CN106683061B - 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 - Google Patents
一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 Download PDFInfo
- Publication number
- CN106683061B CN106683061B CN201710007475.7A CN201710007475A CN106683061B CN 106683061 B CN106683061 B CN 106683061B CN 201710007475 A CN201710007475 A CN 201710007475A CN 106683061 B CN106683061 B CN 106683061B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- enhanced
- image sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003902 lesion Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 241001270131 Agaricus moelleri Species 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 abstract description 6
- 210000001835 viscera Anatomy 0.000 abstract description 6
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000001959 radiotherapy Methods 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 21
- 238000003384 imaging method Methods 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000004304 visual acuity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004456 color vision Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 229940084388 gammar Drugs 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010626 work up procedure 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于修正的多尺度retinex算法对医疗图像进行增强的方法，它包括以下步骤：S1、采用多种医疗图像采集设备获取同一病灶或感兴趣部位的图像序列；S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列进行处理；S3、对增强后的所有图像序列进行像素级融合获取融合后的图像序列；S4、采用图像增强方法对融合后的图像序列进行处理，得到成品图像序列。本发明通过改进的retinex算法，增加了边缘强度，有利于人体内相近器官的区分，将肿瘤和脏器进一步分别开来，增加了病灶或感兴趣部位的可视性，有助于临床诊断、放射治疗计划的制定和评价。
Description
技术领域
本发明涉及医疗图像处理领域，尤其是加强多源医学图像的成像结果并适用于在像素级精准融合的图像显示方法，具体地说是一种能够增加病灶或感兴趣部位的可视性，有助于临床诊断、放射治疗计划的制定和评价的基于修正的多尺度retinex算法对MR和CT图像进行增强的方法。
背景技术
随着医学、计算机技术及生物工程技术的发展，医学影像为临床诊断提供了多种模态的医学图像，如CT(计算机X线断层扫描)、MRI(磁共振成像)、SPECT(单光子发射计算机断层成像)、PET(正电子发射计算机断层扫描)、DSA(数字减影血管造影技术)、超声图像、电阻抗图像等。
不同的医学图像提供了相关脏器的不同信息，比如CT图像具有很高的分辨力骨骼成像的能力，非常清晰，对病灶的定位提供了良好的参照，但对病灶本身的显示就较差。MRI虽然它空间分辨力比不上CT图像但是它对软组织成像清晰，有利于病灶范围的确定，可是它又缺乏刚性的骨组织作为定位参照。而PET尽管提供了脏器的新陈代谢功能信息，但对解剖结构的描画却很差。而MRI、CT、X射线成像对人体解剖结构描画得很好，却缺乏人体的功能信息。可见不同模态的医学图像都有各自的优缺点。如果我们能把它们之间的互补信息综合在一起，充分显示形态成像方法的分辨力高、定位准确这一优势，克服功能成像中空间分辨力和组织对比分辨力低的缺点，最大限度地挖掘影像信息把它们作为一个整体来表达，那么在实际临床应用中，就能为医生提供所需要的足够信息，以便了解病变组织或器官的综合信息，从而作出准确的诊断或制订出合适的治疗方案。
经典的色彩视觉理论认为:人眼的色彩感觉主要取决于光的波长,不同频率的光会给人不同的色彩感觉,物体的颜色是由物体反射光的频率和强度决定的.然而,美国物理学家Edwin Land在20世纪50年代发现有些现象是传统的色彩理论无法解释的,经过近20年的科学实验和分析,Land认为在视觉信息的传导过程中人类的视觉系统对信息进行了某种处理,去除了光源强度和照射不均匀等一系列不确定的因素,而只保留了反映物体本质特征的信息,如反射系数等.当这些描述物体本质特征的相关信息传递到大脑皮层后,经过更为复杂的信息处理,才最终形成人的视觉.基于这样的认识,1977年Edwin Land首次提出了一种被称为Retinex的色彩理论.Retinex这个词本身就是由视网膜Retina和大脑皮层Cortex这两个词组合构成的,于是Retinex理论又被称为视网膜大脑皮层理论。
Land首先提出了Retinex作为人眼感知亮度和色度的视觉模型,其定义理想的图像f(x,y)为：
f(x，y)＝r(x，y)×i(x，y)
即一幅图像f(x,y)可以用环境亮度函数i(x,y)和物体反射函数r(x,y)的乘积来表示。环境亮度函数描述周围环境的亮度，与物体无关；而物体反射函数是指物体反射能力，与照明无关，它包含了景物的细节信息.基于这种模型,得到的环境亮度函数是一种变化缓慢的图像低频信息；而反射函数则包含着图像中的大部分高频细节信息。
但是，上述单尺度Retinex处理方法无法对图像所有灰度范围取得一致的增强效果，在医学图像上，简单应用该方法，无法获取所需的组织信息和病灶特征。
发明内容
本发明的目的是针对人体解剖学成像和功能性成像采用不同工作原理，对人体骨骼和软组织成像各有优缺点的问题，提出一种基于修正的多尺度retinex算法对医疗图像进行增强的方法。该方法可以加强多源医学图像的成像结果，并适用于在像素级精准融合后再次增强，增加了病灶或感兴趣部位的可视性，有助于临床诊断、放射治疗计划的制定和评价。
本发明的技术方案是：
一种基于修正的多尺度retinex算法对医疗图像进行增强的方法，它包括以下步骤：
S1、采用多种医疗图像采集设备获取同一病灶或感兴趣部位的图像序列；
S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列进行处理；
S3、对增强后的所有图像序列进行像素级融合获取融合后的图像序列；
S4、采用图像增强方法对融合后的图像序列进行处理，得到成品图像序列。
本发明的步骤S2中，图像增强算法具体为：
S2.1、对步骤S1中获取的各图像序列的灰度图像进行处理，将各像素点灰度值的数据类型转化成float(浮点)型；
S2.2、对各图像序列的灰度图像进行增强处理，具体步骤如下：
S2.2-1、S2.2-1、获取前述灰度图像来源图像的位数，如果是8位，则灰度范围是0～255，如果是16位，则灰度范围是0～4095，在各自对应的整个灰度范围内选取n个尺度因子σ，分别建立对应的高斯环境函数：k表示尺度因子σ即环境函数的编号，k＝1、2、...n；
S2.2-2、采用下述公式分别各图像序列中的图像进行处理，得到各自增强后的输出图像RMi(x,y)；
其中：i表示任一医疗图像采集设备获取的图像序列中的图像编号；N表示对应医疗图像采集设备获取的图像序列中的图像总数，k表示环境函数的编号，n表示环境函数的个数；Wk表示与Fk对应的权重系数，Ii(x,y)是第i幅图像的灰度；δ是修正系数(范围是0-4095)，*代表卷积操作；log为对数；Fk(x,y)为步骤S2.2-1所建立的高斯环境函数；(本发明采用高斯函数作为环境函数。其中，卷积操作通过计算机的离散傅里叶变换和反变换实现。实质是将空间域的数学操作变换到频率域简化，然后反变换回来。)
本发明的步骤S2中，图像增强算法还包括：
S2.3、对各种医疗图像采集设备增强后的输出图像RMi(x,y)分别进行图像灰度矫正，具体为：
S2.3-1、计算输出图像RMi(x,y)的灰度均值avg和标准方差div；
S2.3-2、分别计算出图像RMi(x,y)截断拉伸的最大值和最小值；
S2.3-3、计算出图像RMi(x,y)的平均强度做为偏移量offset，采用下述公式对图像RMi(x,y)的直方图进行拉伸；
S2.3-4、采用步骤(b)的方法进行重心判定，得到拉伸后图像直方图的重心；
用低于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到下限阈值；
用高于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到上限阈值；
将前述上限阈值和下限阈值带入步骤S2.3-3中，作为截断拉伸的最大值和最小值，再次对图像直方图进行线性拉伸。
本发明的步骤S2.3-2和S2.3-3之间，还包括先用gammar拉伸对输出图像RMi(x,y)做处理，使得暗部的对比度得以增强，亮部的对比度受到抑制。
本发明的S2.3-2中，α为比例系数，取值1.5～3。
本发明的步骤S2中，图像增强算法还包括：
S2.4、对灰度矫正后的输出图像进行边缘增强，具体为：
S2.4-1、采用5×5的高斯模板对输出图像以像素为单位进行滑动邻域操作，得到经过高斯模糊的图像矩阵；
S2.4-2、然后用输出图像RMi(x,y)的图像矩阵减去经过高斯模糊后的图像矩阵，得到图像的边缘矩阵，给该边缘矩阵乘以调整参数，得到增强的边缘矩阵；
S2.4-3、将前述增强的边缘矩阵与输出图像RMi(x,y)的矩阵相加，得到经过边缘增强的图像。
本发明的滑动邻域操作具体为：利用滑动邻域对灰度图像做高斯模糊，邻域块空白的地方补0，对输入图形的每一个像素，指定的滑动邻域操作决定输出图像相应的像素值；即每当指定的操作从图像矩阵的一个位置转移到另一个位置时，滑动邻域也以相同的方向运动。
本发明的调整参数的取值大于1。
本发明的有益效果：
本发明通过加强人体器官不同灰阶的细节，将相近器官更好的区别开来，提升了人体骨骼、脏器以及病变结构的对比度。在灰度拉伸阶段运算速度较快。
由于医学图像标准DICOM的灰阶比较多，本发明通过计算直方图面积和重心，更好选择了多尺度因子，还原了人体器官不同灰阶的细节，提升了骨骼、脏器和病变结构对比度，有利于将人体内的病灶和解剖学结构与背景区别开来。
本发明通过改进的retinex算法，增加了边缘强度，有利于人体内相近器官的区分，将肿瘤和脏器进一步分别开来。灰度拉伸使用gamma拉伸和阈值选定的线性拉伸，运算速度较快，更加有利于医学的灰度图进一步增加对比度。
具体实施方式
下面结合实施例对本发明作进一步的说明。
一种基于修正的多尺度retinex算法对医疗图像进行增强的方法，它包括以下步骤：
S1、采用多种医疗图像采集设备获取同一病灶或感兴趣部位的图像序列；
S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列进行处理；
S3、对增强后的所有图像序列进行像素级融合获取融合后的图像序列；
S4、采用图像增强方法对融合后的图像序列进行处理，得到成品图像序列。
本发明的步骤S2中，图像增强算法具体为：
S2.1、对步骤S1中获取的各图像序列的灰度图像进行处理，将各像素点灰度值的数据类型转化成float型；
S2.2、对各图像序列的灰度图像进行增强处理，具体步骤如下：
S2.2-1、获取前述灰度图像来源图像的位数，如果是8位，则灰度范围是0～255，如果是16位，则灰度范围是0～4095，在各自对应的整个灰度范围内选取n个尺度因子σ，分别建立对应的高斯环境函数：k表示尺度因子σ即环境函数的编号，k＝1、2、...n；
尺度因子选取方式如下，以n＝5为例；
例如，如果以“面积占比”和“重心判定”方式选择，如下所述：
(a)、获取灰度图像的直方图，沿直方图中横轴方向从左往右获取起点至横坐标对应位置处的灰度面积，除以直方图的总灰度面积得到面积占比，在面积占比达到设定比例A1、A2时，选取对应比例的横坐标点作为第一、二个尺度因子；(横轴为0～4095灰度，纵轴为点数。我们设每个灰度的底边长为1，乘以纵轴数值为该灰度面积。除以图像点数为面积占比。然后，在面积占比达到一定数值时，以20％，40％为例选取两个横坐标点作为第一、二个尺度因子。)
(b)在灰度图像的直方图中，将所有横坐标点的灰度值乘以对应位置的纵坐标值，然后进行求和，除以图像总点数，得出图像重心作为第三个尺度因子；(第三个尺度因子选择比较特殊，采用的是“重心判定”的方法，先用每个横坐标灰度乘以该坐标下的纵坐标值，求出0～4095范围内的总和(实际计算中要把横坐标值加一位，也就是1～4096)，然后除以图像总点数，得出的数值即为图像重心。)
(c)、在灰度图像的直方图中，沿直方图中横轴方向从右往左获取起点至横坐标对应位置处的灰度面积，除以直方图的总灰度面积得到面积占比，在面积占比达到设定比例A3、A4时，选取对应比例的横坐标点作为第四、五个尺度因子；
在实际工程环境下，可以采用控件的方法目视不同尺度因子选择产生的增强效果，以最优化输出结果；A1的范围是15％-25％，；A2的范围是35-45％；A3的范围是35％-45％；A4的范围是15-25％。
图像F(x,y)与高斯函数卷积的本质在于特殊灰阶段通透滤波。高斯滤波器的特性。
S2.2-2、采用下述公式分别各图像序列中的图像进行处理，得到各自增强后的输出图像RMi(x,y)；(用来控制环境函数范围的尺度；R Mi(x,y)是综合i幅图像的多尺度Retinex算法的输出结果.实验表明对于医疗图像,在平衡负载的前提下，为图像序列多选取几个尺度,赋予每个尺度经验权重，可以取得较好增强效果)
其中：i表示任一医疗图像采集设备获取的图像序列中的图像编号；N表示对应医疗图像采集设备获取的图像序列中的图像总数，k表示环境函数的编号；Wk表示与Fk对应的权重系数，Ii(x,y)是第i幅图像的灰度；δ是修正系数(范围是0-4095)，*代表卷积操作；log为对数；Fk(x,y)为步骤S2.2-1所建立的高斯环境函数；(本发明采用高斯函数作为环境函数。其中，卷积操作通过计算机的离散傅里叶变换和反变换实现。实质是将空间域的数学操作变换到频率域简化，然后反变换回来。)
进一步的，所述的步骤S2中，图像增强算法还包括：
S2.3、对各种医疗图像采集设备增强后的输出图像RMi(x,y)分别进行图像灰度矫正，具体为：
S2.3-1、计算输出图像RMi(x,y)的灰度均值avg和标准方差div；
S2.3-2、分别计算出图像RMi(x,y)截断拉伸的最大值和最小值；
α为比例系数，取值1.5～3；
S2.3-3、计算出图像RMi(x,y)的平均强度做为偏移量offset，采用下述公式对图像RMi(x,y)的直方图进行拉伸；
S2.3-4、采用步骤(b)的方法进行重心判定，得到拉伸后图像直方图的重心；
用低于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到下限阈值；
用高于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到上限阈值；
将前述上限阈值和下限阈值带入步骤S2.3-3中，作为截断拉伸的最大值和最小值，再次对图像直方图进行线性拉伸。
所述的步骤S2.3-2和S2.3-3之间，还包括先用gamma拉伸对输出图像RMi(x,y)做处理，使得暗部的对比度得以增强，亮部的对比度受到抑制。
进一步的，所述的步骤S2中，图像增强算法还包括：
S2.4、对灰度矫正后的输出图像进行边缘增强，具体为：
S2.4-1、采用5×5的高斯模板对输出图像以像素为单位进行滑动邻域操作，得到经过高斯模糊的图像矩阵；
S2.4-2、然后用输出图像RMi(x,y)的图像矩阵减去经过高斯模糊后的图像矩阵，得到图像的边缘矩阵，给该边缘矩阵乘以调整参数，得到增强的边缘矩阵；
S2.4-3、将前述增强的边缘矩阵与输出图像RMi(x,y)的矩阵相加，得到经过边缘增强的图像。
滑动邻域操作具体为：利用滑动邻域对灰度图像做高斯模糊，邻域块空白的地方补0，对输入图形的每一个像素，指定的滑动邻域操作决定输出图像相应的像素值；即每当指定的操作从图像矩阵的一个位置转移到另一个位置时，滑动邻域也以相同的方向运动。
普通图像是自然光反射图像，灰度变化范围从0-255，一般采用RGB三尺度处理。医疗图像主要是照射图像，工业上主要采用了dicom、HL7标准，多为12位图像，其灰度达到了0---4095，我们在多尺度选择上根据运算负荷，自适应的调整尺度因子和各尺度权重。
我们采用不同于分段灰度拉伸的方法，取得了更好的对比度和细节。
在灰度矫正之后，我们引入基于高斯模糊模板的边缘检测，并将边缘增强效果叠加至原图，进一步优化人体解破学结构。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (4)
1.一种基于修正的多尺度retinex算法对医疗图像进行增强的方法，其特征是它包括以下步骤：
S1、采用多种医疗图像采集设备获取同一病灶或感兴趣部位的图像序列；
S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列进行处理；
S3、对增强后的所有图像序列进行像素级融合获取融合后的图像序列；
S4、采用图像增强方法对融合后的图像序列进行处理，得到成品图像序列；
所述的步骤S2中，图像增强算法具体为：
S2.1、对步骤S1中获取的各图像序列的灰度图像进行处理，将各像素点灰度值的数据类型转化成float浮点型；
S2.2、对各图像序列的灰度图像进行增强处理，具体步骤如下：
S2.2-1、获取前述灰度图像来源图像的位数，如果是8位，则灰度范围是0～255，如果是16位，则灰度范围是0～4095，在各自对应的整个灰度范围内选取n个尺度因子σ，分别建立对应的高斯环境函数：k表示尺度因子σ即环境函数的编号，k＝1、2、...n；
S2.2-2、采用下述公式分别对各图像序列中的图像进行处理，得到各自增强后的输出图像RMi(x,y)；
其中：i表示任一医疗图像采集设备获取的图像序列中的图像编号；N表示对应医疗图像采集设备获取的图像序列中的图像总数，k表示环境函数的编号，n表示环境函数的个数；Wk表示与k对应的权重系数，Ii(x,y)是第i幅图像的灰度；δ是修正系数，*代表卷积操作；log为对数；Fk(x,y)为步骤S2.2-1所建立的高斯环境函数；
S2.3、对各种医疗图像采集设备增强后的输出图像RMi(x,y)分别进行图像灰度矫正，具体为：
S2.3-1、计算输出图像RMi(x,y)的灰度均值avg和标准方差div；
S2.3-2、分别计算出图像RMi(x,y)截断拉伸的最大值和最小值；
fmax＝avg+a·div
fmin＝avg-a·div；
其中，α为比例系数，取值1.5～3；
用gamma拉伸对输出图像RMi(x,y)做处理，使得暗部的对比度得以增强，亮部的对比度受到抑制；
S2.3-3、计算出图像RMi(x,y)的平均强度作为偏移量offset，采用下述公式对图像RMi(x,y)的直方图进行拉伸；
S2.3-4、对拉伸后的直方图，将所有横坐标点的灰度值乘以对应位置的纵坐标值，然后进行求和，除以图像总点数，得到拉伸后图像直方图的重心；
用低于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到下限阈值；
用高于该重心的所有灰度即横坐标点数值乘以相应纵坐标值即点数后累计求和，除以图像总点数，得到上限阈值；
将前述上限阈值和下限阈值带入步骤S2.3-3中，作为截断拉伸的最大值和最小值，再次对图像直方图进行线性拉伸；
所述的步骤S2中，图像增强算法还包括：
S2.4、对灰度矫正后的输出图像进行边缘增强，具体为：
S2.4-1、采用5×5的高斯模板对输出图像以像素为单位进行滑动邻域操作，得到经过高斯模糊的图像矩阵；
S2.4-2、然后用输出图像RMi(x,y)的图像矩阵减去经过高斯模糊后的图像矩阵，得到图像的边缘矩阵，给该边缘矩阵乘以调整参数，得到增强的边缘矩阵；
S2.4-3、将前述增强的边缘矩阵与输出图像RMi(x,y)的矩阵相加，得到经过边缘增强的图像。
2.根据权利要求1所述的基于修正的多尺度retinex算法对医疗图像进行增强的方法，其特征是S2.3-2中，α为比例系数，取值1.5～3。
3.根据权利要求1所述的基于修正的多尺度retinex算法对医疗图像进行增强的方法，其特征是滑动邻域操作具体为：利用滑动邻域对灰度图像做高斯模糊，邻域块空白的地方补0，对输入图形的每一个像素，指定的滑动邻域操作决定输出图像相应的像素值；即每当指定的操作从图像矩阵的一个位置转移到另一个位置时，滑动邻域也以相同的方向运动。
4.根据权利要求1所述的基于修正的多尺度retinex算法对医疗图像进行增强的方法，其特征是调整参数的取值大于1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710007475.7A CN106683061B (zh) | 2017-01-05 | 2017-01-05 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710007475.7A CN106683061B (zh) | 2017-01-05 | 2017-01-05 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106683061A CN106683061A (zh) | 2017-05-17 |
| CN106683061B true CN106683061B (zh) | 2019-03-15 |
Family
ID=58849977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710007475.7A Active CN106683061B (zh) | 2017-01-05 | 2017-01-05 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683061B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451963B (zh) * | 2017-07-05 | 2020-09-25 | 广东欧谱曼迪科技有限公司 | 多光谱鼻腔内窥镜实时图像增强方法及内窥镜成像系统 |
| CN107730470A (zh) * | 2017-10-18 | 2018-02-23 | 四川理工学院 | 一种显式表达多尺度和直方图截断的改进Retinex图像增强方法 |
| CN108038817A (zh) * | 2017-10-30 | 2018-05-15 | 努比亚技术有限公司 | 一种图像背景虚化方法、终端及计算机可读存储介质 |
| CN111161181A (zh) * | 2019-12-26 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
| CN113269756B (zh) * | 2021-05-28 | 2024-02-27 | 长春大学 | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 |
| CN113469919B (zh) * | 2021-07-27 | 2024-05-28 | 深圳市赛禾医疗技术有限公司 | 超声图像的处理方法、装置及电子设备 |
| CN115482216B (zh) * | 2022-09-20 | 2023-05-16 | 河南大学第一附属医院 | 一种腹腔镜图像增强方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426702A (zh) * | 2011-10-25 | 2012-04-25 | 南阳理工学院 | Ct图像与mr图像的融合方法 |
| CN102682436B (zh) * | 2012-05-14 | 2017-12-12 | 奇瑞汽车股份有限公司 | 一种改进的多尺度Retinex理论的图像增强方法 |
| CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
-
2017
- 2017-01-05 CN CN201710007475.7A patent/CN106683061B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106683061A (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106683061B (zh) | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 | |
| Wang et al. | Medical image fusion based on convolutional neural networks and non-subsampled contourlet transform | |
| CN100410969C (zh) | 一种医疗放射图像的细节增强方法 | |
| Zhao et al. | A new approach for medical image enhancement based on luminance-level modulation and gradient modulation | |
| CN104794708B (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
| CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
| Kanade et al. | Brain tumor detection using MRI images | |
| CN104871207B (zh) | 图像数据处理方法及系统 | |
| Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
| Bhairannawar | Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization | |
| Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
| Du et al. | An integrated deep learning framework for joint segmentation of blood pool and myocardium | |
| Geng et al. | Adopting quaternion wavelet transform to fuse multi-modal medical images | |
| Feng et al. | Multimodal medical image fusion based on visual saliency map and multichannel dynamic threshold neural P systems in sub-window variance filter domain | |
| CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
| Dawood et al. | The importance of contrast enhancement in medical images analysis and diagnosis | |
| Subashini et al. | Brain tumour detection using Pulse coupled neural network (PCNN) and back propagation network | |
| CN106097283A (zh) | 一种基于人类视觉系统特性的多尺度x线图像增强方法 | |
| Dai et al. | The application of multi-modality medical image fusion based method to cerebral infarction | |
| CN111477304A (zh) | 一种pet和mri图像相融合的肿瘤照射成像组合方法 | |
| Widyarto et al. | 2D-sigmoid enhancement prior to segment MRI Glioma tumour: Pre image-processing | |
| Xu et al. | Metal artifact reduction for oral and maxillofacial computed tomography images by a generative adversarial network | |
| Zhang et al. | Medical image fusion based a densely connected convolutional networks | |
| CN107808387A (zh) | 一种医学图像序列中的目标跟踪方法 | |
| Yang et al. | Medical image fusion method based on lifting wavelet transform and dual-channel PCNN |
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 |
Inventor after: Zhang Shiping Inventor after: Wang Xiaofang Inventor before: Wang Xiaofang |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20181026 Address after: 518000 B1 701-72, Kexing Science Park, 15 Keyuan Road, Nanshan District, Shenzhen, Guangdong. Applicant after: Cabin (Shenzhen) Medical Technology Co., Ltd. Address before: 210000 Room 403, 3 tower 141, Ma Tai Street, Nanjing, Jiangsu. Applicant before: Nanjing Mizong Electronic Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |