CN105096303A - 一种基于边界引导的影像插值方法 - Google Patents

一种基于边界引导的影像插值方法 Download PDF

Info

Publication number
CN105096303A
CN105096303A CN201410203416.3A CN201410203416A CN105096303A CN 105096303 A CN105096303 A CN 105096303A CN 201410203416 A CN201410203416 A CN 201410203416A CN 105096303 A CN105096303 A CN 105096303A
Authority
CN
China
Prior art keywords
image
resolution image
interpolation method
interpolation
degree
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.)
Pending
Application number
CN201410203416.3A
Other languages
English (en)
Inventor
余绍德
伍世宾
谢耀钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201410203416.3A priority Critical patent/CN105096303A/zh
Publication of CN105096303A publication Critical patent/CN105096303A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出一种基于边界引导的影像插值方法，其包括如下步骤：S101、提取原始低分辨率影像的边界信息，获得原始边界信息；S103、对所述原始低分辨率影像进行插值处理，使其分辨率达到预定分辨率，获得预插值高分辨率影像，并提取所述预插值高分辨率影像的边界信息，获得过程边界信息；S105、分析对比所述原始边界信息和所述过程边界信息，对所述高分辨率影像的边界点进行逐点处理，以达到平滑或锐化的效果；S107、输出高分辨率影像。所述基于边界引导的影像插值方法可以提高影像质量，且满足实时性要求。

Description

一种基于边界引导的影像插值方法
技术领域
本发明涉及医学影像技术领域，尤其涉及一种基于边界引导的影像插值方法。
背景技术
高分辨率的自然图像，是人类穷尽自然奇观和发现事实真相的主要信息来源。在临床病情分析和诊断上，高分辨率的医学影像是医生发现器官的病变和问题，从而进行准确诊断的必要数据。限于硬件材料和制造技术的发展，目前的医学成像设备获取的医学影像分辨率都没有达到最理想的状态。一些低端医疗成像设备仍然在欠发达国家和地区的医院里使用着。
如何有效地、实时地对自然图像或医学影像进行插值，以提高数据的分辨率，从而能够准确地识别和有效地分析影像数据，是影像技术领域一直在致力研究的一个热点。
目前，影像插值技术主要包括：其一、传统插值方法，如最近邻插值方法；其二、边界引导插值方法，如NEDI方法(NewEdge-DirectedInterpolation)(LiX.,OrchardMT.Newedge-directedinterpolation.IEEETransactionsonImageProcessing,2001,10(10):1521-1527.)、CEM方法(Canny-EdgeMagnification)(ZhangD.,WuX.Anedge-guidedimageinterpolationalgorithmviadirectionalfilteringanddatafusion.IEEETransactionsonImageProcessing,2006,15(8):2226-2238.)、EGII方法(Edge-GuidedImageInterpolation)(ShiH,WardR.Cannyedgebasedimageexpansion.IEEEInternationalSymposiumonCircuitsandSystems,2002(ISCAS2002),2002,1(1):785-788.)和ICBI方法(IterativeCurvature-BasedInterpolation)(GiachettiA.,AsuniN.Real-timeartifact-freeimageupscaling.IEEETransactionsonImageProcessing,2011,20(10):2760-2768.)；其三、基于机器学习的插值方法。其中，传统的插值方法已经在工作和生活中被广泛使用，这是由于传统的插值方法思路简单、计算量小，实现起来较为方便。但是，插值后的影像会出现严重的边界模糊不清，边缘出现伪影和重要细节信息丢失等问题。而基于机器学习的插值方法，其前期需要进行离线的有针对性的大样本的学习，这些弊端导致其实际应用范围受到了巨大的限制。
边界引导插值方法的前提假设是，插值后的高分辨率影像模块与插值前的低分辨率影像模块间的协方差存在高度相关。在算法实现中，通过插值前的低分辨率影像模块的协方差信息去估算插值后的高分辨率影像模块的协方差，从而确定高分辨率模块内的像素点的灰度值。目前边界引导插值方法(如NEDI方法、EGII方法和ICBI方法等)的局限性主要包括：其一、算法的前提假设完全是针对高质量的无误差的影像数据，而在实际生活中或临床条件下，这样的高质量的影像数据是不存在的；其二、插值过程中，边界引导插值方法的高计算复杂度必将导致高的时间消耗，以致无法满足实时性要求；其三、边界引导插值方法只能对图像数据进行2n(n＝1,2,3,...)倍数的放大，而无法详细观察影像插值的中间过程，也没法将影像分辨率放大到原始分辨率的1.5倍；其四、这些算法和技术仅仅在高质量的影像数据上进行仿真，而未进行医学影像数据的验证。另外，边界引导插值方法中的CEM插值方法的问题主要在于其将边界引导插值方法的复杂度过于简化，虽然计算量小，但插值效果并不能令人满意。
发明内容
针对上述问题，本发明的目的是提供一种基于边界引导的影像插值方法(TEDI，TrueEdge-DirectedInterpolation)，可以提高影像质量，且满足实时性要求。
一种基于边界引导的影像插值方法，其包括如下步骤：
S101、提取原始低分辨率影像的边界信息，获得原始边界信息；
S103、对所述原始低分辨率影像进行插值处理，使其分辨率达到预定分辨率，获得预插值高分辨率影像，并提取所述预插值高分辨率影像的边界信息，获得过程边界信息；
S105、分析对比所述原始边界信息和所述过程边界信息，对所述高分辨率影像的边界点进行逐点处理，以达到平滑或锐化的效果；
S107、输出高分辨率影像。
本发明一较佳实施方式中，所述原始边界信息包括所述原始低分辨率影像的边界点空间坐标位置和边界点方向。
本发明一较佳实施方式中，步骤S101中，采用Canny边界检测算子，将所述原始低分辨率影像的边界点方向分为：0度到45度的RH方向、45度到90度的LV方向、90度到135度的RV方向及135度到180度的LH方向。
本发明一较佳实施方式中，步骤S103中采用双线性插值方法对所述原始低分辨率影像进行插值处理。
本发明一较佳实施方式中，所述过程边界信息包括所述预插值高分辨率影像的边界点空间坐标位置和边界点方向。
本发明一较佳实施方式中，步骤S105中，采用平均加权方法对所述高分辨率影像的边界点进行平滑处理。
本发明一较佳实施方式中，步骤S105中，对存在于所述原始边界信息和所述过程边界信息的边界点进行保留并锐化。
本发明一较佳实施方式中，所述原始低分辨率影像为MRI影像、CT影像、超声影像或X射线影像。
相较于现有技术，本发明提供的基于边界引导的影像插值方法具有如下优点：其一、相对于目前存在的传统插值方法，所述基于边界引导的影像插值方法具有更优秀的边界保持能力；其二、相对于机器学习方法，所述基于边界引导的影像插值方法能够满足实时性要求；其三、相对于其他边界引导方法(如NEDI，CEM，EGII和ICBI方法)，所述基于边界引导的影像插值方法的目的是在尽量降低复杂度和计算量的前提下，能够进行任意倍数的插值放大，并且可以较好地保证和提高插值后的影像质量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举实施例，并配合附图，详细说明如下。
附图说明
图1为本发明提供的基于边界引导的影像插值方法的流程图；
图2为边界点位置及方向信息示例图；
图3为信噪比与加权值的关系曲线图；
图4为针对LV方向的加权模板示意图；
图5A为针对每张影像的信噪比图；
图5B为针对每张影像的峰值信噪比图；
图5C为针对每张影像的影像结构相似率图；
图5D为针对每张影像的影像特征相似率图；
图5E为针对每张影像的互信息量图；
图5F为针对每张影像的时间消耗图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
请参阅图1，本发明一实施例提供一种基于边界引导的影像插值方法，其包括如下步骤：
S101、提取原始低分辨率影像的边界信息，获得原始边界信息。
本实施例中，所述原始边界信息包括所述原始低分辨率影像的边界点空间坐标位置和边界点方向(边界点的潜在朝向)。
具体地，本实施例采用Canny边界检测算子(可以参阅：CannyJ.Acomputationalapproachtoedgedetection.IEEETransactionsonPatternAnalysisandMachineIntelligence,1986(6):679-698.)，将所述原始低分辨率影像的边界点方向分为：0度到45度的RH(right-horizontal)方向,45度到90的LV(left-vertical)方向，90度到135度的RV(right-vertical)方向，135度到180度的LH(left-horizontal)方向，如图2所示。
需要说明的是，所述原始低分辨率影像为MRI影像、CT影像、超声影像或X射线影像。本实施例以1.5T磁共振成像设备采集的低分辨率的胎儿脊椎影像为例进行说明。
S103、对所述原始低分辨率影像进行插值处理，使其分辨率达到预定分辨率，获得预插值高分辨率影像，并提取所述预插值高分辨率影像的边界信息，获得过程边界信息。
本实施例中，采用双线性插值方法对所述原始低分辨率影像进行插值处理。
可以理解的是，所述过程边界信息包括所述预插值高分辨率影像的边界点空间坐标位置和边界点方向。
S105、分析对比所述原始边界信息和所述过程边界信息，对所述高分辨率影像的边界点进行逐点处理，以达到平滑或锐化的效果。
在对所述原始低分辨率影像进行插值后，必然会引入一些在所述原始边界信息中不存在的边界点，因此需要对这些引入的边界点进行平滑，以防止它们改变影像的结构。本实施例中，平滑主要是通过平均加权方法来实现，即将其八邻域点的灰度值取平均值。
具体地，采用平均加权方法对所述高分辨率影像的边界点进行平滑处理。
本实施例中，对存在于所述原始边界信息和所述过程边界信息的边界点进行保留并锐化，由此，可以增强影像的边界对比度，使得边界信息得到更好地表达。具体地，仍采用模板加权方法，只是加权值的分布和大小进行了修改和优化，请参阅图3，为加权值变化与信噪比变化的关系曲线，当中间点的权重为4的时候，影像插值后的信噪比基本保持不变。图4是最终确定的针对LV方向(45度到90度范围)的模板值分布。对应于其它三个方向(RH、RV、LH)，模板类似，但是加权值的分布垂直于对应角度范围的方向。
S107、输出高分辨率影像。
即得到所需的高分辨率影像。
以下通过实验对本发明提供的基于边界引导的影像插值方法进行验证。
本发明经过了一组临床医学影像数据(12张磁共振成像的胎儿脊椎影像，原始分辨率为180×160，放大系数为2倍)进行试验，通过一系列影像质量度量参数(信噪比SNR、峰值信噪比PSNR、图像结构相似率SSIM、图像特征相似率FSIM、互信息MI和时间消耗TC)，充分证明所述基于边界引导的影像插值方法在影像插值方面的有效性和可靠性。
表1五种边界引导插值算法的度量结果(平均值)
NEDI CEM EGII ICBI TEDI
信噪比 68.97 73.63 69.03 68.83 74.12
峰值信噪比 26.60 31.25 26.65 26.41 31.74
NEDI CEM EGII ICBI TEDI
图像结构相似率 0.82 0.93 0.83 0.83 0.94
图像特征相似率 0.90 0.95 0.90 0.90 0.95
互信息 2.43 3.11 2.41 2.41 3.17
时间消耗(秒) 6.26 0.08 5.09 1.16 0.14
表1为五种边界引导插值算法的度量结果。通过分析发现，本发明提供的基于边界引导的影像插值方法(TEDI方法)在信噪比、峰值信噪比、图像结构相似率、图像特征相似率和互信息方面的度量结果都是最好的，且平均每幅影像插值的时间消耗为0.14秒。
详细的针对每张影像的质量度量结果如图5A至图5F所示。整体上来看，本发明提供的基于边界引导的影像插值方法(TEDI方法)和CEM插值算法比其它三种算法更加优越，包括影像质量和实时性要求；而相对于CEM算法，本发明提供的基于边界引导的影像插值方法(TEDI方法)在影像质量上都有一定的提高，这是由于在算法设计中，所述基于边界引导的影像插值方法能够更全面的考虑影像边界的信息。
相较于现有技术，本发明提供的基于边界引导的影像插值方法具有如下优点：其一、相对于目前存在的传统插值方法，所述基于边界引导的影像插值方法具有更优秀的边界保持能力；其二、相对于机器学习方法，所述基于边界引导的影像插值方法能够满足实时性要求；其三、相对于其他边界引导方法(如NEDI，CEM，EGII和ICBI方法)，所述基于边界引导的影像插值方法的目的是在尽量降低复杂度和计算量的前提下，能够进行任意倍数的插值放大，并且可以较好地保证和提高插值后的影像质量。
以上所述，仅是本发明的实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于边界引导的影像插值方法，其特征在于，包括如下步骤：
S101、提取原始低分辨率影像的边界信息，获得原始边界信息；
S103、对所述原始低分辨率影像进行插值处理，使其分辨率达到预定分辨率，获得预插值高分辨率影像，并提取所述预插值高分辨率影像的边界信息，获得过程边界信息；
S105、分析对比所述原始边界信息和所述过程边界信息，对所述高分辨率影像的边界点进行逐点处理，以达到平滑或锐化的效果；
S107、输出高分辨率影像。
2.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，所述原始边界信息包括所述原始低分辨率影像的边界点空间坐标位置和边界点方向。
3.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，步骤S101中，采用Canny边界检测算子，将所述原始低分辨率影像的边界点方向分为：0度到45度的RH方向、45度到90度的LV方向、90度到135度的RV方向及135度到180度的LH方向。
4.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，步骤S103中采用双线性插值方法对所述原始低分辨率影像进行插值处理。
5.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，所述过程边界信息包括所述预插值高分辨率影像的边界点空间坐标位置和边界点方向。
6.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，步骤S105中，采用平均加权方法对所述高分辨率影像的边界点进行平滑处理。
7.如权利要求1所述的基于边界引导的影像插值方法，其特征在于，步骤S105中，对存在于所述原始边界信息和所述过程边界信息的边界点进行保留并锐化。
8.如权利要求1～7任一项所述的基于边界引导的影像插值方法，其特征在于，所述原始低分辨率影像为MRI影像、CT影像、超声影像或X射线影像。
CN201410203416.3A 2014-05-14 2014-05-14 一种基于边界引导的影像插值方法 Pending CN105096303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410203416.3A CN105096303A (zh) 2014-05-14 2014-05-14 一种基于边界引导的影像插值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410203416.3A CN105096303A (zh) 2014-05-14 2014-05-14 一种基于边界引导的影像插值方法

Publications (1)

Publication Number Publication Date
CN105096303A true CN105096303A (zh) 2015-11-25

Family

ID=54576648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410203416.3A Pending CN105096303A (zh) 2014-05-14 2014-05-14 一种基于边界引导的影像插值方法

Country Status (1)

Country Link
CN (1) CN105096303A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112168210A (zh) * 2019-07-03 2021-01-05 深圳迈瑞生物医疗电子股份有限公司 医学图像处理终端、超声诊断设备和胎儿图像的处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101052990A (zh) * 2004-05-12 2007-10-10 三洋电机株式会社 图像放大装置及程序
US20080267525A1 (en) * 2006-11-27 2008-10-30 Nec Laboratories America, Inc. Soft Edge Smoothness Prior and Application on Alpha Channel Super Resolution
CN101499164A (zh) * 2009-02-27 2009-08-05 西安交通大学 一种基于单张低分辨率图像的图像插值重构方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101052990A (zh) * 2004-05-12 2007-10-10 三洋电机株式会社 图像放大装置及程序
US20080267525A1 (en) * 2006-11-27 2008-10-30 Nec Laboratories America, Inc. Soft Edge Smoothness Prior and Application on Alpha Channel Super Resolution
CN101499164A (zh) * 2009-02-27 2009-08-05 西安交通大学 一种基于单张低分辨率图像的图像插值重构方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHAODE YU 等: "An edge-directed interpolation method for fetal spine MR images", 《BIOMEDICAL ENGINEERING ONLINE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112168210A (zh) * 2019-07-03 2021-01-05 深圳迈瑞生物医疗电子股份有限公司 医学图像处理终端、超声诊断设备和胎儿图像的处理方法
CN112168210B (zh) * 2019-07-03 2024-04-16 深圳迈瑞生物医疗电子股份有限公司 医学图像处理终端、超声诊断设备和胎儿图像的处理方法

Similar Documents

Publication Publication Date Title
US10517504B2 (en) Systems and methods for automated voxelation of regions of interest for magnetic resonance spectroscopy
Neubert et al. Automated detection, 3D segmentation and analysis of high resolution spine MR images using statistical shape models
US11633146B2 (en) Automated co-registration of prostate MRI data
EP2647335B1 (en) Medical image processing device
US10089713B2 (en) Systems and methods for registration of images
CN110619635B (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110956634A (zh) 一种基于深度学习的脑微出血自动检测方法及系统
CN105261006B (zh) 基于傅里叶变换的医学图像分割算法
CN109934861B (zh) 一种头颈部多模态医学图像自动配准方法
CN110782434A (zh) 一种脑结核mri图像病灶智能标记定位装置
CN114757950B (zh) 超声图像处理方法、装置以及计算机可读存储介质
CN104881858A (zh) 一种乳房内增强背景组织的提取方法和装置
CN107274443A (zh) 前列腺弥散加权图像序列配准方法
CN108564607A (zh) 三维脑图谱数据集空间校准方法及系统
CN105427273A (zh) 一种基于核磁共振影像的腹部脂肪分割方法和装置
CN109087357B (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN109785325A (zh) 一种基于深度学习的多模态医学影像的方法
CN105096303A (zh) 一种基于边界引导的影像插值方法
Adler et al. Reconstruction of the human hippocampus in 3D from histology and high-resolution ex-vivo MRI
US11324413B1 (en) Traumatic brain injury diffusion tensor and susceptibility weighted imaging
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
CN111062956B (zh) 钼靶x线乳腺影像肿块目标分割方法及装置
Neubert et al. Automated intervertebral disc segmentation using probabilistic shape estimation and active shape models
Hao et al. Nonrigid registration of prostate diffusion-weighted MRI
Taubmann et al. Sharp as a tack: Measuring and Comparing Edge Sharpness in Motion-Compensated Medical Image Reconstruction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20151125