CN106210742B - 基于共性特征的批量图像压缩传输与还原的系统及方法 - Google Patents
基于共性特征的批量图像压缩传输与还原的系统及方法 Download PDFInfo
- Publication number
- CN106210742B CN106210742B CN201610562583.6A CN201610562583A CN106210742B CN 106210742 B CN106210742 B CN 106210742B CN 201610562583 A CN201610562583 A CN 201610562583A CN 106210742 B CN106210742 B CN 106210742B
- Authority
- CN
- China
- Prior art keywords
- image
- affine transformation
- differential data
- optimal
- original
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 55
- 230000009467 reduction Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007906 compression Methods 0.000 title claims abstract description 30
- 230000006835 compression Effects 0.000 title claims abstract description 29
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 84
- 230000009466 transformation Effects 0.000 claims abstract description 78
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于共性特征的批量图像压缩传输与还原的系统及方法,涉及医学图像后处理技术领域。系统包括基础图像获取单元、差分数据计算与传输单元和原始图像还原单元,基础图像获取单元批量输入原始医学图像,利用医学图像的共性特征,通过图像差分、互信息计算及仿射变换的粒子群算法来获取最优基础图像,在差分数据计算与传输单元中获取最终差分数据并进行传输,利用原始图像还原单元采用压缩感知重构算法还原原始医学图像。本发明适用于批量图像的高效压缩和传输,只传输中间数据,在大幅提高图像的压缩效率的同时,尽可能的保持原图的完整性,极大的降低了数据的传输量,提高了图像的传输、存储效率,为医生的诊断提供更多的图像信息。
Description
技术领域:
本发明涉及医学图像后处理技术领域,尤其涉及一种对同一类医学图像批量压缩传输及还原的系统及方法。
背景技术:
现代医学图像的数据量是巨大的,例如在一个中等医院,每年产生的图像数据量就超过一百万幅,如此庞大的数据量,给图像的存储、传输以及读出技术都提出了严峻的挑战,解决它的关键技术之一就是图像压缩与传输技术。医学图像具有极大的数据量,在目前的计算机系统条件下,要想实时处理,若图像信息不经过压缩,则会占用信道宽,使传输成本变得昂贵,传输速率变慢,这对图像存储、传输及使用都非常不利,同时也阻碍了医生对图像的有效获取和使用。图像压缩方法作为医学影像的发展基础,它的发展也促使医学影像成为医学技术中发展最快的领域之一,从而使得临床医生对人体内病变部位的观察更直观,更清晰,从而诊断率也更高。
发明内容:
针对现有技术的缺陷,本发明提供一种基于共性特征的批量图像压缩传输与还原的系统及方法,适用于批量图像的高效压缩和传输,采用了压缩感知重构的方法,只传输中间数据,在大幅提高图像的压缩效率的同时,尽可能的保持原图的完整性,极大的降低了数据的传输量,提高了图像的传输、存储效率,为医生的诊断提供更多的图像信息。
一方面,本发明提供一种基于共性特征的批量图像压缩传输与还原的系统,包括基础图像获取单元、差分数据计算与传输单元和原始图像还原单元;
基础图像获取单元,用于通过对批量医学图像共性特征的提取,来建立一个最优基础图像;该单元包括图像批量输入模块和基础图像建立模块;
图像批量输入模块,用于批量地输入原始医学图像;
基础图像建立模块,用于通过图像差分、互信息计算及仿射变换的粒子群算法来衡量基础图像的实际差距,并对其不断进行修改,建立与各个原始医学图像之间的差分数据相对最小的图像,即最优基础图像;基础图像建立模块包括互信息计算模块、图像差分模块和最优解计算模块;
互信息计算模块,用于计算批量输入的各个原始医学图像特定的互信息,提取共性特征;
图像差分模块,用于计算基础图像与各原始医学图像的差异,得到差分数据;
最优解计算模块,用于采用粒子群算法,依据互信息计算结果和差分数据,迭代计算出最优的仿射变换数值及利用该仿射变换数值得到的最优基础图像;
差分数据计算与传输单元,用于在最优基础图像的基础上,对各原始医学图像进行图像差分处理,将相同数据进行消除,得到最优的差分数据,并对最优的差分数据与基础图像进行存储和传输;
原始图像还原单元,用于在最优基础图像的基础上,将差分数据加载,利用压缩感知算法重构出原始图像,包括差分图像重构模块和原始图像重构模块;
差分图像重构模块,用于在基础图像的基础之上,加载差分数据,再利用压缩感知算法重构出差分图像;
原始图像重构模块,用于对重构出的差分图像进行加载与逆仿射变换处理,重新建立原始医学图像。
进一步地,仿射变换与逆仿射变换处理过程是对医学图像比例、旋转角和对比度的处理。
另一方面,本发明还提供一种基于共性特征的批量图像压缩传输与还原的方法,该方法采用上述的基于共性特征的批量图像压缩传输与还原的系统实现,包括以下步骤:
步骤1:基础图像获取单元批量输入原始医学图像,并获取最优基础图像;
步骤1.1:图像批量输入模块批量输入N张原始医学图像Pn(n=1,2,…,N),并进行互信息计算,提取共性特征;
步骤1.2:依据互信息计算结果,随机产生基础图像I,利用图像差分模块得到差分数据,依据差分数据,在最优解计算模块中采用粒子群算法,进行迭代的仿射变换,得到最优的仿射变换值及对应的差分数据;
步骤1.2.1:依据互信息计算结果,确定基础图像的获取范围N′(N′<N),在N′张原始医学图像中随机产生基础图像I;
步骤1.2.2:对一张原始医学图像Pn进行值为fn的仿射变换,调整Pn的旋转角度、比例和对比度;
步骤1.2.3:用现有的基础图像I与Pn进行图像差分,得到差分数据Cn,对基础图像I进行评价;
步骤1.2.4:根据差分数据Cn的评价结果,对仿射变换值fn进行更新;
步骤1.2.5:判断是否满足预设迭代条件,若满足,则得到最优的仿射变换值fn及相应的差分数据Cn,进入步骤1.2.6,否则返回步骤1.2.2;
步骤1.2.6:判断是否完成了对N′张医学图像的仿射变换处理,若完成,则进入步骤1.3,否则返回步骤1.2.2,进行下一张原始医学图像的仿射变换处理;
步骤1.3:在最优解计算模块中根据仿射变换处理过程的差分数据Cn评价基础图像I,并进行迭代更新,获得最优基础图像I;
步骤1.3.1:将C1至CN′进行求和,得到总的差分数据C;
步骤1.3.2:判断总的差分数据C的大小,根据总的差分数据C的评价结果,对基础图像I进行更新;
步骤1.3.3:判断是否满足预设迭代条件,若满足,则得到最优基础图像I,进入步骤1.3.4,否则返回步骤1.2.2;
步骤1.3.4:保存并输出最优基础图像I;
步骤2:在差分数据计算与传输单元中获取最终差分数据并进行传输;
步骤2.1:依据最优基础图像,对N张原始医学图像进行仿射变换,利用最优解算法得到最优仿射变换值;
步骤2.1.1:参照步骤1.2.5中的最优的仿射变换值fn,建立随机仿射变换值fn′;
步骤2.1.2:对原始图像Pn进行值为fn′的仿射变换,调整Pn的旋转角度、比例和对比度;
步骤2.1.3:将步骤1.3.4输出的最优基础图像I与医学图像Pn进行差分,得到差分数据评价Cn′;
步骤2.1.4:通过评价Cn′的大小,对仿射变换值fn′进行更新;
步骤2.1.5:判断是否满足预设迭代条件,若满足,则得到最优仿射变换值fn′,进入下一步骤,否则返回步骤2.1.2;
步骤2.1.6:保存并输出最优仿射变换值fn′和仿射变换后的图像Pn′;
步骤2.2:将仿射变换后的图像Pn′与最优基础图像I进行差分,将图像Pn′上与基础图像I相同的数据清除或减小,得到差分图像Yn;
步骤2.3:利用压缩感知算法,对差分图像Yn进行压缩,进一步减小存储和传输的数据量,得到压缩后的差分数据Yn′;
步骤2.4:将压缩后的差分数据Yn′从原始医学图像获取终端传输到医疗诊断终端;
步骤3:利用原始图像还原单元还原原始医学图像;
步骤3.1:在差分图像重构模块中,利用压缩感知算法对压缩后的差分数据Yn′进行重构,得到差分图像Yn;
步骤3.2:在原始图像重构模块中,将差分图像Yn加载在作为底层图像的最优基础图像I上,还原得到仿射变换后的图像Pn′;
步骤3.3:对Pn′进行仿射变换值为fn′的逆仿射变换,即对参数旋转角度、比例和对比度进行还原,最终得到原始医学图像Pn;
步骤3.4:保存并输出重构还原的原始医学图像Pn;
步骤3.5:判断是否完成了N张医学图像的重构还原,若完成,则结束步骤,否则返回步骤3.1。
由上述技术方案可知,本发明提供的基于共性特征的批量图像压缩传输与还原的系统及方法,适用于批量图像的高效压缩和传输,利用医学图像的共性特征,获取最优基础图像,得到差分数据,采用压缩感知重构的方法,只传输中间数据小数据量的差分数据,在大幅提高图像的压缩效率的同时,能更好地保持原图的完整性,极大的降低了数据的传输量,使批量医学图像存储和传输过程的占用空间大大降低、处理速度和传输速度明显提高,有效改善医学图像的存储和传输效率,尤其使远程医疗的效果得到了极大的改进,能更好地为医疗诊断服务,为医生的诊断提供更多的图像信息并节约医生宝贵时间。
附图说明:
图1为本发明实施例提供的基于共性特征的批量图像压缩传输与还原的系统结构框图;
图2为本发明实施例提供的基于共性特征的批量图像压缩传输与还原的方法总流程图;
图3为图2中步骤S1的具体方法流程图;
图4为图3中步骤S102的具体方法流程图;
图5为图3中步骤S103的具体方法流程图;
图6为图2中步骤S2的具体方法流程图;
图7为图6中步骤S201的具体方法流程图;
图8为图2中步骤S3的具体方法流程图。
图中:1、基础图像获取单元;101、基础图像建立模块;2、差分数据计算与传输单元;3、原始图像还原单元。
具体实施方式:
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种基于共性特征的批量图像压缩传输与还原的系统,如图1所示,该系统包括基础图像获取单元1、差分数据计算与传输单元2和原始图像还原单元3。
基础图像获取单元1,用于通过对批量医学图像共性特征的提取,来建立一个最优基础图像;该单元包括图像批量输入模块和基础图像建立模块101。
图像批量输入模块,用于批量地输入原始医学图像,医学图像大多存在共性,同一断层位置不同患者的图像的重合度、同一器官临近断层的重合度都很高,批量的图像输入是为了提高基础图像的准确度,同时也为了将基础图像与各个图像的差异相对最小化。
基础图像建立模块101,用于通过图像差分、互信息计算及仿射变换的粒子群算法来衡量基础图像的实际差距,并对其不断进行修改,建立与各个原始医学图像之间的差分数据相对最小的图像,即最优基础图像。其中,仿射变换处理过程是对医学图像的比例、旋转角和对比度的处理。基础图像建立模块101包括互信息计算模块、图像差分模块和最优解计算模块。
互信息计算模块,用于计算批量输入的各个原始医学图像特定的互信息,提取共性特征,并衡量他们与基础图像的互信息值,借此来判断数据的差异性大小。
图像差分模块,用于计算基础图像与各原始医学图像的差异,得到差分数据,利用差分数据的大小来判断基础图像是否合格。
最优解计算模块,用于采用粒子群算法,依据互信息计算结果和差分数据,对各个医学图像之间的协作和竞争实现全局搜索,在搜索空间的飞行实现寻优,迭代计算出最优的仿射变换数值及利用该仿射变换数值得到的最优基础图像。
差分数据计算与传输单元2,用于在最优基础图像的基础上,对各原始医学图像进行图像差分处理,将相同数据进行消除,尽可能少的保留数据量,得到最优的差分数据,并对最优的差分数据与基础图像进行存储和传输。
原始图像还原单元3,用于在最优基础图像的基础上,将差分数据加载,利用压缩感知算法重构出原始图像,该算法的核心包括信号的稀疏表示理论、测量矩阵的设计方法以及恢复重构算法。在本实施例中,该压缩感知算法是基于医学图像的稀疏性和可压缩性,获得压缩后的采样信号,在基础图像的基础之上,先将差分数据加载在上面,再利用恢复重构算法重构出差分图像,同时需要对该医学图像进行一定的仿射变换处理,通过对医学图像的比例、旋转角度、对比度等数值的处理,重新建立原始图像。原始图像还原单元3包括差分图像重构模块和原始图像重构模块。
差分图像重构模块,用于在基础图像的基础之上,加载差分数据,再利用压缩感知算法重构出差分图像;原始图像重构模块,用于对重构出的差分图像进行加载与逆仿射变换处理,重新建立原始医学图像。
采用上述的基于共性特征的批量图像压缩传输与还原的系统进行基于共性特征的批量图像压缩传输与还原的方法,如图2所示,具体包括如下步骤。
S1、基础图像获取单元1批量输入原始医学图像,并获取最优基础图像,如图3所示,具体包括以下步骤。
S101、图像批量输入模块批量输入50张512*512的原始医学图像Pn(n=1,2,…,50),并进行互信息计算,提取共性特征,每一张医学图像Pn就是粒子群算法中的一个粒子,在计算过程中通过相互之间的影响来逐步靠近最优解。
S102、依据互信息计算结果,随机产生基础图像I,利用图像差分模块得到差分数据,依据差分数据,在最优解计算模块中采用粒子群算法,进行迭代的仿射变换,得到最优的仿射变换值及对应的差分数据,如图4所示,具体包括以下步骤:
S1021、依据互信息计算结果,确定基础图像的获取范围为20,在20张原始医学图像中随机产生基础图像I,在本实施例中使用第一张图像,即P1作为随机产生的基础图像I;
S1022、对一张原始医学图像Pn进行值为fn的仿射变换,调整Pn的旋转角度d、比例s和对比度c,则fn为fn(d,s,c),其中,0≤d≤360,0≤s≤1,-1≤c≤1;
S1023、用现有的基础图像I与Pn进行图像差分,得到差分数据Cn,对基础图像I进行评价;
S1024、根据差分数据Cn的评价结果,对仿射变换值fn进行更新;
S1025、判断是否满足预设迭代条件,若满足,则得到最优的仿射变换值fn及相应的差分数据Cn,进入步骤S1026,否则返回步骤S1022;本实施例中的迭代条件依据经验设为17,若满足17次迭代,则得到最优的仿射变换值fn及相应的差分数据Cn,得到的其中一个最优仿射变换值为(8,0.94,-0.11);
S1026、判断是否完成了对20张医学图像的仿射变换处理,若完成,则进入步骤S103,否则返回步骤S1022。
S103、在最优解计算模块中根据仿射变换处理过程的差分数据Cn评价基础图像I,并进行迭代更新,获得最优基础图像I,如图5所示,具体包括以下步骤:
S1031、将C1至C20进行求和,得到总的差分数据C;
S1032、判断总的差分数据C的大小,根据总的差分数据C的评价结果,对基础图像I进行更新;在粒子群的影响下,C1至C20相对最小,差分数据C也是相对最小的;
S1033、判断是否满足预设迭代条件,若满足,则得到最优基础图像I,进入步骤S1034,否则返回步骤S1022;本实施例中的迭代条件依据经验设为17,若满足17次迭代,则得到最优基础图像I;
S1034、保存并输出最优基础图像I,在本实施例中,最优基础图像I大小为107.8KB。
S2、在差分数据计算与传输单元2中获取最终差分数据并进行传输,如图6所示,具体包括如下步骤。
S201、依据最优基础图像,对50张原始医学图像进行仿射变换,利用最优解算法得到最优仿射变换值,如图7所示,具体包括以下步骤:
S2011、参照步骤S1025中的最优的仿射变换值fn,建立随机仿射变换值fn′;
S2012、对原始图像Pn进行值为fn′的仿射变换,调整Pn的旋转角度d、比例s和对比度c;
S2013、将步骤S1034输出的最优基础图像I与医学图像Pn进行差分,得到差分数据评价Cn′;
S2014、通过评价Cn′的大小,对仿射变换值fn′进行更新;
S2015、判断是否满足预设迭代条件,若满足,则得到最优仿射变换值fn′,进入下一步骤,否则返回步骤S2012;本实施例中的迭代条件依据经验设为17,若满足17次迭代,则得到最优仿射变换值;
S2016、保存并输出最优仿射变换值fn′和仿射变换后的图像Pn′,50张医学图像相对基础图像的最优仿射变换值为f1′至f50′,在之后的逆仿射变换中需要再次利用。
S202、将仿射变换后的图像Pn′与最优基础图像I进行差分,将图像Pn′上与基础图像I相同的数据清除或减小,降低数据的占用空间,得到差分图像Yn。
S203、利用压缩感知算法,对差分图像Yn进行压缩,进一步减小存储和传输的数据量,得到压缩后的差分数据Yn′,本实施例中,医学图像P1的压缩比为31.26。
S204、将压缩后的差分数据Yn′从原始医学图像获取终端传输到医疗诊断终端,基于小数据量的存储或传输的效率得到显著提高。
S3、利用原始图像还原单元3还原原始医学图像,如图8所示,具体包括以下步骤:
S301、在差分图像重构模块中,利用压缩感知算法对压缩后的差分数据Yn′进行重构,得到差分图像Yn;
S302、在原始图像重构模块中,将差分图像Yn加载在作为底层图像的最优基础图像I上,还原得到仿射变换后的图像Pn′;
S303、对Pn′进行仿射变换值为fn′的逆仿射变换,即对参数旋转角度d、比例s和对比度c进行还原,最终得到原始医学图像Pn;
S304、保存并输出重构还原的原始医学图像Pn;
S305、判断是否完成了50张医学图像的重构还原,若完成,则结束步骤,否则返回步骤S301。
本实施例提供的基于共性特征的批量图像压缩传输与还原的系统及方法,原始图像平均大小为115.03KB,重构原始图像平均大小为114.18KB,基本还原了原始医学图像的全部信息,适用于批量图像的高效压缩和传输,利用医学图像的共性特征,获取最优基础图像,得到差分数据,采用压缩感知重构的方法,只传输中间数据小数据量的差分数据,在大幅提高图像的压缩效率的同时,能更好地保持原图的完整性,极大的降低了数据的传输量,使批量医学图像存储和传输过程的占用空间大大降低、处理速度和传输速度明显提高,有效改善医学图像的存储和传输效率,尤其使远程医疗的效果得到了极大的改进,能更好地为医疗诊断服务,为医生的诊断提供更多的图像信息并节约医生宝贵时间。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于共性特征的批量图像压缩传输与还原的系统,其特征在于,包括基础图像获取单元(1)、差分数据计算与传输单元(2)和原始图像还原单元(3);
所述基础图像获取单元(1),用于通过对批量医学图像共性特征的提取,来建立一个最优基础图像;所述基础图像获取单元包括图像批量输入模块和基础图像建立模块(101);
所述图像批量输入模块,用于批量地输入原始医学图像;
所述基础图像建立模块(101),用于通过图像差分、互信息计算及仿射变换的粒子群算法来衡量所述基础图像与各原始医学图像的实际差距,并对其不断进行修改,建立与各个原始医学图像之间的差分数据相对最小的图像,即最优基础图像;所述基础图像建立模块(101)包括互信息计算模块、图像差分模块和最优解计算模块;
所述互信息计算模块,用于计算批量输入的各个原始医学图像特定的互信息,提取共性特征;
所述图像差分模块,用于计算基础图像与各原始医学图像的差异,得到差分数据;所述基础图像依据互信息计算结果,确定基础图像的获取范围,在该范围内的原始医学图像中随机产生;所述基础图像的获取范围小于批量输入原始医学图像的数量;
所述最优解计算模块,用于采用粒子群算法,依据互信息计算结果和差分数据,迭代计算出最优的仿射变换数值及利用该仿射变换数值得到的最优基础图像;
所述差分数据计算与传输单元(2),用于在所述最优基础图像的基础上,对各原始医学图像进行图像差分处理,将相同数据进行消除,得到最优的差分数据,并对最优的差分数据与最优基础图像进行存储和传输;
所述原始图像还原单元(3),用于在最优基础图像的基础上,将差分数据加载,利用压缩感知算法重构出原始图像,包括差分图像重构模块和原始图像重构模块;
所述差分图像重构模块,用于在基础图像的基础之上,加载差分数据,再利用压缩感知算法重构出差分图像;
所述原始图像重构模块,用于对重构出的差分图像进行加载与逆仿射变换处理,重新建立原始医学图像。
2.根据权利要求1所述的基于共性特征的批量图像压缩传输与还原的系统,其特征在于,所述仿射变换与逆仿射变换处理过程是对医学图像的比例、旋转角度和对比度的处理。
3.一种基于共性特征的批量图像压缩传输与还原的方法,其特征在于,采用权利要求1所述的基于共性特征的批量图像压缩传输与还原的系统实现,包括以下步骤:
步骤1:基础图像获取单元(1)批量输入原始医学图像,并获取最优基础图像;
步骤1.1:图像批量输入模块批量输入N张原始医学图像Pn(n=1,2,…,N),并在互信息计算模块中进行互信息计算,提取共性特征;
步骤1.2:依据互信息计算结果,随机产生基础图像I,利用图像差分模块得到差分数据,依据差分数据,在最优解计算模块中采用粒子群算法,进行迭代的仿射变换,得到最优的仿射变换值及对应的差分数据;
步骤1.2.1:依据互信息计算结果,确定基础图像的获取范围N′(N′<N),在N′张原始医学图像中随机产生基础图像I;
步骤1.2.2:对一张原始医学图像Pn进行值为fn的仿射变换,调整Pn的旋转角度、比例和对比度;
步骤1.2.3:用现有的基础图像I与原始医学图像Pn进行图像差分,得到差分数据Cn,对基础图像I进行评价;
步骤1.2.4:根据差分数据Cn的评价结果,对仿射变换值fn进行更新;
步骤1.2.5:判断是否满足预设迭代条件,若满足,则得到最优的仿射变换值fn及相应的差分数据Cn,进入步骤1.2.6,否则返回步骤1.2.2;
步骤1.2.6:判断是否完成了对N′张医学图像的仿射变换处理,若完成,则进入步骤1.3,否则返回步骤1.2.2,进行下一张原始医学图像的仿射变换处理;
步骤1.3:在最优解计算模块中根据仿射变换处理过程的差分数据Cn评价基础图像I,并进行迭代更新,获得最优基础图像I;
步骤1.3.1:将差分数据C1至CN′进行求和,得到总的差分数据C;
步骤1.3.2:判断总的差分数据C的大小,根据总的差分数据C的评价结果,对基础图像I进行更新;
步骤1.3.3:判断是否满足预设迭代条件,若满足,则得到最优基础图像I,进入步骤1.3.4,否则返回步骤1.2.2;
步骤1.3.4:保存并输出最优基础图像I;
步骤2:在差分数据计算与传输单元(2)中获取最终差分数据并进行传输;
步骤2.1:依据最优基础图像,对N张原始医学图像进行仿射变换,利用最优解算法得到最优仿射变换值;
步骤2.1.1:参照步骤1.2.5中的最优的仿射变换值fn,建立随机仿射变换值fn′;
步骤2.1.2:对原始图像Pn进行值为fn′的仿射变换,调整Pn的旋转角度、比例和对比度;
步骤2.1.3:将步骤1.3.4输出的最优基础图像I与医学图像Pn进行差分,得到差分数据评价Cn′;
步骤2.1.4:通过评价Cn′的大小,对仿射变换值fn′进行更新;
步骤2.1.5:判断是否满足预设迭代条件,若满足,则得到最优仿射变换值fn′,进入下一步骤,否则返回步骤2.1.2;
步骤2.1.6:保存并输出最优仿射变换值fn′和仿射变换后的图像Pn′;
步骤2.2:将仿射变换后的图像Pn′与最优基础图像I进行差分,将图像Pn′上与基础图像I相同的数据清除或减小,得到差分图像Yn;
步骤2.3:利用压缩感知算法,对差分图像Yn进行压缩,进一步减小存储和传输的数据量,得到压缩后的差分数据Yn′;
步骤2.4:将压缩后的差分数据Yn′从原始医学图像获取终端传输到医疗诊断终端;
步骤3:利用原始图像还原单元(3)还原原始医学图像;
步骤3.1:在差分图像重构模块中,利用压缩感知算法对压缩后的差分数据Yn′进行重构,得到差分图像Yn;
步骤3.2:在原始图像重构模块中,将差分图像Yn加载在作为底层图像的最优基础图像I上,还原得到仿射变换后的图像Pn′;
步骤3.3:对仿射变换后的图像Pn′进行仿射变换值为fn′的逆仿射变换,即对参数旋转角度、比例和对比度进行还原,最终得到原始医学图像Pn;
步骤3.4:保存并输出重构还原的原始医学图像Pn;
步骤3.5:判断是否完成了N张医学图像的重构还原,若完成,则结束步骤,否则返回步骤3.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562583.6A CN106210742B (zh) | 2016-07-15 | 2016-07-15 | 基于共性特征的批量图像压缩传输与还原的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562583.6A CN106210742B (zh) | 2016-07-15 | 2016-07-15 | 基于共性特征的批量图像压缩传输与还原的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106210742A CN106210742A (zh) | 2016-12-07 |
CN106210742B true CN106210742B (zh) | 2019-03-26 |
Family
ID=57474909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610562583.6A Active CN106210742B (zh) | 2016-07-15 | 2016-07-15 | 基于共性特征的批量图像压缩传输与还原的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106210742B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681720A (zh) * | 2016-12-23 | 2017-05-17 | 光锐恒宇(北京)科技有限公司 | 安装包压缩、解压方法及装置 |
CN106708522A (zh) * | 2016-12-23 | 2017-05-24 | 光锐恒宇(北京)科技有限公司 | 安装包批量分发方法及装置 |
CN109949380B (zh) * | 2019-02-02 | 2023-02-03 | 广州视源电子科技股份有限公司 | 图像压缩方法、系统及存储介质 |
CN111863205A (zh) * | 2020-07-23 | 2020-10-30 | 山东协和学院 | 一种精准图像识别系统及图像识别方法 |
CN112530003B (zh) * | 2020-12-11 | 2023-10-27 | 北京奇艺世纪科技有限公司 | 一种三维人手重建方法、装置及电子设备 |
CN113256587A (zh) * | 2021-05-31 | 2021-08-13 | 中国人民解放军国防科技大学 | 一种电离层等离子体泡气辉图像自动化处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379575B2 (en) * | 2004-05-06 | 2008-05-27 | Siemens Aktiengesellschaft | Method for post- reconstructive correction of images of a computer tomograph |
CN103544717A (zh) * | 2013-10-22 | 2014-01-29 | 北京交通大学长三角研究院 | 一种基于sift特征的二阶段三维图像压缩编码方法 |
CN104574336A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 基于自适应亚模字典选择的超分辨率图像重建系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8238675B2 (en) * | 2008-03-24 | 2012-08-07 | Microsoft Corporation | Spectral information recovery for compressed image restoration with nonlinear partial differential equation regularization |
-
2016
- 2016-07-15 CN CN201610562583.6A patent/CN106210742B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379575B2 (en) * | 2004-05-06 | 2008-05-27 | Siemens Aktiengesellschaft | Method for post- reconstructive correction of images of a computer tomograph |
CN103544717A (zh) * | 2013-10-22 | 2014-01-29 | 北京交通大学长三角研究院 | 一种基于sift特征的二阶段三维图像压缩编码方法 |
CN104574336A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 基于自适应亚模字典选择的超分辨率图像重建系统 |
Non-Patent Citations (1)
Title |
---|
《灰度和彩色半调图像无损压缩算法研究》;曹慧敏;《万方数据库》;20121225;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106210742A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106210742B (zh) | 基于共性特征的批量图像压缩传输与还原的系统及方法 | |
Chen et al. | Adacomp: Adaptive residual gradient compression for data-parallel distributed training | |
CN109583576B (zh) | 一种医学图像处理装置及方法 | |
EP3767521A1 (en) | Object detection and instance segmentation of 3d point clouds based on deep learning | |
Tong et al. | Improving and generalizing flow-based generative models with minibatch optimal transport | |
CN112446890A (zh) | 基于空洞卷积和多尺度融合的黑色素瘤分割方法 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
EP3785231A1 (en) | Image enhancement using generative adversarial networks | |
CN109325985A (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
CN107610193A (zh) | 使用深度生成式机器学习模型的图像校正 | |
CN109584164B (zh) | 基于二维影像迁移学习的医学图像超分辨率三维重建方法 | |
CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
US11089338B2 (en) | Progressive lossless compression of image data | |
CN110782502B (zh) | 基于深度学习的pet散射估计系统和使用感知神经网络模型的方法 | |
CN112581593B (zh) | 神经网络模型的训练方法及相关设备 | |
KR102348869B1 (ko) | 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치 | |
CN111325695B (zh) | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 | |
CN112258423A (zh) | 基于深度学习的去伪影方法、装置、设备和存储介质 | |
US20220180512A1 (en) | Method for predicting disease based on medical image | |
Gu et al. | Boot: Data-free distillation of denoising diffusion models with bootstrapping | |
Bairagi | Symmetry-based biomedical image compression | |
CN115861472B (zh) | 一种图像重构方法、装置、设备及介质 | |
CN114066873B (zh) | 一种利用ct图像检测骨质疏松的方法及装置 | |
CN109087701B (zh) | 提供次要参数的方法、决策支持系统、介质、计算机程序 | |
WO2012069833A1 (en) | Process and apparatus for data registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |