B CN103985110 B CN 103985110B CN 201310050211 A CN201310050211 A CN 201310050211A CN 103985110 B CN103985110 B CN 103985110B
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- sequence
- decomposition
- display
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明以数字图像的亮度分解为基础,提供了快速定位及显示图像中微弱的伪影或非均匀亮度,及检测图像中不同目标亮度分布重叠信息的方法。利用分解图像序列及其直方图,提供了两种方式定位图像中伪影或非均匀亮度的显示区间;其中通过采样的分解图像序列还可以快速搜索图像中感兴趣目标的亮度范围,且简单易行。利用分解图像序列的性质及彩色映射方式提高显示伪影或非均匀亮度的精度,并减少视错觉等主观偏差。新方法可以用于评估图像中伪影或非均匀亮度及其校正方法,或检测成像物体的缺陷,还可以用于检索图像的亮度信息及定位感兴趣目标的亮度范围。分解图像序列直方图还可以用于图像的粗分割、背景噪声估计或抑制,及图像压缩。
Description
技术领域
本发明涉及定位及显示数字图像中伪影或非均匀强度的方法、搜索图像中目标亮度范围的方法、检测图像中不同目标间亮度范围重叠的方法,及在磁共振影像中用于显示偏差场伪影及组织亮度重叠信息的特定程序;同时还涉及图像处理领域中图像分割方法、背景噪声估计及抑制方法,及图像压缩方法。
注:在本说明书中强度与图像的亮度或灰度为同义词。
背景技术
作为医学影像领域的一个例子,将通过磁共振影像中偏差场伪影及组织重叠信息的显示、定位,对本发明的主要内容加以描述。
偏差场(bias field)或称非均匀亮度(intensity inhomogeneity)是磁共振成像(Magnetic Resonance Imaging,MRI)中一种伪影(artifact),其表现为图像中与解剖结构无关、缓慢的亮度变化(smooth intensity variations)。这种伪影造成相同组织在不同区域亮度不一致,以及不同区域对比度不同。图1为含有严重伪影的MRI图像(Vovk等2007),其中箭头所指脑组织部分的亮度明显低于下部分。然而,在现代磁共振扫描设备所获取的MRI影像中,这种伪影通常很难被人眼直接观察到,也不影响以视觉观察为主的诊断,但其严重干扰计算机对MRI图像的量化分析,诸如图像分割及配准,继而限制了相应的MRI应用,如对阿尔茨海默病(AD)的计算机辅助诊断及治疗效果的评估。由于这种伪影产生的原因极其复杂,其不仅与扫描设备有关,如不均匀的扫描磁场-静态场B0、射频线圈RF等,而且与被测者(或患者)有关,如与被测者的磁化率有关;甚至在同一被测者的同一次扫描所获取的体数据中,不同断层图像中的偏差场也可能不同,使得问题难以从仪器本身解决。
为了解决上述偏差场问题,目前已有很多校正方法。但遗憾的是,真实的偏差场很难观察到。根据现有技术,如果伪影或非均匀强度具有突变特性,即便幅值很小,也容易发现并显示其,如采用数学形态学tophat变换方法。然而,对于MRI图像中偏差场这种具有缓慢变化特征的伪影或非均匀强度,定位及显示则相对困难。尽管在医疗设备中常用的开窗技术能够在一定范围内扩展所需的对比度,也能观察到一些微弱的亮度变化,但其无法准确地定位及显示偏差场。首先,不清楚真实偏差场的亮度变化范围,所以无法准确地确定窗宽和窗位。错误地选择窗位,则无法捕捉到偏差场的踪影。即便能够正确地选择窗位,也很难选择窗宽。窗宽太小会丢失信息,甚至会改变组织边界的信息,窗宽太宽又无法显示清楚。最后,开窗技术无法获取图像中不同组织间亮度分布重叠信息。在已有文献中,虽然用开窗技术显示了真实图像中偏差场的大致模式,但其存在上述相关问题。首先,此方法不具备通用性,因其视窗调节在白质均值附近,而要确定白质均值,就要对白质进行分割,而偏差场主要影响的就是诸如图像分割类似的图像分析,因此难以操作。其次,观察文献所显示的图像,可明显发现图像的空间分辨率降低,图像的边界也有损失。其实在这种显示中还隐藏着其它问题,如最佳视窗问题。相关文献采用相同的窗参数比较校正前后的偏差场,而对于真实数据,经过校正后图像的亮度分布都有一定的偏移,最佳显示窗参数也随之变化。如果用相同参数显示,则会引入偏差。
实际上,由于人眼对亮度级的分辨能力有限,而且相对对比度容易使人产生视错觉或难以区分原本有差别的亮度级,很难做到精确、客观地观察在一幅图像上显示的伪影或非均匀强度。如图2所示仿真MRI偏差场是目前最理想的显示偏差场的方法,只有仿真MRI图像才能准确地知道其偏差场、并如此清晰地显示。但在图2中我们可以发现其缺陷:人眼很难区分两圈所示区域的亮度差别。
由于无法正确地观察伪影,真实偏差场仍然不清楚。文献J Magn Reson Imaging,29(6),1271-1279Chua等(2009)及Proc.of SPIE,7963,Viswanath等(2011)也指出目前尚不清楚在临床MRI数据或真实数据中偏差场。
此外,偏差场引起不同组织的亮度分布重叠是其影响图像分析的重要原因,因此,检测这种重叠至关重要。目前,主要以专家手工分割图像为金标准,以此了解图像中不同组织亮度分布的重叠,或采用小面积的参数统计。手工分割需要耗费大量的人力,而且这些方法可重复性差,且精度受到质疑。
综上所述,由于现有技术的局限性,很难评估MRI影像中偏差场的校正结果,进而无法得到可靠的量化分析结果,因此限制了MRI相关临床应用。
发明内容
本发明是在上述背景下作出的,其目的是提供一种方法能够定位及显示人眼无法直接规察到的、数字图像中微弱的伪影或不均匀强度,同时提高显示精度、减少视错觉等主观因素引起的偏差;提供检测图像中不同目标间亮度范围重叠的方法。
本发明的第一个方面,在图像亮度范围内,用有序阈值序列依次分割原图像,将一幅图像分解为一个由二值图像组成的分解图像序列;用所述的分解图像序列显示图像中伪影或非均匀亮度,或者定位图像中感兴趣目标亮度范围,其包括定位伪影或非均匀亮度显示区间;采用动态显示方式,按照时间顺序依次显示从高亮度到低亮度顺序或相反顺序所述的分解图像序列,或者采用单次静态显示方式,将所述的分解图像序列排列成从高亮度到低亮度顺序或相反顺序的队列,或者采用多次静态显示方式,所述的多次静态显示方式之显示次数≥2,且每次显示的分解图像数≥1。此处亮度指图像的分解阈值。
所述的方法与传统阈值分割方法不同的是:不是采用单一阈值对图像分割,而是在图像亮度范围内采用阈值序列对图像进行分割,且该阈值序列是有序的(降序或升序);不是采用单一图像显示图像中伪影或非均匀强度,而是用所述的分解图像序列显示,或根据分解图像序列的性质,选择所需要的分解图像依次显示。其优势在于:图像经分解后不仅微弱的伪影或非均匀强度信息可见,而且可以避免传统的单一阈值分割图像或开窗技术所引起的图像信息损失,同时减少视错觉等主观偏差。此外,分解图像序列的性质,便于定位图像中目标或信息检索。下面进一步解释相关概念。
上述分解图像序列可以用阈值分割技术来实现,在以低亮度(黑色)为背景的图像中,如果图像的最高亮度级为L-1,最低亮度级为0,其表达式为:
其中CSt(f)表示用阈值t分割原图像f所得到的二值图像,阈值t的取值在图像亮度范围内;f(x,y)表示位于(x,y)位置像素的亮度值。
该分解图像序列为二值图像序列,所以观察其中任一幅分解图像不会因亮度级差小而无法分辨,也不会因相对对比度产生视错觉。因此,用这种方法显示图像中伪影或非均匀强度时可以清楚地观察每一级亮度的变化,并减少视错觉造成的主观偏差。
如果以图像亮度范围内全部有序的亮度级为阈值序列且按降序排列,图像的最高灰度级为L-1,应用公式(1)分解原图像,得到的分解图像序列Itd为:
Itd=<CSL-1(f),CSL-2(f),……,CS2(f),CS1(f),CS0(f)> (2)
公式(2)所表示的分解图像序列与原图像的关系可以用如下数学公式表示(Soille,Morphological image analysis:principles and applications(2003)):
由公式(3)可知,所述的分解图像序列可以无失真地重建原图像。因此,该分解图像序列可以避免传统的单一阈值分割图像或开窗技术所引起的图像信息损失。
此外,由公式(1)可知,随着阈值的增高,分割图像的面积或其中目标像素数减少,且所述的分解图像序列满足下面包含关系:
其中表示包含关系,即低亮度分解图像包含高亮度分解图像。该性质表明,在所述的分解图像序列中,如果一幅分解图像不含某个目标,那么高于该亮度级的全部分解图像中都不会含有该目标,该性质可以用于快速定位图像中目标的亮度范围。
本发明的第二个方面,所述的分解图像序列可以用彩色映射图序列代替,将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上便得到所述的彩色映射图序列。
该方法将分解图像序列所提供的伪影或非均匀强度信息精确定位到原图像上,并由原图像获得伪影或非均匀强度的高空间分辨率显示。在本说明书中,对于彩色映射图序列中的每幅图像也称为分解图像。
用本发明的分解图像序列显示图2所示仿真偏差场,便可发现图2中两圈所示亮度区别(见图3,详细解释见实施例2)。
然而,在一些图像中伪影或非均匀强度并不是遍及整幅图像的亮度范围,在这种情况下,需要定位伪影或非均匀强度的显示区间。对于显示MRI偏差场这种缓慢变化的伪影,需要定位在包含较大面积的同一组织上,于是该问题转化为定位感兴趣目标的亮度范围。在MRI脑图像中,通常白质具有较大的面积。因此,显示MRI脑图像中偏差场,首先要定位白质所在亮度范围,此时白质为感兴趣目标。
如前所述,分解图像序列便于定位图像中目标的亮度区间,下面给予进一步的分析与解释。
在一幅图像中,由于感兴趣目标的任一像素亮度值不会超过其上限,且全部高于或等于其下限,由公式(1)可知,所述的分解图像序列必然排列成图4所示形式。其中在目标A亮度范围内的全部分解图像都含有目标A,但只有亮度值(分解阈值)等于下限的分解图像含有完整的目标A。
从图4还可看出,在所述的分解图像序列中,包含目标A亮度范围的最具有特征的两幅分解图像是:最邻近的不含目标A和含有完整目标A的两幅分解图像,简称为特征图像(图4中分别为阈值i和j的分解图像)。值得注意的是:特征图像是指最邻近的具有上述特征的两幅分解图像。由图4可知,目标A的亮度范围应大于等于j,也就是含有完整目标A的特征图像之分解阈值,同时小于等于i-1,也就是不含目标A的特征图像相邻的、含有目标A最少的分解图像之阈值。
然而,尽管上述方案提供了定位伪影或非均匀强度显示区间的方法,但该方法要用到图像亮度范围内全部阈值的分解图像序列,也是相当困难的。因为该分解图像序列的长度(或分解图像数)通常等于像素的最高灰度级数;对于具有高精度的MRI图像,灰度级可高于2000级,要计算、储存数千幅图像,不仅占用大量资源,而且会大大降低速度。针对此问题,本发明提供了快速定位感兴趣目标亮度区间的方法。
本发明的第三个方面,提供一种快速搜索、定位图像中感兴趣目标亮度范围的方法,其主要由以下步骤组成:在图像亮度范围内,用采样的阈值序列分解原图像并显示;选取最邻近的不含该目标及含有完整该目标的两幅特征图像;在所述的两幅特征图像所确定的区间内重新采样并显示;重复选取最邻近的特征图像;直至无新的最邻近的特征图像出现,或者出现两幅分解图像:一幅含有该目标像素与其总和之比小于预定精度值(近似目标像素最少的分解图像,以近似替代图4中i-1),且另一幅缺失该目标像素与其总和之比小于预定精度值(近似含有完整目标像素的特征图像,以近似替代图4中j,如用j+1近似替代j);该目标的亮度范围大于等于含完整该目标的特征图像(或其近似替代的分解图像)之阈值,且小于等于含该目标像素最少的分解图像(或其近似替代的分解图像)之阈值。
下面根据分解图像的性质给予进一步的解释。
由图4可知,在采样的分解图像序列中,选择最邻近的两幅特征图像,舍去其区间之外的分解图像序列,可以快速接近目标。虽然采样后的两幅特征图像可能并不是真正最邻近的特征图像,但搜索到的两幅特征图像所在阈值区间一定包含该目标的亮度区间。因此,通过在该区间重新采样(因采样区间变小,采样点数不变,则采样间隔减小),不断搜索新的特征图像,可以逼近目标,流程图见图5。流程图中对所述的分解图像序列进行彩色映射是为了提高显示精度,便于观察。
实际上,本发明的第三个方面只适于定位精度要求不高的情况。不仅因为搜索终止条件用了近似方法,而且采样过程也有可能丢失真正的特征图像,提前终止搜索。例如,本次搜索到的两特征图像为图4的i+1和j(为简单起见,用图像的分解阈值代替图像本身),在i+1和j所确定的区间如果用等于3的间隔采样,采样点就会越过真正的特征图像i,没有搜索到新的特征图像,而终止在i+1。解决这个问题的关键是在真正的两特征图像出现之前不能停止搜索,也就是要保证还有新的特征图像出现。由图4可知,只要真正的特征图像没有全部出现,那么本次搜索到的两特征图像所在阈值区间内、至少有一幅与特征图像相邻的分解图像不含该目标或含有完整该目标,可作备选的特征图像。因此,如果取新采样点时含有所述的相邻点,当区间内部的特征图像未被采样时,所述的相邻点则为新的特征图像,继续搜索。用这种方式采样,可以避免由于采样间隔过大,丢失真正的特征图像,提前结束搜索。因此精确定位图像中感兴趣目标亮度范围的方案应为:
本发明的第四个方面,如果要求精确定位感兴趣目标之亮度范围,在重复采样的过程中,采样点应在所述的区间内包括所述的特征图像相邻的分解图像,且应搜索至无新的最邻近的特征图像出现。
搜索MRI伪影显示区间时,由于含有极少白质的分解图像可能仅由噪声产生,对显示偏差场的空间变化模式意义不大,而且含有完整脑白质的图像也是如此。因此,不必寻求精确定位显示区间的边界。当搜索到一幅分解图像含脑白质小于约定比例(如10%),另一幅缺失脑白质小于约定比例(如10%),便可停止搜索。
对于上述搜索感兴趣目标亮度范围的过程,采用静态显示方式为最佳,因其便于对照观察。考虑到屏幕显示效果、搜索效率,及操作的便利与否,可取10个左右采样点,也就是一次显示10幅左右分解图像。在MRI图像中,通常经过2次采样便可确定伪影或非均匀强度显示区间(见实施例4和5)。
至于在区间内部的采样,如果对显示区间端点的精度要求不高且搜索速度能够满足要求,可以反复使用简单的等间隔采样;也可以初次采样用等间隔,以后采用不等间隔。采用不等间隔时,也可以有多种方式。如可以距边界近的取间隔小,距边界远的取间隔大,通过设置不同的权系数实现,还可以在上述区间的边界分两个区间重新采样。
上述方法的优势还在于,可以简化在显示屏的操作。
本发明的第五个方面包括:通过在图像显示屏上选取或向相互分离方向拖动两幅所述的特征图像调用所操作的两幅特征图像之间重新采样及显示程序。
上述搜索方法是寻找图像中目标的亮度范围,因此这种方法可通过搜索感兴趣目标亮度范围的上、下限,为开窗技术确定窗宽及窗位。
类似于提高搜索效率的方法,本发明还提供了提高显示效率的方法。
本发明的第六个方面还包括:用采样的分解图像序列显示图像中伪影或非均匀亮度的空间变化模式,或以采样的分解图像序列为索引,定位及显示伪影或非均匀亮度的细节。
用于显示图像中伪影或非均匀强度的空间变化模式的采样间隔大小可根据显示方式、精度需求、个人偏好等设置。如采用静态显示方式时,因受显示空间限制,采样间隔应取大些;而动态显示时,则可选小些。
需要补充说明的是:在有噪声的情况下显示缓慢变化的伪影,由于噪声通常具有不同的特点,因此容易识别噪声的存在。如果噪声在正常范围之内,并不影响伪影的识别。
总之,本发明的第一至六个方面主要分为两大部分,一部分涉及显示数字图像中伪影或非均匀亮度,另一部分涉及快速搜索或定位图像中感兴趣目标,其中包括定位伪影或非均匀强度的显示区间。所述的快速搜索图像中感兴趣目标方法还可以辅助开窗技术确定窗参数及检索亮度变化细节信息。
除上述发明外,分解图像序列直方图也能够快速定位伪影或非均匀强度的显示区间,同时可用于分割图像等相关处理。
本发明的第七个方面,一种利用分解图像序列直方图定位数字图像中伪影或非均匀亮度的方法及三种依据分解图像序列直方图分析的图像处理方法之特征包括:统计、绘制分解图像序列直方图,该直方图的水平坐标为图像的亮度级,纵坐标等于以相应亮度级为阈值对原图像进行分割后的图像中目标像素统计值(用公式(1)进行阈值分割后的图像中目标像素统计值,也可用结果相等的其它计算方法获得该统计值,如用各亮度级像素统计值的累加代替,详见实施例3);所述的分解图像序列直方图具有累积性质;在所述的分解图像序列直方图上,坡度突变的特征点,提供了阈值用于确定伪影或非均匀亮度的显示区间,或分割图像中最大的目标,或估计或抑制背景噪声,或用于压缩图像。
下面对本发明的第七个方面给予说明。
上述的分解图像序列直方图从高强度方向看是一个累积直方图,因此图像中只有大的目标或背景才会显著影响直方图的变化趋势,其表现在背景或大目标所在亮度区间直方图具有高坡度,且存在坡度突变的特征点,因此可以选取突变的特征点为阈值分割图像,并以此获得其它图像处理功能。下面以MRI图像为例给予进一步解释。
在图6A所示的MRI图像(T1加权像)的分解图像序列直方图中,有两个坡度突变的特征点pb和po点。在pb点左侧可以看到最大坡度的特征(右侧坡度较小),由于pb点靠近0级亮度,且MRI图像属于低亮度背景图像,可以推断该大面积区域为含有噪声的背景。而po点是背景区域以外的最大坡度段的突变特征点,在MRI脑图像中通常只有白质面积比较大,因此,与之关联的应为脑白质区域。图6B为采用特征点pb(亮度级70)为阈值分割的图像,由此可以看出,所分割图像已经接近完整目标,因此从0级到pb级亮度绝大部分为噪声,可以用来估计背景噪声,如果在图像中将低于pb级亮度置为0级,则可以抑制背景噪声。在T1加权像中,白质的亮度级通常高于其它脑组织,因此以po点为阈值可粗分割脑组织。图6C为用po点(亮度级1120)为阈值分割的图像,由此可见,po点可以用于提取外皮组织的预分割,或去除外皮组织(因其含有少量白质,只能用于粗分割,但其作为预处理可以加快相关图像处理过程)。从该直方图上还可以发现,po点到图像的最大亮度级之间占据了相当宽的范围,而这部分亮度级中绝大部分对图像有用信息没有贡献,可以减少po点以上的亮度级,同时抑制pb以下的亮度级,再进行图像编码,从而在保留图像信息的基础上压缩图像。
如前所述,显示MRI图像中偏差场应定位在白质区域,其中po点可以近似认为是白质中最高亮度级(见图6C),该亮度级决定了偏差场显示范围的一个端点。而pe点(见图6A)可以近似为po点附近的高坡度段至低坡度段的平滑过渡点,该点提示脑组织亮度特征有变化,即:近似白质的最低亮度级。因此,pe点可为偏差场显示区间的另一端点。对于真实MRI图像,通常该点在脑组织亮度区(如pb-po),距含白质的特征点约1/3处。如前所述,在通常情况下该边界点的准确与否,对显示偏差场的空间模式意义不大;如果需要,也可以在该点附近进一步采样确定细节。
对于其它模式的MRI图像,如T2加权像,因不同组织亮度强弱有所不同,直方图也会随之变化,但对于白质区域仍然存在类似特征(见实施例6)。
本发明的第八个方面,采用快速方法统计所述分解图像序列直方图包括:用临时储存单元储存阈值分割图像矩阵,重复利用该储存单元,仅保留统计结果在一维向量中。
由于上述分解图像序列直方图需要包含全体分解图像序列,如果储存全部图像序列,必将占用大量资源,且耗时。本发明采用临时储存单元解决此问题,以一个简单的矩阵替代原来的二维矩阵序列或三维矩阵,减少资源消耗并实现快速处理。
本发明的第九个方面,一种检测数字图像中不同目标亮度范围重叠的方法,其特征包括:在图像亮度范围内,用有序阈值序列依次分割原图像,将一幅图像分解为一个由二值图像组成的分解图像序列;将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上,得到彩色映射图序列;在所述的彩色映射图序列中,如果存在不同目标部分地出现在同一分解图像上,则这些目标在亮度范围重叠,并在该分解图像所在亮度级重叠。
可以证明:当两个目标在亮度范围重叠,且重叠亮度级超过1级时(指图像灰度级中的1级),在上述序列中,必然存在这样的分解图像,两个目标都是部分地出现在该分解图像上。下面给予证明:
对于图像中任一像素,其位置于p,其中p∈Dg,Dg为图像定义域,符号∈表示属于,像素的亮度值g(p)属于图像的值域。为简单起见,在以下的证明中,我们用p也代表像素本身。
令Dga为目标A的像素集合,Dgb为目标B的像素集合,符号表示真包含。
假设目标A的亮度范围为从M到N,目标B的亮度范围为从J到K。
不失一般性,我们可假设K<N,以及J<M(见图7)。
如果两目标的亮度范围重叠,且重叠亮度级大于1,那么必然有M<K。
既然目标A的亮度级范围从M到N,那么一定存在这样的像素pM,其亮度值为M,即:符号表示存在。类似地可以得到:
以及
而按照上述分解图像的定义,CSt仅含有亮度值大于等于t的像素(在分解图像上其像素值为1)。因此,如果i≥1,那么同样,我们可以得到:如果M+i≤K,那么pK∈CSM+i,pN∈CSM+i。我们已经知道:pM,pN∈Dga,pJ,pK∈Dgb,所以,属于两种目标的像素分别部分地出现在分解图像CSM+i上。在重叠亮度级的分解图像上可以看到这种现象。
反过来,也可以证明,如果两个目标在同一分解图像上均部分地出现,则这两个目标在该亮度级重叠。
在MRI影像中,通常不同组织亮度分布的重叠多于一级。因此,可以通过在上述序列中寻找同时部分出现不同组织的分解图像,获取不同组织的亮度重叠信息。
本发明的第十个方面,对所述的彩色映射图序列进行采样,如果其中两个采样点的分解图像有两个或两个以上目标相同且均具有部分出现的亮度重叠特征,则在两个采样点中间的分解图像都具有该特征;具有该亮度重叠特征的分解图像越多,所述的目标间之亮度重叠越严重。
上述亮度重叠特征是由分解图像序列的包含关系所决定的。重叠越严重,偏差场也就越严重。用这种方法可以初步估计MRI影像的非均匀程度。
本发明作为一个整体,各部分之间的关系及功能见图8。
概言之,本申请的技术方案为:
一种定位及显示数字图像中伪影或非均匀亮度的方法,其特征包括:
将一幅数字图像分解为一个由二值图像组成的有序的分解图像序列;
用所述的分解图像序列显示图像中伪影或非均匀亮度,或者定位图像中感兴趣目标亮度范围,其包括定位伪影或非均匀亮度显示区间;
采用动态显示方式,或者静态显示方式,显示所述的分解图像序列。
上述的分解图像序列可以用彩色映射图序列代替,将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上便得到所述的彩色映射图序列。
定位图像中感兴趣目标亮度范围,可以用一种快速搜索方法,其主要由以下步骤组成:
在图像亮度范围内,用采样的阈值序列分解原图像并显示;
选取最邻近的不含该目标及含有完整该目标的两幅特征图像;
在所述的两幅特征图像所确定的区间内重新采样并显示;
重复选取最邻近的特征图像;
直至无新的最邻近的特征图像出现,或者出现两幅分解图像:一幅可以近似为含该目标像素最少的分解图像,且另一幅可以近似为含有完整该目标的特征图像;
该目标的亮度范围大于等于含完整该目标的特征图像或近似含完整该目标的分解图像之阈值,且小于等于含该目标像素最少的分解图像或近似含该目标像素最少的分解图像之阈值。
如果要求精确定位感兴趣目标之亮度范围,采样点应在所述的区间内包括所述的特征图像相邻的分解图像,且应搜索至无新的所述的特征图像出现。
上述的定位图像中感兴趣目标亮度范围方法,其操作特征包括:通过在图像显示屏上选取或向相互分离方向拖动两幅所述的特征图像调用所操作的两幅特征图像之间重新采样及显示程序。
上述的显示图像中伪影或非均匀亮度方法,其特征还包括:用采样的分解图像序列显示图像中伪影或非均匀亮度的空间变化模式,或以采样的分解图像序列为索引,定位及显示伪影或非均匀亮度的细节。
一种利用分解图像序列直方图定位数字图像中伪影或非均匀亮度的方法及三种依据分解图像序列直方图分析的图像处理方法,其特征包括:
统计、绘制分解图像序列直方图,该直方图的水平坐标为图像的亮度级,纵坐标等于以相应亮度级为阈值对原图像进行分割后的图像中目标像素统计值;
所述的分解图像序列直方图具有累积性质;
在所述的分解图像序列直方图上,坡度突变的特征点,提供了阈值用于确定伪影或非均匀亮度的显示区间,或分割图像中最大的目标,或估计或抑制背景噪声,或用于压缩图像。
统计所述的分解图像序列直方图方法还包括,利用临时储存单元储存阈值分割图像矩阵,重复利用该储存单元,仅保留统计结果在一维向量中。
一种检测数字图像中不同目标亮度范围重叠的方法,其特征包括:
将一幅数字图像分解为一个由二值图像组成的有序的分解图像序列;
将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上,得到彩色映射图序列;
在所述的彩色映射图序列中,如果存在不同目标部分地出现在同一分解图像上,则这些目标在亮度范围重叠,并在该分解图像所在亮度级重叠。
上述检测数字图像中不同目标亮度范围重叠的方法,其特征还包括:对所述的彩色映射图序列进行采样,如果其中两个采样点的分解图像有两个或两个以上目标相同且均具有部分出现的亮度重叠特征,则在两个采样点中间的分解图像都具有该特征;具有该亮度重叠特征的分解图像越多,所述的目标间之亮度重叠越严重。
本发明的效果及特征,参照附图并通过下面实施例将进一步说明。
附图说明
图1含有严重偏差场伪影的MRI图像。
图2仿真MRI偏差场及两圈所示亮度区。
图3用分解图像序列显示仿真MRI偏差场中非均匀强度及两圈所示亮度区。
图4用分解图像序列定位图像中感兴趣目标的亮度范围示意图。
图5用采样方法快速搜索图像中感兴趣目标流程图。
图6分解图像序列直方图及应用直方图特征点分割图像。A:MRI-T1加权像的分解图像序列直方图;B:以pb点亮度级为阈值分割的图像;C:以po点亮度级为阈值分割的图像。
图7两目标的亮度范围重叠示意图。
图8本发明各部分之间的关系及其功能。
图9一种显示MRI图像中偏差场及检测不同组织重叠信息程序的工作原理图。
图10仿真MRI数据。A:含有20%偏差场的仿真MRI图像;B:不含偏差场的仿真MRI图像;C:仿真MRI偏差场。
图11含有20%偏差场的仿真MRI图像的分解图像序列直方图。
图12含有20%偏差场的仿真MRI图像的偏差场显示结果。A:分解图像序列B:彩色映射图序列
图13不含偏差场的仿真MRI图像的亮度变化显示结果。
图14对比偏差场显示结果与已知仿真MRI偏差场。A:含有20%偏差场仿真MRI图像的偏差场显示结果;B:A所显示区域对应偏差场的位置。
图15真实MRI-T1轴面图像。
图16真实MRI-T1轴面图像的分解图像序列直方图。
图17真实MRI-T1轴面图像的偏差场显示结果。
图18用快速搜索方法搜索及显示真实MRI-T1轴面图像中偏差场的过程及结果。
图19真实MRI-T1轴面图像的分解图像序列直方图及其特征点分割图像。A:分解图像序列直方图;B:以pb点亮度级为阈值分割的图像;C:以po点亮度级为阈值分割的图像。
图20用快速搜索方法搜索及显示真实MRI-T1矢状面图像中偏差场的过程及结果。
图21显示真实MRI-T1矢状面图像中白质和灰质组织之亮度重叠信息。
图22真实MRI-T2轴面图像。
图23真实MRI-T2轴面图像的分解图像序列直方图。
图24真实MRI-T2轴面图像的偏差场显示结果。
图25细化显示MRI-T2轴面图像在显示区端点的偏差场细节。
图26含有1%噪声及20%偏差场的仿真MRI图像。
图27含有1%噪声及20%偏差场的仿真MRI图像的偏差场显示结果。
图28容易引起视错觉的简单目标图像。
图29简单目标图像的分解图像序列直方图。
图30简单目标图像的分解图像序列。
图31检测图像中目标亮度变化的细节。
具体实施方式
(实施例1)
本实施例将本发明应用于仿真MRI数据。拟通过该实施例及相关参考附图对本发明所解决的问题加以说明,通过仿真数据对本发明加以验证,并解释如何使用本发明。
在本实施例中联合应用了本发明的第7-9项,及第1、2、6项,工作原理图见图9。首先应用分解图像序列直方图定位偏差场的显示区间,在该区间内用采样的阈值序列依次分割原图像,获得一个由二值图像组成的分解图像序列,经过彩色映射后得到彩色映射图序列,以此显示MRI图像中偏差场的空间变化模式(其中检测图像中不同组织亮度重叠信息将在实施例5的真实MRI图像中使用,本实施例重在验证本发明,故未详述此项功能)。
为解释本发明,同时说明其有效性,第一个实施例所用图像选自被广泛使用的公用仿真MRI数据库-加拿大蒙特利尔研究所提供。本实施例采用的是raw byte格式数据,为8位图像。为了说明本发明是否能够检测出伪影的存在,以及所检测出的伪影是否与客观存在的一致,本实施例特选用该数据库中3个仿真MRI图像(见图10),分别为:含20%偏差场的仿真MRI脑图像(图10A)、不含偏差场的仿真MRI脑图像(图10B),以及构造图10A的仿真MRI偏差场(图10C),其中图10A和图10B除偏差场外其它参数均相同。对照图10A和图10B,很难直接观察到二者有何不同。
下面以图10A为例,应用本发明显示该图像的偏差场,具体操作步骤如下:
绘制分解图像序列直方图:计算原图像最高亮度级Imax(本实施例为221)及最低亮度级Imin(本实施例为0);应用阈值{Imax,Imax-1,…,Imin+1,Imin}及公式(1)依次对原图像进行二值分割,本实施例的阈值序列为{221,220,…,2,1,0}),每分割一幅图像,便将其存入临时矩阵Itemp,之后立刻计算其值为1的像素数之和,并存入相应的统计向量N(i);重复利用Itemp的存储空间,存储下一个分解图像矩阵,直至统计到N(0)。将所有统计数据除以总像素数,以此为目标像素统计值。最后,以图像的亮度级为水平坐标,统计值N(i)为纵坐标绘制分解图像序列直方图(见图11)。
在所述直方图上选择偏差场显示亮度区间(见图11),除0级附近(背景)外,最大坡度段在pe点与po点所确定的亮度区间(注:此仿真MRI脑图像为T1加权像),其中po点(149)为坡度突变的特征点,而pe(138)点为坡度平滑过渡点。因此,用于显示偏差场的亮度区间为138-149。采用从高亮度阈值到低亮度阈值显示方式显示分解图像序列,则分解图像序列的起始阈值ps(po)为149,终止分割阈值pe为138。所谓起始阈值就是分解图像序列中第一幅图像的分割阈值。由于起始阈值和终止阈值之间相差很少(该数据为8位存储数据,相对于真实数据小很多),因此采用连续采样方式获取图像(图9中t为1),即得到阈值序列149、148、147,……,138。
应用上一步所选阈值序列及公式(1),对原图像进行分解,得到分解图像序列:CS149,CS148,CS147,...,CS138。将该分解图像序列从左至右排列,即最高阈值分割图像在最左端,最低阈值分割图像在最右端,得到图12A的分解图像序列(也可以采用相反的显示方法)。
将上述分解图像序列中每幅图像分别以彩色方式映射到原图像上。彩色方式映射包含RGB模式、索引模式等类型的映射。本实施例选RGB彩色模式,颜色选用黄色。首先将原图像转换为RGB三个分量矩阵,然后将上述分解图像序列中每幅图像分别叠加到该RGB图像的红、绿分量(构成黄色),从而获得彩色映射图序列,并以此显示图像中偏差场。具体操作为:如果原灰度图像(MRI图像)为I,对原图像进行归一化处理(除以I矩阵中最大值),并将归一化图像转换为具有3个颜色分量的RGB图像Ic,其红色分量为Ic-r,那么将分解图像序列中一幅二值图像CSt映射到红色分量的操作为:Ict-r-new(x,y)=max{CSt(x,y),Ic-r(x,y)},其中t为分解图像的阈值,Ict-r-new为映射后的分解图像的红色分量。用同样方法对绿颜色分量操作,可将分解图像映射到绿色分量上,而蓝色分量不变,这样就实现了黄色的映射。随着阈值t的变化,对分解图像序列中每幅图像进行上述操作,便得到彩色映射图序列(见图12B),该序列为显示图像偏差场的结果。(注:本图为了增强显示效果,降低了原图像的亮度)
本实施例采用静态显示方法显示图像中偏差场或非均匀强度。按照阈值递减的变化方向,从左到右依次展开彩色映射图序列(图12B)。按照所述的图像分解及彩色映射原理,最左侧的图像中黄色区域为较高阈值分解图像,因此为较高亮度区域。在本实施例中,左侧第2幅图像中黄色覆盖的白质区域为白质最高亮度区域,随着右移,分解图像的阈值逐渐降低,黄色区域逐渐增加,也就是包含越来越多的较低亮度区域,最右侧图像中未染色的区域为最低亮度区域。对照白质中黄色区域与正常解剖结构(原灰度图像),观察黄色区域在白质中是否存在不均匀性,在正常脑图像中如果有不均匀性,则由偏差场引起的。因此,黄色区域的不均匀性反映了偏差场的不均匀性。通过从左到右地移动视线观察序列图像中黄色区域的变化,可以看到偏差场在空间从高亮度到低亮度的变化模式,即所谓空间变化模式。
由图12B所示彩色映射图序列,很容易观察到黄色区域在白质中的非均匀性,因此可以确定存在偏差场,且可知偏差场的空间模式。
在本实施例中,对不含偏差场的仿真MRI图像(图10B)的显示步骤与上述相同,不同的是:根据分解图像序列直方图确定的其起始分割阈值为151,向右方有所偏移。不含偏差场图像的彩色映射图序列如图13所示。从图13可见,该图像中白质区域不存在上述非均匀的亮度变化。对照图12B与图13,可以说明本发明用于显示图像中伪影的有效性。由此可见,本发明可以检测MRI图像是否含有偏差场。
为了验证检测出的伪影是否与客观存在的一致,将图12B显示结果与仿真偏差场对照得到图14。图14A为图12B,即对含有偏差场仿真MRI图像应用本发明显示的结果,黄色区域为检测到的偏差场及其变化模式。图14B为本发明所检测到的白质亮度变化区域在仿真偏差场(图10C)中的位置。对照图14B所示区域,可以看到所显示的偏差场亮度变化模式,与已知偏差场完全一致,如偏差场最亮区域在左上角,最暗区域在左下角,完全相同。
在本实施例中采用分解图像序列直方图定位MRI图像中偏差场伪影的显示区间,也可以用本发明的快速搜索图像中感兴趣目标方法搜索白质区域代替。
(实施例2)
实施例1用仿真MRI图像验证了本发明可以检测偏差场,并且与客观存在的一致。本实施例将进一步说明本发明是如何精确显示图像的非均匀强度,及减少视错觉主观偏差。在本实施例中将用本发明的第1,6项显示图2所示仿真MRI偏差场及两圈所示亮度的区别。
将图2所示仿真MRI偏差场图像用其亮度范围内全部阈值序列分解该图像:计算原图像最高亮度级Imax(本实施例为221)及最低亮度级Imin(本实施例为58);应用阈值{Imax,Imax-1,…,Imin+1,Imin}及公式(1)依次对原图像进行二值分割,得到所述的分解图像序列-二值图像序列{CS221,CS220,…CS59,CS58},用该分解图像序列显示偏差场的亮度变化。
用动态显示方式,在显示过程中可以发现图2中两圈所示亮度区别的分解图像。截取包含该图像的5帧连续分解图像并以间隔2采样,用静态显示方式,得到图3所示分解图像序列。该序列中3幅分解图像中白色区域为所分解的二值图像所覆盖的区域。根据上述图像分解原理可知,白色覆盖区在亮度上高于未覆盖区,随着图像序列的延伸,覆盖区增加,其显示了从高亮度到低亮度的空间变化模式。在图3所示序列的最右边图像中,可以发现:上面圈在白色区域,其亮度高于下面圈区域。因此,原仿真偏差场图像中无法区分的非均匀亮度细节,可以通过本发明的分解图像序列发现相关信息,进而说明这种通过分解图像序列来显示偏差场的模式优于图2所给出的单一图像的固定模式。实际上,如果直接观察图2,我们会感觉从左上方到右下方的亮度扩散,而观察图3最右边图像,则可以发现这是错觉。实际上,右方中上部分的亮度要高于右下方,其原因是左下方的暗区干扰了我们的判断。因此,本发明在显示伪影或非均匀强度时,可以避免因对比度所引起的视错觉。
(实施例3)
在本实施例中,所使用方法同实施例1。不同的是所用图像来自真实MRI数据,且采用各亮度级像素统计值累加的方式统计分解图像序列直方图。
本实施例所用图像(图15)为真实DICOM格式、3T场强的MRI数据,在本实施例中与实施例1相同部分则简述。下面就其主要操作步骤说明如下:
从DICOM格式数据中读取MRI图像,并以矩阵的形式存储该图像。
计算图像矩阵的最大值,此图像最大值为2604。从2604开始按降序方式依次对原图像进行阈值分割,不同的是:将公式(1)改为等于号后再用于分割,每用一阈值分割一次原图像便计算图像矩阵中数值为1的像素个数且与高一级(最高级除外)累加值相加并储存,最后除以图像总像素数作为统计向量。用上述的统计值向量和图像的亮度级向量绘制分解图像序列直方图(见图16)。
在图16中,在背景区外的最大坡度段的端点po点(970)为坡度突变的特征点,而pe(700)点近似为坡度平滑过渡点。如前所述,pe点大约在两特征点pb和po之间、距po点1/3处(该点即使选择不够准确,通常也不会影响观察偏差场的空间变化模式,而且可以通过本发明的第6项重新定位)。因此,用于显示偏差场的亮度区间为700-970。采用10幅图像静态显示,为简单起见,取亮度采样间隔为(970-700)/9=30(如果不能整除,可以取不等亮度间隔),阈值序列从高亮度到低亮度排列为:970,940,……,730,700。
用该阈值序列对原图像依次进行阈值分割,得到分解图像序列。
对该分解图像序列中每幅图像分别向原图像进行彩色映射。
用从左到右亮度逐渐降低的方式显示彩色映射图序列,其反映了偏差场的空间变化模式(见图17)。
在图17中,最左侧黄色覆盖的白质区域是白质中最亮区域,其反映了偏差场最亮区域。随着视线的右移,可以观察到在白质中的黄色区域明显是从中心向外扩散,最后出现的黄色区域在白质的边缘,因此该MRI图像的偏差场具有中心亮的特征。显然,该真实MRI图像偏差场的空间变化模式不同于图12所示的仿真MRI图像的模式。该显示结果与目前实验研究结果一致,即:中心亮的偏差场模式在高场强MRI图像中比较常见。
(实施例4)
在本实施例中,使用本发明的1-3,5,6项,定位及显示真实MRI图像中偏差场,并对利用分解图像序列直方图上特征点进行相关图像处理(使用本发明的第7、8项)。所用图像为真实MRI-T1轴面图像(图18第一行为原图像)。下面就其主要操作步骤说明如下(与实施例3相同部分则略):
在图像亮度范围内采样:计算图像的最大值Imax(2480)及最小值Imin(0)。取10个采样点,即分解图像序列为10幅图像。取等间隔采样,采样间隔为2480/9;约等于276。为简便起见,除最高级与次高级采样点之间的间隔为272,其余间隔均为276。得到阈值序列:2480,2208,1932,……,276,0。用该阈值序列依次分解原图像,并进行彩色映射,得到彩色映射图序列(图18第二行图像,图像下面的数字为分解阈值,也简称亮度值)。
在该彩色映射图序列中(见图18第二行),可以发现最邻近的不含有白质的特征图像(亮度值为1104),及含有完整白质的特征图像(亮度值为552)。
在这两个特征图像阈值(亮度值)所确定的区间重新采样,为简单起见,仍然采用等分法(1104-552)/9(近似等分),得到新的阈值序列:1104,1040,979,……,613,552。用新的阈值序列依次分解原图像,并进行彩色映射,得到新的彩色映射图序列(图18第三行图像)。
在图18第三行图像里,可以发现两个图像:含有白质最少的近似图像(<10%白质),其亮度值为918,及近似含有完整白质(缺失<10%白质)的图像,其亮度值为613,停止搜索。
在两个阈值918和613所确定的区间内采样,并分解原图像,及进行彩色映射,得到最终的彩色映射图序列(见图18第四行图像),以此显示图像中伪影或非均匀亮度的空间变化模式。
在图18第四行的分解图像里,可以发现该图像的伪影仍然属于中心亮类型。
需要说明的是:在本实施例中,由于MRI伪影的特殊性,没有采用精确搜索方法。在这种情况下,如果采样方法不同,可能最终搜索到的显示区间边界会略有不同,但其一定会落在白质亮度范围,也不会影响观察伪影的空间变化模式,而且通过在边界阈值处全采样可以获得精确的边界值,但其对偏差场的显示意义不大。
对该图像统计绘制分解图像序列直方图(见图19A),如前所述采用直方图上坡度突变的特征点pb、po点分别对原图像进行分割,也就是利用公式(1),令原图像中亮度级大于等于pb点值为1,否则为0,得到图19B,同理得到19C。图19B包含了绝大部分目标像素,而19C主要为脑外皮组织。因此该直方图上特征点可用于图像的粗分割,在此基础上,继续用其它图像分割方法(如C均值方法)在pb或po亮度级附近搜索,可以减小搜索空间(尤其是po点以上亮度覆盖了相当宽的范围),同时得到更精确的分割结果。由于pb点以下亮度级很少包含目标像素,因此,可以用来估计背景噪声。如果用图像处理中常用的灰度映射方法减少pb点以下亮度级,或令pb点以下亮度级为零,可以抑制背景噪声。po点通常包含少量白质,因此可以取略高于po点的亮度值对原图像进行分割,以去除非脑组织,如取po+(Imax-po)/10分割原图像,其中Imax为图像亮度最大值。如果将低于pb点,或高于po+(Imax-po)/10点亮度级都置零,再进行图像编码,可以压缩图像。
(实施例5)
本实施例用来说明如何利用本发明发现不同组织在亮度分布上重叠。在本实施例中,将使用本发明的1-6项,及9,10项。所用图像为真实MRI-T1矢状面图像(原图像见图20第一行)。
其中搜索伪影显示区间与实施例4相同,相同步骤将简述。
本实施例的MRI图像最大亮度级为1304,最小亮度级为0。与实施例4相同,仍然采用等间隔采样,采样后的分解图像序列经彩色映射后如图20第二行。其中最邻近的两特征图像的亮度值分别为580和290。与实施例4不同的是,在第二次采样时,采样区间向内各缩进一个亮度级,即采样点包含两特征图像的相邻图像,亮度值分别为579和291(本实施例仅说明精确定位采样法中特征图像相邻的分解图像如何使用,对定位精度没有影响,因后面仍选用近似条件),第二次采样的彩色映射图序列为图20第三行。在该行可以看到近似含白质最少的和近似含完整白质的两幅分解图像(亮度值分别为515和355)。经过两次搜索,找到显示区间,于是在亮度级515到355之间显示伪影或非均匀亮度,最后得到彩色映射图序列(也称分解图像序列),如图20第四行。由此可见,该图像的偏差场空间变化模式不属于中心亮模式。
仔细观察图20第四行每幅分解图像,对照其中黄色区域和原图像的解剖结构,可以发现:在该分解图像序列中,有黄色区域同时覆盖了部分白质和部分灰质的分解图像。由本发明的第九个方面可知,凡是具有此特征的分解图像,白质和灰质所在的亮度级都存在重叠。其中右边数第二、三幅分解图像(阈值分别为373和391)都具有该特征。用其中一阈值(385)分解原图像并进行彩色映射,得到图21。由图21可观察到该图像黄色区域也同时覆盖了部分白质和灰质,由此可说明本发明的第十个方面,两幅具有部分重叠特征的分解图像中间的分解图像还具有该特征,且说明该图像的不同组织之亮度重叠比较严重。
(实施例6)
本实施例所用方法与实施例3相同,与前面不同的是,本实施例所用MRI图像为T2加权像(图22为原图像)。最主要的不同点是分解图像序列直方图的特征不同。
下面仅就不同点加以说明。
由于T2加权像的脑白质相对于灰质等组织亮度较低,因此在分解图像序列直方图(见图23)上不再有明显的po点。但从pb点右侧,可以看到明显的高坡度段,该亮度区间应为较大目标的白质,pb点为高坡度段与低坡度段突变的特征点,而ps近似为平滑过渡点。其中pb点的亮度级为2000,而ps点为3500。因此,如果分解图像序列按阈值降序排序,则起始阈值为3500,终止阈值为2000。
图24为对该MRI-T2加权像的偏差场显示结果(为了更清楚地显示脑白质强度的变化,在分解图像前进行了预处理,除去了3510以上的强度级)。
由于上述ps点选择可能会损失信息,可以经过在该强度附近减小采样间隔,获取细节信息。即:在左端图像阈值(3500)邻近区域进一步细化分解图像序列,如图25所示显示的信息,显示强度在3600-3000之间。由图24和图25可知,该图像的偏差场也不属于中心亮类型,而是一边亮类型。
(实施例7)
为解释本发明在噪声存在下的有效性,本实施例采用含有噪声的仿真MRI图像说明偏差场伪影的显示结果。所用图像选自与第一个实施例相同的数据库,应用图像为1%的噪声和20%的偏差场(见图26),噪声和偏差场含量均为该数据库提供的最小值,其它参数与第一个实施例相同。
为简化起见,处理步骤与第一个实施例相同,不再赘述。
对该图像应用本发明的显示结果见图27。起始的亮度级也是149,连续采样,与第一实施例相同。对照第一实施例不含噪声但含有相同偏差场图像的显示结果(图12),可以发现二者的不同是:含有噪声图像的黄色区域含有沙粒似的噪声(见图27),在像素比较少的亮区(左端)很明显,但其并不影响观察整体亮度变化趋势(缓慢变化的偏差场),如左上方最亮(最左端分解图像中黄色区域),左下角最暗(最右端分解图像中未染色区域)。因此,在有噪声的情况下,本发明仍然可以观察到缓慢变化的伪影。值得注意的是,噪声的存在会改变偏差场的动态范围,对照图12和图27,可以发现:同是亮度级为149的(最左端图像),一个在149级强度时看不到偏差场(图12),另一个已经能够看到偏差场(图27)。
(实施例8)
本实施例将本发明应用于简单图像,以此解释本发明如何检测图像中目标的均匀性,以及减少视错觉的影响。
图28为具有简单几何目标的图像。在图28中,主观观察会感觉图像中目标的边缘在与黑背景交接处比其内部区域更亮,如中间长条形目标两侧的边缘,这是视错觉造成的。下面采用本发明显示其目标亮度的均匀性。
该图像的分解图像序列直方图如图29所示。该直方图的阶梯形状提示了三个目标所在亮度级。选用图29所示ps及pe两亮度级为起始和终止分解阈值,采样间隔为2,依次分解原图像,该分解图像序列包含了目标变化亮度范围,如图30所示。
下面进一步解释如何应用本发明的定位及显示数字图像中伪影或非均匀强度的方法,显示图像中目标亮度变化的细节,检测其是否均匀。如果想确切地显示图像中间的长条目标是否存在部分边界比其内部区域更亮的问题,首先应该准确地定位该目标所在亮度区间,其次在该亮度区间全采样(采样间隔为1)。如前所述,要定位目标,首先应该搜索最邻近的两幅特征图像,即不含有该长条目标和含有完整该长条目标的两幅图像。在图30所示的分解图像序列中,从左数第3和第4幅图像满足该条件,其中第3幅图像的亮度值为211,第4幅图像的亮度值为209。那么,如果该长条的左右边缘部分比其内部区域更亮,一定在这个亮度区间所分解的图像能够显示出来。即:存在这样的分解图像,其只含有边缘亮区,不含有内部区域。在该区间,用间隔为1的阈值序列继续分解图像,即:用阈值211、210、209分割原图像,所得到的分解图像序列包含了该目标的最亮区域。图31为细化采样后显示结果。根据前面所述分解图像序列的性质,由图31可以确定该目标不存在部分边界比区域内部更亮的问题。
由上面的实施例可知,本发明能够定位及显示MRI图像中伪影偏差场,能够识别不同组织的亮度分布重叠;可以搜索、定位图像中感兴趣目标的亮度范围,判断其是否均匀,并获得高精度的显示结果,同时可以减少视错觉等引起的主观偏差;分解图像序列直方图还可以用于分割图像的阈值选取、背景噪声的估计或抑制,以及压缩图像。
本说明书主要针对低亮度级为背景图像而叙述,当图像以高亮度级为背景时,与上述特征相反,或对图像取反变换后可获得上述特征。
本发明不局限于以上所提到的实施例,在权力要求书的范围内可对本发明进行许多修改。
Claims (10)
1.一种定位及显示数字图像中伪影或非均匀亮度的方法,其特征包括:
在图像亮度范围内,用有序阈值序列依次分割原图像,将一幅图像分解为一个由二值图像组成的分解图像序列;
用所述的分解图像序列显示图像中伪影或非均匀亮度,或者定位图像中感兴趣目标亮度范围,其包括定位伪影或非均匀亮度显示区间;
采用动态显示方式,按照时间顺序依次显示从高亮度到低亮度顺序或相反顺序所述的分解图像序列,或者采用单次静态显示方式,将所述的分解图像序列排列成从高亮度到低亮度顺序或相反顺序的队列,或者采用多次静态显示方式,所述的多次静态显示方式之显示次数≥2,且每次显示的分解图像数≥1。
2.如权利要求1所述的定位及显示数字图像中伪影或非均匀亮度的方法,其中所述的分解图像序列可以用彩色映射图序列代替,将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上便得到所述的彩色映射图序列。
3.如权利要求1所述的定位及显示数字图像中伪影或非均匀亮度的方法,其中所述的定位图像中感兴趣目标亮度范围,可以用一种快速搜索方法,其主要由以下步骤组成:
在图像亮度范围内,用采样的阈值序列分解原图像并显示;
选取最邻近的不含该目标及含有完整该目标的两幅特征图像;
在所述的两幅特征图像所确定的区间内重新采样并显示;
重复选取最邻近的特征图像;
直至无新的最邻近的特征图像出现,或者出现两幅分解图像:一幅含该目标像素与其总和之比小于预定精度值,且另一幅缺失该目标像素与其总和之比小于预定精度值;
该目标的亮度范围大于等于含完整该目标的特征图像之阈值或所述的缺失该目标像素与其总和之比小于预定精度值的分解图像之阈值,且小于等于含该目标像素最少的分解图像之阈值或所述的含该目标像素与其总和之比小于预定精度值的分解图像之阈值。
4.如权利要求3所述的定位及显示数字图像中伪影或非均匀亮度的方法,其中所述的重新采样过程,如果要求精确定位感兴趣目标之亮度范围,采样点应在所述的区间内包括所述的特征图像相邻的分解图像,且应搜索至无新的所述的特征图像出现。
5.如权利要求3所述的定位及显示数字图像中伪影或非均匀亮度的方法,其中所述的定位图像中感兴趣目标亮度范围方法,其操作特征包括:通过在图像显示屏上选取或向相互分离方向拖动两幅所述的特征图像调用所操作的两幅特征图像之间重新采样及显示程序。
6.如权利要求1所述的定位及显示数字图像中伪影或非均匀亮度的方法,其中所述的显示图像中伪影或非均匀亮度方法,其特征还包括:用采样的分解图像序列显示图像中伪影或非均匀亮度的空间变化模式,或以采样的分解图像序列为索引,定位及显示伪影或非均匀亮度的细节。
7.一种利用分解图像序列直方图定位数字图像中伪影或非均匀亮度的方法及三种依据分解图像序列直方图分析的图像处理方法,其特征包括:
统计、绘制分解图像序列直方图,该直方图的水平坐标为图像的亮度级,纵坐标等于以相应亮度级为阈值对原图像进行分割后的图像中目标像素统计值;
所述的分解图像序列直方图具有累积性质;
在所述的分解图像序列直方图上,坡度突变的特征点,提供了阈值用于确定伪影或非均匀亮度的显示区间,或分割图像中最大的目标,或估计或抑制背景噪声,或用于压缩图像。
8.如权利要求7所述的一种利用分解图像序列直方图定位数字图像中伪影或非均匀亮度的方法及三种依据分解图像序列直方图分析的图像处理方法,其特征包括:统计所述的分解图像序列直方图,利用临时储存单元储存阈值分割图像矩阵,重复利用该储存单元,仅保留统计结果在一维向量中。
9.一种检测数字图像中不同目标亮度范围重叠的方法,其特征包括:
在图像亮度范围内,用有序阈值序列依次分割原图像,将一幅图像分解为一个由二值图像组成的分解图像序列;
将所述的分解图像序列中每幅图像分别用彩色方式映射到原图像上,得到彩色映射图序列;
在所述的彩色映射图序列中,如果存在不同目标部分地出现在同一分解图像上,则这些目标在亮度范围重叠,并在该分解图像所在亮度级重叠。
10.如权利要求9所述的检测数字图像中不同目标亮度范围重叠的方法,其特征包括:对所述的彩色映射图序列进行采样,如果其中两个采样点的分解图像有两个或两个以上目标相同且均具有部分出现的亮度重叠特征,则在两个采样点中间的分解图像都具有该特征;具有该亮度重叠特征的分解图像越多,所述的目标间之亮度重叠越严重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310050211.1A CN103985110B (zh) | 2013-02-08 | 2013-02-08 | 数字图像中伪影或非均匀亮度的定位及显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310050211.1A CN103985110B (zh) | 2013-02-08 | 2013-02-08 | 数字图像中伪影或非均匀亮度的定位及显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103985110A CN103985110A (zh) | 2014-08-13 |
CN103985110B true CN103985110B (zh) | 2017-02-08 |
Family
ID=51277068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310050211.1A Active CN103985110B (zh) | 2013-02-08 | 2013-02-08 | 数字图像中伪影或非均匀亮度的定位及显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103985110B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6339677B2 (ja) * | 2013-08-13 | 2018-06-06 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 長期生理的信号品質インジケーションに関する方法及びディスプレイ |
CN104408699A (zh) * | 2014-10-31 | 2015-03-11 | 杭州美诺瓦医疗科技有限公司 | x光医学影像局部多参数多画幅非动态处理及显示方法 |
CN104408690A (zh) * | 2014-10-31 | 2015-03-11 | 杭州美诺瓦医疗科技有限公司 | x光医学影像局部多参数单画幅动态图像处理及显示方法 |
CN104318507A (zh) * | 2014-10-31 | 2015-01-28 | 杭州美诺瓦医疗科技有限公司 | 医学影像局部多参数单画幅快捷键控制的处理及显示方法 |
CN104346785A (zh) * | 2014-10-31 | 2015-02-11 | 杭州美诺瓦医疗科技有限公司 | x光医学影像局部多参数多画幅动态图像处理及显示方法 |
CN104463783A (zh) * | 2014-10-31 | 2015-03-25 | 杭州美诺瓦医疗科技有限公司 | 局部多参数多画幅快捷键控制图像的处理及显示方法 |
CN105898292A (zh) * | 2016-01-06 | 2016-08-24 | 中山大学 | 一种3d显示主观亮度均匀性的定量测量方法与测量装置 |
JP6687511B2 (ja) * | 2016-12-28 | 2020-04-22 | 本田技研工業株式会社 | 制御装置、監視装置及び制御用プログラム |
US20210049734A1 (en) * | 2019-08-12 | 2021-02-18 | Canon Medical Systems Corporation | Image processing method and apparatus |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101896835A (zh) * | 2007-12-11 | 2010-11-24 | 皇家飞利浦电子股份有限公司 | 减少mri中的运动伪影 |
CN102309323A (zh) * | 2010-07-07 | 2012-01-11 | 通用电气公司 | Epi中使用自导航实时相位校正的图像伪影减少系统和方法 |
CN102361592A (zh) * | 2009-03-25 | 2012-02-22 | 美国西门子医疗解决公司 | 用于在药团跟踪期间的自动触发-roi检测和监视的系统和方法 |
CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
CN102525469A (zh) * | 2011-12-12 | 2012-07-04 | 中国科学院深圳先进技术研究院 | 针对小目标的磁共振成像方法和系统 |
CN102772207A (zh) * | 2011-05-12 | 2012-11-14 | 上海联影医疗科技有限公司 | 磁共振成像方法和装置 |
CN102783966A (zh) * | 2011-05-03 | 2012-11-21 | 通用电气公司 | 用于运动校正的医学图像的方法和器件 |
-
2013
- 2013-02-08 CN CN201310050211.1A patent/CN103985110B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101896835A (zh) * | 2007-12-11 | 2010-11-24 | 皇家飞利浦电子股份有限公司 | 减少mri中的运动伪影 |
CN102361592A (zh) * | 2009-03-25 | 2012-02-22 | 美国西门子医疗解决公司 | 用于在药团跟踪期间的自动触发-roi检测和监视的系统和方法 |
CN102309323A (zh) * | 2010-07-07 | 2012-01-11 | 通用电气公司 | Epi中使用自导航实时相位校正的图像伪影减少系统和方法 |
CN102783966A (zh) * | 2011-05-03 | 2012-11-21 | 通用电气公司 | 用于运动校正的医学图像的方法和器件 |
CN102772207A (zh) * | 2011-05-12 | 2012-11-14 | 上海联影医疗科技有限公司 | 磁共振成像方法和装置 |
CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
CN102525469A (zh) * | 2011-12-12 | 2012-07-04 | 中国科学院深圳先进技术研究院 | 针对小目标的磁共振成像方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103985110A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103985110B (zh) | 数字图像中伪影或非均匀亮度的定位及显示方法 | |
Heilbronner | Automatic grain boundary detection and grain size analysis using polarization micrographs or orientation images | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN108877736A (zh) | 消除屏体亮度不均的补偿方法及装置 | |
CN106447682A (zh) | 基于帧间相关性的乳腺mri病灶的自动分割方法 | |
CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
DE112016004907T5 (de) | Virtuelle CT-Bilder aus Magnetresonanzbildern | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
Dong et al. | A novel method for extracting information on pores from cast thin-section images | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN104102928B (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN104951765B (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
Wang et al. | A hybrid method for the segmentation of a ferrograph image using marker-controlled watershed and grey clustering | |
CN103489187A (zh) | 基于质量检测的宫颈lct图像中细胞核的分割方法 | |
CN103093449A (zh) | 一种多分辨率融合的射线图像增强方法 | |
Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
Zhang et al. | Automatic inspection of yarn-dyed fabric density by mathematical statistics of sub-images | |
US8315451B2 (en) | Method for segmentation of an MRI image of a tissue in presence of partial volume effects and computer program implementing the method | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN103778431B (zh) | 基于二维格子复杂性度量的医学图像特征提取和识别方法 | |
CN105513071A (zh) | 一种地形图图式质量评价方法 | |
Tie-Rui et al. | The research of X-ray bone fracture image enhancement algorithms | |
Sahidan et al. | Local and global contrast stretching for color contrast enhancement on ziehl-neelsen tissue section slide images | |
EP1826722B1 (en) | Computer system and method for processing a digital image | |
KR101054043B1 (ko) | 2차원 의료영상으로부터 3차원 영상을 생성하는 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |