CN106548454A - 处理医学图像的方法和装置 - Google Patents
处理医学图像的方法和装置 Download PDFInfo
- Publication number
- CN106548454A CN106548454A CN201610811516.3A CN201610811516A CN106548454A CN 106548454 A CN106548454 A CN 106548454A CN 201610811516 A CN201610811516 A CN 201610811516A CN 106548454 A CN106548454 A CN 106548454A
- Authority
- CN
- China
- Prior art keywords
- value matrix
- gray scale
- equal
- scale value
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000012545 processing Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 127
- 238000005070 sampling Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 24
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 21
- 230000003321 amplification Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 239000012467 final product Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000011017 operating method Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10124—Digitally reconstructed radiograph [DRR]
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了处理医学图像的方法及装置,所述方法包括:(1)对初始图像进行分解,并计算若干层残差图像;(2)基于所述若干层残差图像,进行重建以获得重建图像。该方法操作步骤简单、方便,且获得的重建图像细节效果好,准确度高。
Description
技术领域
本发明涉及图像处理领域,具体地,涉及处理医学图像的方法和装置。
背景技术
由于医学诊断对图像质量要求日益提高,如何通过后续图像处理来提高图像的质量,成为当今医学图像处理的研究重点。如果能够开发出步骤简单、图像质量高的处理方法,将对疾病诊断等方面具有重要意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出一种步骤简单、细节效果好或准确度高的处理医学图像的方法和装置。
在本发明的一个方面,本发明提了一种处理医学图像的方法。根据本发明的实施例,该方法包括:(1)对初始图像进行分解,并计算若干层残差图像;(2)基于所述若干层残差图像,进行重建以获得重建图像。发明人发现。利用该方法能够快速、有效地处理医学图像,特别是DR图像,该方法使医学图像处理更加方便、快捷、有效和实用,只通过产生残差图像和对残差图像的重建就可得到细节效果较好的处理图像。
根据本发明的实施例,步骤(1)进一步包括:
(1-1)对初始图像各像素点的灰度值矩阵G0进行滤波处理,得到经过滤波处理的灰度值矩阵L0;
(1-2)对所述灰度值矩阵L0进行下采样,得到灰度值矩阵G1;
(1-3)通过平均插值法,对所述灰度值矩阵G1进行放大处理,得到灰度值矩阵LF0;
(1-4)通过公式C0=L0-LF0,得到第一层残差图像灰度值矩阵C0;
(1-5)以步骤(1-2)中得到的灰度值矩阵对应的图片作为初始图像,重复(1-1)-(1-4),得到第二层残差图像灰度值矩阵C2,依此类推,至得到第n层残差图像灰度值矩阵Cn,
其中,n为不大于8的整数。
根据本发明的实施例,步骤(1-1)中,所述滤波处理为高斯低通滤波处理。
根据本发明的实施例,步骤(1-2)中,所述下采样为隔行隔列采样。
根据本发明的实施例,步骤(1-3)中,所述平均插值法是通过以下步骤进行的:
(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行,j、j+1和j+2表示矩阵的列。
根据本发明的实施例,步骤(2)进一步包括:(2-1)通过所述平均插值法,对步骤(1)中得到的灰度值矩阵Gn+1进行放大处理,得到灰度值矩阵LF’n,并根据公式G’n=LF’n+Kn*Cn,得到第n层重建图像灰度值矩阵G’n;(2-2)通过所述平均插值法,对所述第n层灰度值矩阵G’n进行放大处理,得到灰度值矩阵LF’n-1,并根据公式G’n-1=LF’n-1+Kn-1*Cn-1,得到第n-1层重建图像灰度值矩阵G’n-1,依此类推,至得到第0层重建图像灰度值矩阵G’0,即得所述重建图像,其中,Kn、Kn-1、…K0为增强系数,各自独立地大于等于5且小于等于13。
根据本发明的实施例,K0大于等于5小于等于6,K1大于等于6小于等于7,K2大于等于7小于等于8,K3大于等于8小于等于9,K4大于等于9小于等于10,K5大于等于10小于等于11,K6大于等于10小于等于11,K7大于等于11小于等于12,K8大于等于12小于等于13。
在本发明的另一方面,本发明提供了一种处理医学图像的装置。根据本发明的实施例,该装置包括:分解组件,所述分解组件用于分解初始图像,以获得各层残差图像;重建组件,所述重建组件用于基于所述各层残差图像,进行重建以获得重建图像。发明人发现,利用该装置可以有效实施前面所述的方法,可以快速、便捷地对医学图像进行处理,处理后的图像细节效果较好,准确度较高。
根据本发明的实施例,所述分解组件进一步包括:滤波模块,所述滤波模块用于对初始图像各像素点的灰度值矩阵进行滤波处理,得到经过滤波处理的灰度值矩阵;下采样模块,所述下采样模块用于对所述经过滤波处理的灰度值矩阵进行下采样,得到下采样灰度值矩阵;第一放大模块,所述第一放大模块通过平均插值法,对所述下采样灰度值矩阵进行放大处理,得到第一放大灰度值矩阵;残差图像获得模块,所述残差图像获得模块通过公式:残差图像灰度值矩阵=经过滤波处理的灰度值矩阵-放大灰度值矩阵,得到残差图像灰度值矩阵。
根据本发明的实施例,所述滤波模块适于进行高斯低通滤波处理。
根据本发明的实施例,所述下采样模块适于进行隔行隔列采样。
根据本发明的实施例,所述平均插值法是通过以下步骤进行的:(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行,j、j+1和j+2表示矩阵的列。
根据本发明的实施例,所述重建组件进一步包括:第二放大模块,所述第二放大模块用于通过所述平均插值法,对所述下采样灰度值矩阵进行第二放大处理,得到第二放大灰度值矩阵,计算模块,所述计算模块用于根据公式:重建图像灰度值矩阵=第二放大灰度值矩阵+增强系数*残差图像灰度值矩阵,得到所述重建图像灰度值矩阵,其中,所述增强系数大于等于5且小于等于13。
本发明的目的是对医学图像(特别是DR的CCD相机得到的4096*4096的.RAW格式图像)处理,提出了新的处理方法。处理方法的过程是,先对初始图像求出每一层的残差图像,然后从求出的第n层残差图像开始重建,每一层残差图像乘以相应的增强系数,进行重建,在计算残差图像和重建的过程中图像上采样(或称放大处理)采用了平均值插值的方法,使医学图像处理结果细节更加清晰。
本发明使医学图像处理更加方便、快捷、有效和实用,至少具有以下有益效果:
1)处理过程的简化:只通过产生残差图像和对残差图像的重建就可得到细节效果较好的处理图像。
2)简单调节重建层残差图像各层系数,就很容易对人体各个部位的DR图像进行准确的处理。
附图说明
图1显示了根据本发明实施例的处理医学图像的方法的流程示意图。
图2显示了根据本发明实施例的图像分解的流程示意图。
图3显示了根据本发明实施例的图像分解的流程示意图。
图4显示了根据本发明实施例的平均插值法的原理示意图。
图5显示了根据本发明实施例的重建图像的流程示意图。
图6显示了根据本发明实施例的重建图像的流程示意图。
图7显示了根据本发明实施例的处理医学图像的装置的结构示意图。
图8显示了根据本发明实施例的分解组建的结构示意图。
图9显示了根据本发明实施例的重建组件的结构示意图。
图10显示了本发明一个实施例中初始胸片和经过本发明的图像处理方法处理后的胸片。
具体实施方式
下面详细描述本发明的实施例。下面描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。实施例中未注明具体技术或条件的,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。
在本发明的一个方面,本发明提了一种处理医学图像的方法。根据本发明的实施例,参照图1,该方法包括以下步骤:
S100:对初始图像进行分解,并计算若干层残差图像。
根据本发明的实施例,参照图2和图3,该步骤S100可以进一步包括:
S110:对初始图像各像素点的灰度值矩阵G0进行滤波处理,得到经过滤波处理的灰度值矩阵L0。
根据本发明的实施例,该步骤中滤波处理为高斯低通滤波,由此,可以有效消除高斯噪声,有利于获得效果较好的图像。
S120:对所述灰度值矩阵L0进行下采样,得到灰度值矩阵G1。
根据本发明的实施例,在该步骤中,上述下采样为隔行隔列采样。具体而言,以4096*4096矩阵为例,进行上述隔行隔列采样,得到2048*2048矩阵。
S130:通过平均插值法,对所述灰度值矩阵G1进行放大处理(即图3中所示上采样),得到灰度值矩阵LF0。
根据本发明的实施例,在该步骤中,参照图4(其中,A为插值前的像素点示意图,B为差值后的像素点示意图),所述平均插值法是通过以下步骤进行的:
(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行数,j、j+1和j+2表示矩阵的列数,即i、i+1和i+2分别表示矩阵的第i、i+1和i+2行,j、j+1和j+2分别表示矩阵的第j、j+1和j+2列。其中,i和j的取值范围根据具体灰度值矩阵确定,如4096*4096矩阵,矩阵的总行数和总列数均为4096,即i、i+1、i+2、j、j+1和j+2各自独立为1-4096的整数。具体而言,在本发明的实施例中,以2048*2048矩阵为例,通过上述平均插值法放大处理后,可得到4096*4096矩阵。通过采用平均插值法进行放大处理,使得计算步骤简单,操作方便快速,且获得的图像细节效果好,质量高。
S140:通过公式C0=L0-LF0,得到第一层残差图像灰度值矩阵C0。
S150:以步骤S120中得到的灰度值矩阵G1对应的图片作为初始图像,重复步骤S110-S140,得到第二层残差图像灰度值矩阵C2,依此类推,至得到第n层残差图像灰度值矩阵Cn,其中,n为不大于8的整数。
S200:基于所述若干层残差图像,进行重建以获得重建图像。
根据本发明的实施例,参照图5和图6,步骤S200进一步包括以下步骤:
S210:通过所述平均插值法,对步骤S100中得到的灰度值矩阵Gn+1进行放大处理(即图6中所示上采样),得到灰度值矩阵LF’n,并根据公式G’n=LF’n+Kn*Cn,得到第n层重建图像灰度值矩阵G’n。
根据本发明的实施例,该步骤中的放大处理的具体步骤与前面步骤S130中的方法处理步骤一致,在此不再一一赘述。
S220:通过所述平均插值法,对所述第n层灰度值矩阵G’n进行放大处理,得到灰度值矩阵LF’n-1,并根据公式G’n-1=LF’n-1+Kn-1*Cn-1,得到第n-1层重建图像灰度值矩阵G’n-1,依此类推,至得到第0层重建图像灰度值矩阵G,即得所述重建图像G,其中,Kn、Kn-1、…K0为增强系数,各自独立地大于等于5且小于等于13。
根据本发明的实施例,该步骤中的放大处理的具体步骤与前面步骤S130中的方法处理步骤一致,在此不再一一赘述。
根据本发明的一些实施例,K0大于等于5小于等于6,K1大于等于6小于等于7,K2大于等于7小于等于8,K3大于等于8小于等于9,K4大于等于9小于等于10,K5大于等于10小于等于11,K6大于等于10小于等于11,K7大于等于11小于等于12,K8大于等于12小于等于13。通过增强系数计算获得重建图像,得到的图像细节效果好、准确度高,且计算简单、操作方便。
发明人发现。利用该方法能够快速、有效的处理医学图像,特别是DR图像,该方法使医学图像处理更加方便、快捷、有效和实用,只通过产生残差图像和对残差图像的重建就可得到细节效果较好、准确度高的处理图像。
在本发明的另一方面,本发明提供了一种处理医学图像的装置。根据本发明的实施例,参照图7,该装置包括:分解组件100和重建组件200。其中,分解组件100用于分解初始图像,以获得各层残差图像,重建组件200用于基于所述各层残差图像,进行重建以获得重建图像。
根据本发明的实施例,参照图8,分解组件100进一步包括:滤波模块110,下采样模块120,第一放大模块130,以及残差图像获得模块140。
根据本发明的实施例,滤波模块110用于对初始图像各像素点的灰度值矩阵进行滤波处理,得到经过滤波处理的灰度值矩阵。在本发明的一些实施例中,滤波模块110对初始图像各像素点的灰度值矩阵进行高斯低通滤波处理。由此,可以有效消除高斯噪声,且操作方便、简单。
根据本发明的实施例,下采样模块120对经过滤波处理的灰度值矩阵进行下采样,得到下采样灰度值矩阵。在本发明的一些实施例中。上述下采样为隔行隔列采样,具体操作与前文描述的下采样一致,在此不再赘述。
根据本发明的实施例,第一放大模块130通过平均插值法,对所述下采样灰度值矩阵进行放大处理,得到第一放大灰度值矩阵。在本发明的一些实施例中,平均插值法通过以下步骤进行:(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行数,j、j+1和j+2表示矩阵的列数。平均插值法放大处理原理示意图见图4。
根据本发明的实施例,残差图像获得模块140通过公式:残差图像灰度值矩阵=经过滤波处理的灰度值矩阵-放大灰度值矩阵,得到残差图像灰度值矩阵。
根据本发明的实施例,参照图9,重建组件200进一步包括:第二放大模块210和计算模块220。
根据本发明的实施例,第二放大模块210适于通过上述平均插值法,对下采样灰度值矩阵进行第二放大处理,得到第二放大灰度值矩阵。所述平均插值法以前文描述一致,在此不再赘述。
根据本发明的实施例,计算模块220用于根据公式:重建图像灰度值矩阵=第二放大灰度值矩阵+增强系数*残差图像灰度值矩阵,得到所述重建图像灰度值矩阵,其中,增强系数大于等于5且小于等于13。
发明人发现,利用该装置可以有效实施前面所述的方法,可以快速、便捷地对医学图像进行处理,处理后的图像细节效果较好,准确度较高。
下面以对胸片的处理过程为例,详细描述本发明的实施例。
实施例
通过常规方法获得初始胸片(见图10A),然后通过以下步骤对初始胸片进行处理:
初始胸片分解:通过常规方法获得初始胸片各像素点的灰度值矩阵G0,接着,对灰度值矩阵G0进行高斯低通滤波,得到灰度值矩阵L0,对灰度值矩阵L0进行隔行隔列下采样,并通过平均插值法,对对下采样得到的灰度值矩阵G1进行放大处理,得到灰度值矩阵LF0,上述平均插值法是通过以下步骤进行的:
(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行数,j、j+1和j+2表示矩阵的列数,即i、i+1和i+2分别表示矩阵的第i、i+1和i+2行,j、j+1和j+2分别表示矩阵的第j、j+1和j+2列。
然后,通过公式C0=L0-LF0,得到第一层残差图像灰度值矩阵C0,接着,以上述得到的灰度值矩阵G1对应的图片作为初始胸片,重复上述步骤,得到第二层残差图像灰度值矩阵C2,依此类推,至得到第8层残差图像灰度值矩阵C8。
胸片重建:通过上述初始胸片分解步骤中所述的平均插值法,对上述步骤中得到的灰度值矩阵G9进行放大处理(即图6中所示上采样),得到灰度值矩阵LF’8,并根据公式G’8=LF’8+K8*C8,得到第8层重建图像灰度值矩阵G’8,接着,通过上述的平均插值法,对所述第8层灰度值矩阵G’8进行放大处理,得到灰度值矩阵LF’7,并根据公式G’7=LF’7+K7*C7,得到第7层重建图像灰度值矩阵G’7,依此类推,至得到第0层重建图像灰度值矩阵G,即得所述重建图像G(见图10B)。其中,K8、K7、…K0为增强系数,分别为12、11、10、10、9、8、7、6和5。由图10可见,通过本发明的图像处理方法处理后,获得的图像细节效果好,质量高。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种处理医学图像的方法,其特征在于,包括:
(1)对初始图像进行分解,并计算若干层残差图像;
(2)基于所述若干层残差图像,进行重建以获得重建图像。
2.根据权利要求1所述的方法,其特征在于,步骤(1)进一步包括:
(1-1)对初始图像各像素点的灰度值矩阵G0进行滤波处理,得到经过滤波处理的灰度值矩阵L0;
(1-2)对所述灰度值矩阵L0进行下采样,得到灰度值矩阵G1;
(1-3)通过平均插值法,对所述灰度值矩阵G1进行放大处理,得到灰度值矩阵LF0;
(1-4)通过公式C0=L0-LF0,得到第一层残差图像灰度值矩阵C0;
(1-5)以步骤(1-2)中得到的灰度值矩阵G1对应的图片作为初始图像,重复(1-1)-(1-4),得到第二层残差图像灰度值矩阵C2,依此类推,至得到第n层残差图像灰度值矩阵Cn,
其中,n为不大于8的整数。
3.根据权利要求2所述的方法,其特征在于,步骤(1-1)中,所述滤波处理为高斯低通滤波处理。
4.根据权利要求2所述的方法,其特征在于,步骤(1-2)中,所述下采样为隔行隔列采样。
5.根据权利要求2所述的方法,其特征在于,步骤(1-3)中,所述平均插值法是通过以下步骤进行的:
(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行数,j、j+1和j+2表示矩阵的列数。
6.根据权利要求2所述的方法,其特征在于,步骤(2)进一步包括:
(2-1)通过所述平均插值法,对步骤(1)中得到的灰度值矩阵Gn+1进行放大处理,得到灰度值矩阵LF’n,并根据公式G’n=LF’n+Kn*Cn,得到第n层重建图像灰度值矩阵G’n;
(2-3)通过所述平均插值法,对所述第n层灰度值矩阵G’n进行放大处理,得到灰度值矩阵LF’n-1,并根据公式G’n-1=LF’n-1+Kn-1*Cn-1,得到第n-1层重建图像灰度值矩阵G’n,依此类推,至得到第0层重建图像灰度值矩阵,即得所述重建图像,
其中,Kn、Kn-1、…K0为增强系数,各自独立地大于等于5且小于等于13。
7.根据权利要求6所述的方法,其特征在于,
K0大于等于5小于等于6,
K1大于等于6小于等于7,
K2大于等于7小于等于8,
K3大于等于8小于等于9,
K4大于等于9小于等于10,
K5大于等于10小于等于11,
K6大于等于10小于等于11,
K7大于等于11小于等于12,
K8大于等于12小于等于13。
8.一种处理医学图像的装置,其特征在于,包括:
分解组件,所述分解组件用于分解初始图像,以获得各层残差图像;
重建组件,所述重建组件用于基于所述各层残差图像,进行重建以获得重建图像。
9.根据权利要求8所述的装置,其特征在于,所述分解组件进一步包括:
滤波模块,所述滤波模块用于对初始图像各像素点的灰度值矩阵进行滤波处理,得到经过滤波处理的灰度值矩阵;
下采样模块,所述下采样模块用于对所述经过滤波处理的灰度值矩阵进行下采样,得到下采样灰度值矩阵;
第一放大模块,所述第一放大模块通过平均插值法,对所述下采样灰度值矩阵进行放大处理,得到第一放大灰度值矩阵;
残差图像获得模块,所述残差图像获得模块通过公式:残差图像灰度值矩阵=经过滤波处理的灰度值矩阵-放大灰度值矩阵,得到残差图像灰度值矩阵。
10.根据权利要求9所述的装置,其特征在于,所述滤波模块适于进行高斯低通滤波处理。
11.根据权利要求9所述的装置,其特征在于,所述下采样模块适于进行隔行隔列采样。
12.根据权利要求9所述的装置,其特征在于,所述平均插值法是通过以下步骤进行的:
(i,j)、(i,j+2)、(i+2,j)、(i+2,j+2)为已知相邻四个像素点,(i,j+1)、(i+1,j)、(i+1,j+1)、(i+2,j+1)、(i+1,j+2)为待插值像素点,其中:
其中,i、i+1和i+2表示矩阵的行,j、j+1和j+2表示矩阵的列。
13.根据权利要求9所述的装置,其特征在于,所述重建组件进一步包括:
第二放大模块,所述第二放大模块用于通过所述平均插值法,对所述下采样灰度值矩阵进行放大处理,得到第二放大灰度值矩阵,
计算模块,所述计算模块用于根据公式:重建图像灰度值矩阵=第二放大灰度值矩阵+增强系数*残差图像灰度值矩阵,得到所述重建图像灰度值矩阵,
其中,所述增强系数大于等于5且小于等于13。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811516.3A CN106548454A (zh) | 2016-09-08 | 2016-09-08 | 处理医学图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811516.3A CN106548454A (zh) | 2016-09-08 | 2016-09-08 | 处理医学图像的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106548454A true CN106548454A (zh) | 2017-03-29 |
Family
ID=58367879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811516.3A Pending CN106548454A (zh) | 2016-09-08 | 2016-09-08 | 处理医学图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548454A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805950A (zh) * | 2018-05-28 | 2018-11-13 | 牙博士医疗控股集团有限公司 | 口腔牙片信息转换方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
CN104299185A (zh) * | 2014-09-26 | 2015-01-21 | 京东方科技集团股份有限公司 | 一种图像放大方法、图像放大装置及显示设备 |
CN104463785A (zh) * | 2014-11-20 | 2015-03-25 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像的放大方法及装置 |
-
2016
- 2016-09-08 CN CN201610811516.3A patent/CN106548454A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
CN104299185A (zh) * | 2014-09-26 | 2015-01-21 | 京东方科技集团股份有限公司 | 一种图像放大方法、图像放大装置及显示设备 |
WO2016045242A1 (zh) * | 2014-09-26 | 2016-03-31 | 京东方科技集团股份有限公司 | 一种图像放大方法、图像放大装置及显示设备 |
CN104463785A (zh) * | 2014-11-20 | 2015-03-25 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像的放大方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈晓龙等: "基于金字塔法的数字医学图像增强", 《核电子学与探测技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805950A (zh) * | 2018-05-28 | 2018-11-13 | 牙博士医疗控股集团有限公司 | 口腔牙片信息转换方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Detail preserved fusion of visible and infrared images using regional saliency extraction and multi-scale image decomposition | |
US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
CN104639800B (zh) | 一种用于图像降噪的方法及终端 | |
CN107194919A (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
US7558436B2 (en) | Image dynamic range control for visual display | |
CN106780356A (zh) | 基于卷积神经网络和先验信息的图像去雾方法 | |
CN105096278B (zh) | 基于光照调整的图像增强方法和设备 | |
CN108492269A (zh) | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 | |
JPWO2006068025A1 (ja) | 画像処理方法 | |
CN108095756B (zh) | 一种基于sofi的超高分辨平面波超声成像方法 | |
JP2002257679A (ja) | 輝度情報取得方法、画質評価方法、表示装置の輝度情報取得装置および表示装置の画質評価装置 | |
JP2015008414A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN110503614A (zh) | 一种基于稀疏字典学习的磁共振图像去噪方法 | |
CN107689057A (zh) | 自适应小动物脑功能磁共振成像数据分析方法 | |
CN107301635A (zh) | 一种红外图像细节增强方法与装置 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN106548454A (zh) | 处理医学图像的方法和装置 | |
CN112446880A (zh) | 图像处理方法、电子设备及可读存储介质 | |
CN108122262B (zh) | 基于主结构分离的稀疏表示单帧图像超分辨率重建算法 | |
CN106803236B (zh) | 基于模糊域奇异值分解的非均匀性校正方法 | |
CN107895356A (zh) | 一种基于steerable pyramid的近红外图像增强方法 | |
US9384416B1 (en) | Quantitative image analysis applied to the grading of vitreous haze | |
CN107169484B (zh) | 基于人眼视觉特性的图像质量评价方法 | |
Biswas et al. | Spine medical image fusion using wiener filter in shearlet domain | |
CN107274369B (zh) | 一种基于频域分解的单幅图像去雾加速方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Yi Inventor after: Chen Xiaolong Inventor before: Wang Yi |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170329 |