CN109377461B - 一种基于nsct的乳腺x射线图像自适应增强方法 - Google Patents
一种基于nsct的乳腺x射线图像自适应增强方法 Download PDFInfo
- Publication number
- CN109377461B CN109377461B CN201811211650.5A CN201811211650A CN109377461B CN 109377461 B CN109377461 B CN 109377461B CN 201811211650 A CN201811211650 A CN 201811211650A CN 109377461 B CN109377461 B CN 109377461B
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- enhancement
- nsct
- histogram
- 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 108
- 210000000481 breast Anatomy 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 13
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 241000283153 Cetacea Species 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims description 12
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 229910052750 molybdenum Inorganic materials 0.000 claims description 6
- 239000011733 molybdenum Substances 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 49
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 9
- 208000004434 Calcinosis Diseases 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 8
- 230000002308 calcification Effects 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 8
- 206010006187 Breast cancer Diseases 0.000 description 7
- 208000026310 Breast neoplasm Diseases 0.000 description 7
- 230000003902 lesion Effects 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种基于NSCT的乳腺X射线图像自适应增强方法。先将乳腺X射线图像直方图均衡化,然后在NSCT域分解,高频分解为三层,分别为2、4、8个方向子带,第1、2层中值滤波。设计一种特殊的边缘滤波器增强各个子带系数,其中涉及两个参数,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化参数,盲图像质量指标(Blind Image Quality Index,BIQI)作为优化的目标函数。最后进行NSCT逆变换,得到最终增强图像。利用DDSM数据库进行测试,采用信息熵、平均梯度、标准差、对比度改善指数(Contrast Improvement Index,CII)、BIQI和综合指标六个评价指标对增强前后的图像质量进行评价,并与当前几种同类图像增强方法比较。指标表明所提出的方法对乳腺X射线图像有较好的增强效果。
Description
技术领域
本发明属于图像处理技术及医学处理领域。具体来说,涉及一种以增强乳腺X图像为目的的基于NSCT的乳腺X图像自适应增强方法。
背景技术
2016年1月25日,全球影响因子最高的杂志(CA:A Cancer Journal forClinjicians)(IF=144.8)在线发表2015年中国癌症统计数据一文。该文章指出,在中国,癌症已成为疾病死因之首,发病率和死亡率还在攀升,癌症已成为非常重要的公共健康问题。其中乳腺癌已成为中国女性最常见的肿瘤,约占所有女性癌症的15%,且近年来其总死亡率有所升高。据统计表明:乳腺癌早期治愈率高达97%,进展后治愈率却只有40%左右,因此早发现、早诊断、早治疗,是提高乳腺癌治疗效果,降低死亡率的关键。乳腺钼靶X线摄影术是乳腺癌检测的首选方法,也是乳腺癌早期预防和诊断最可靠有效的工具。受成像原理限制,再者,由于乳房组织的特殊性,即乳腺组织的各部分密度比较接近,以致所拍摄的乳腺X线图像缺乏层次感、图像模糊、对比度低、效果欠佳、许多小病灶被正常的乳腺组织所淹没,不易观察和提取,导致乳腺癌的误诊率和漏诊率较高。因此乳腺图像做的增强非常有必要。
为了突出病变区域的特点,需要增强乳腺X线图像的视觉效果。基本的图像增强技术,包括对比度拓展,直方图均衡化,形态学滤波和小波变换等方法。这些方法都是在一定程度上达到良好的增强效果,但对于灰度分布集中的医学图像,它们的效果不太理想。因为乳腺X线图像的特殊性,提高图像对比度的同时不可以丢失图像的细节,更不能引入太多的噪音。在乳腺X线图像增强的研究中,国内外专家学者进行了广泛的研究,给出了各种不同的算法,并将各种算法的想法进行了完善。Yunqing Li等人对乳腺X线图像进行自适应直方图均衡增强,但过大的运算量以及极其敏感噪声等缺点大大降低其实用性。StephenM.Pizer等人提出利用双线性插值技术的对比度受限自适应直方图均衡法,以限制基本自适应直方图均衡的噪声和对比度的过度增强,并能减小其计算量。但在灰度突变的交界区域易引入新噪声增强效果并不理想。Yicong Zhou等人提出的基于图像分解和人类视觉特性的增强算法。充分考虑图像增强对人类视觉特性的依赖性。反锐化掩模算法是一种常用的图像边缘细节增强的方法,但是此种方法对噪声比较敏感。Lee和Park为了减小噪声的敏感度,提出了一种顺序统计反锐化掩模算子。Panetta,K等人提出非线性反锐化增强方案。Jose Mejia等人提出了一种基于NSCT分解尺度下的乳腺X线图像的增强方法,可以增强图像细节,其缺点是参数通过实验获得,不具有鲁棒性和自适应性。Xiaoshao Gou等人提出了一种直方图均衡和中值滤波在小波域进行融合的方法,整体增强效果较好,但细节有些差强人意。P.Shanmugavadivu等人提出了一种基于图像特征的对比度增强技术。利用改进的饱和方法,参照乳腺钼靶图像的特征值对其进行增强。
目前为止,已经提出不少乳腺X线图像增强的新方法。这些新技术虽然也取得了较好的增强效果,但是在病变区域与背景灰度差异很小,微弱病变极易隐没于复杂背景和噪声中,其增强效果还有待进一步提高,研究一种更为有效的乳腺图像增强算法,已成为图像增强领域的研究热点之一。本发明提出了一种基于NSCT的多尺度自适应乳腺X线图像增强的新方法,其中也运用了直方图均衡化处理,保证图像的整体增强,而后NSCT的自适应增强处理,使得图像不仅在整体上得到增强,而且细节方面也得到较好的增强。
发明内容
为了对乳腺X射线图像进行增强,本发明设计了一种基于NSCT的乳腺X图像自适应增强方法。将增强X图像任务分成两步:第一步将图像进行直方图均衡化处理,保证图像的整体增强效果;第二步对上一步得到的图像在NSCT域进行分解,将分解得到的各子带图进行自适应增强。实验表明,这种对乳腺X射线图像的处理有较好的增强效果。该方法包括:
先将图像进行直方图均衡化处理,保证图像的整体增强效果;
处理后的图像在NSCT域进行分解,将其高频分解为三层,每层分别分解为2、4、8个方向;
将第1、2层的各个子带图像进行中值滤波,用于去除图像中的噪声;
采用一种特殊的边缘滤波器增强各个子带系数。
其中涉及两个参数,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化参数;
利用盲图像质量指标(Blind Image Quality Index,BIQI)自适应函数;
然后进行NSCT逆变换重构图像,最终达到自适应强图像的目的,使得图像的细节得到增强。
利用DDSM数据库中数据测试所提出的增强方法,评价指标包括:
采用信息熵、平均梯度、标准差、对比度改善指数(Contrast Improvement Index,CII)和BIQI和综合指标共六种评价指标进行评价;
并与当前几种同类方法进行比较分析。指标显示表明所提出的方法对乳腺钼靶X线图像有较好的增强效果。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1 基于NSCT的乳腺X射线图像自适应增强流程图;
图2 (a)非降采样滤波器 (b)理想频率分解;
图3 (a)原始图像1 (b)原始图像2 (c)原始图像3 (d)本发明所用方法增强图像1(e)本发明所用方法增强图像2 (f)本发明所用方法增强图像3;
图4 (a)本发明所用方法增强图像1迭代曲线 (b)本发明所用方法增强图像2迭代曲线 (c)本发明所用方法增强图像3迭代曲线;
图5 (a)原始图像1 (b)采用直方图均衡化增强图像1 (c)采用饭锐化掩膜方法增强图像1 (d)采用Andrew F.Laine等人方法增强图像1 (e)采用Xiaoshao Gou等人方法增强图像1 (f)采用P.Shanmugavadivu等人方法增强图像1 (g)采用Jose Mejia等人方法增强图像1 (h)本发明方法增强图像1;
图6 (a)原始图像的直方图图像1 (b)采用直方图均衡化增强图像的直方图图像1(c)采用饭锐化掩膜方法增强图像的直方图图像1 (d)采用Andrew F.Laine等人方法增强图像的直方图图像1 (e)采用Xiaoshao Gou等人方法增强图像的直方图图像1 (f)采用P.Shanmugavadivu等人方法增强图像的直方图图像1 (g)采用Jose Mejia等人方法增强图像的直方图图像1 (h)本发明方法增强图像的直方图图像1;
图7 (a)原始图像的局部放大图1 (b)采用直方图均衡化增强图像的局部放大图1(c)采用饭锐化掩膜方法增强图像的局部放大图1 (d)采用Andrew F.Laine等人方法增强图像的局部放大图1 (e)采用Xiaoshao Gou等人方法增强图像的局部放大图1 (f)采用P.Shanmugavadivu等人方法增强图像的局部放大图1 (g)采用Jose Mejia等人方法增强图像的局部放大图1 (h)本发明方法增强图像的局部放大图1;
图8.(a)原始图像2 (b)采用直方图均衡化增强图像2 (c)采用饭锐化掩膜方法增强图像2 (d)采用Andrew F.Laine等人方法增强图像2 (e)采用Xiaoshao Gou等人方法增强图像2 (f)采用P.Shanmugavadivu等人方法增强图像2 (g)采用Jose Mejia等人方法增强图像2 (h)本发明方法增强图像2;
图9.(a)原始图像的直方图图像2 (b)采用直方图均衡化增强图像的直方图图像2(c)采用饭锐化掩膜方法增强图像的直方图图像2 (d)采用Andrew F.Laine等人方法增强图像的直方图图像2 (e)采用Xiaoshao Gou等人方法增强图像的直方图图像2 (f)采用P.Shanmugavadivu等人方法增强图像的直方图图像2 (g)采用Jose Mejia等人方法增强图像的直方图图像2 (h)本发明方法增强图像的直方图图像2;
图10.(a)原始图像的局部放大图2 (b)采用直方图均衡化增强图像的局部放大图2 (c)采用饭锐化掩膜方法增强图像的局部放大图2 (d)采用Andrew F.Laine等人方法增强图像的局部放大图2 (e)采用Xiaoshao Gou等人方法增强图像的局部放大图2 (f)采用P.Shanmugavadivu等人方法增强图像的局部放大图2 (g)采用Jose Mejia等人方法增强图像的局部放大图2 (h)本发明方法增强图像的局部放大图2;
图11.(a)原始图像3 (b)采用直方图均衡化增强图像3 (c)采用饭锐化掩膜方法增强图像3 (d)采用Andrew F.Laine等人方法增强图像3 (e)采用Xiaoshao Gou等人方法增强图像3 (f)采用P.Shanmugavadivu等人方法增强图像3 (g)采用Jose Mejia等人方法增强图像3 (h)本发明方法增强图像3;
图12.(a)原始图像的直方图图像3 (b)采用直方图均衡化增强图像的直方图图像3 (c)采用饭锐化掩膜方法增强图像的直方图图像3 (d)采用Andrew F.Laine等人方法增强图像的直方图图像3 (e)采用Xiaoshao Gou等人方法增强图像的直方图图像3 (f)采用P.Shanmugavadivu等人方法增强图像的直方图图像3 (g)采用Jose Mejia等人方法增强图像的直方图图像3 (h)本发明方法增强图像的直方图图像3;
图13.(a)原始图像的局部放大图3 (b)采用直方图均衡化增强图像的局部放大图3 (c)采用饭锐化掩膜方法增强图像的局部放大图3 (d)采用Andrew F.Laine等人方法增强图像的局部放大图3 (e)采用Xiaoshao Gou等人方法增强图像的局部放大图3 (f)采用P.Shanmugavadivu等人方法增强图像的局部放大图3 (g)采用Jose Mejia等人方法增强图像的局部放大图3 (h)本发明方法增强图像的局部放大图3;
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
本申请实施例的基于NSCT的乳腺X射线图像自适应增强方法,用于乳腺X射线图像的增强处理。
如图1所示,本申请实施例的基于NSCT的乳腺X射线图像自适应增强方法方法,主要包括以下步骤:
步骤1 对乳腺X射线图像进行直方图均衡化处理;
步骤2 将直方图均衡化后的乳腺X射线图像利用NSCT分解为三层,各层分别为2、4、8个方向,共计得到1个低频和14个高频子带图,其中低频不做处理;
步骤3 提取高频的第1和2层系数;
步骤4 对提取的第1和2层的高频系数进行中值滤波,用于去除图像中的噪声;
步骤5 应用非线性函数来增强感兴趣的区域。在多尺度分析中函数F用于强调感兴趣特征的每个子带,以便获取新的增强子带集合y′。然后,每个结果得到增强子带可以使用等式(1)来表示:
y′i,j=F(yi,j) (1)
式中yi,j表示增强前的每个子带图,其中i和j是分解级别和方向。
对于分解过后的高频子带图用Canny算子进行边缘检测,阈值为自动选择,利用等式(2)来增强各个子带图。
式中M1和M2是用于检测周围组织的重量因子,bi,j(n1,n2)是一个包含边缘的二值图像子带和(n1,n2)是空间坐标。
其中参数的要求M1<M2,再用WOA算法优化两个参数M1和M2,其中M1∈[2~5],M2∈[3~8],寻优是按层进行寻优,每层所得M1和M2是同一值,本实验迭代了50次,适应度函数采用了BIQI,取值范围为(0~100),其值越小表示图像质量越好,实现了自适应的增强效果;
步骤6 利用NSCT逆变换,将处理后的各高频子带和未加处理的低频子带进行重构,得到增强后的图像。
本申请实施例中,选取数据库为DDSM数据库,DDSM数据库是南佛罗里达大学提供并建成于1999年的研究乳腺钼靶X线影像的高分辨率标准数据库,数据库中病灶区域已经有专门的医学专家标记出同时数据库中还包括诊断结论,包括良恶性诊断结论、病灶类型(如肿块、钙化点)。该数据库中共有2620幅乳腺钼靶X线影像,其中包括695幅正常图像(即没有病变),914幅恶性肿瘤图像,1011幅良性肿瘤图像。数据库中每个病例包括四幅图像,他们是分别对两个乳房通过不同角度拍摄的乳腺影像,两个方向分别是头足位(CC View)和侧斜位(MLO View)。本发明选取其中有代表性的三幅图像进行实验。实验软件为MATLAB2014a,实验图像如图3(a)、3(b)和3(c)和增强图像如图3(d)、3(e)和3(f)所示。由图3可以看出,本发明的方法对乳腺X射线图像的处理使得图像的整体和细节都得到了很好的改善。三幅图像增强后均突出了钙化点,纹理信息也得到了增强,图3(c)中的曲线表示增强过程中的三层WOA寻优的迭代曲线。
本申请实施例中,如图4(a)、4(b)和4(c)所示,是上述对三个实验图像的WOA寻优迭代曲线图,实验图像的增强迭代曲线在50次的迭代次数后是收敛的。
本申请实施例中,根据所述将本发明与其他同类图形的增强方法进行了对比,DDSM数据库中癌变部位有专业医生的标注,图4(a)、7(a)和10(a)是带有医生标注的原始图像;从图4(b)、7(b)和10(b)可以看出,经过直方图均衡化处理后的图像,在整体上得到了一定的增强,但是细节的增强效果不好,细节部分整体亮度值变大,丢失了部分细节;图4(c)、7(c)和10(c)利用反锐化掩膜方法增强后的图像中的细节得到了较好的改善,视觉效果较原图而言,变得更加清晰,但整体对比度效果欠佳;图4(d)、7(d)和10(d)增强后的图像虽然细节也变得更加清晰,但是整体主观视觉效果不太理想,尤其是增强后图像的边缘部分出现较为严重的马赛克;图4(e)、7(e)和10(e)在整体和细节上都得到了增强,肿块和钙化点得到明显增强,但是增强后的图像整体视觉效果比较模糊;图4(f)、7(f)和10(f)在整体对比度得到了一定程度的增强,但是局部细节增强效果不太明显;图4(g)、7(g)和10(g)在细节上得到较好的增强,但是整体增强效果欠佳;图4(h)、7(h)和10(h)是本发明提出方法的实验结果,在增强整体效果的同时也增强了细节,总体视觉效果优于其他六种同类方法。
从图5(b)、8(b)和11(b)可以看出,图像经直方图均衡化之后,图像灰度值分布比较均衡,就直方图分布而言,效果较好;图5(c)(d)(e)(g)、8(c)(d)(e)(g)和11(c)(d)(e)(g)较原图而言,直方图分布得到了一定的改善,但是效果没有直方图均衡化处理之后的效果明显,其中5(e)、8(e)和11(e)的直方图分布效果较好;图5(f)、8(f)和11(f)图像的,灰度值分布整体有些右移,但是灰度值范围变小,图像直方图效果不太理想;图5(h)、8(h)和11(h)是经本发明所提出方法所处理后得图像直方图分布,较原图而言,灰度值分布更加广泛,说明图像的整体增强效果较好。
图6(a)、9(a)、12(a)是在原始图像中将医生标注的病变部位截出的局部放大图;图6(b)、9(b)、12(b)是经直方图均衡化处理后的局部放大图,有一定的整体增强效果,但是由于图像整体有些变亮,尤其是肿块部分,变亮比较明显,丢失了细节,钙化点并未得到明显的增强;图6(c)、9(c)、12(e)是经反锐化掩膜处理后的局部放大图,细节增强较好,但整体增强效果欠佳;图6(d)、9(d)、12(d)有一定的细节增强,但是处理后的图像变得有些类似马赛克效果,肿块和钙化点的增强效果不太理想;图6(e)、9(e)、12(e)细节增强效果较好,肿块增强效果明显,但钙化点的增强效果有待提高,整体上视觉效果比较模糊;图6(f)、9(f)、12(f)图像的增强效果不是太明显,肿块和钙化点处的增强效果不太理想;图6(g)、9(g)、12(g)在细节上得到较好的增强效果,钙化点的增强效果明显,但肿块的增强效果不如Xiaoshan Gou的方法,整体增强效果有待进一步提高;图6(h)、9(h)、12(h)是本发明所提出方法进行的实验结果,较原图而言,肿块和钙化点增强效果都比较明显,综合了XiaoshanGou和Jose Mejia两者的优点,细节和整体都得到了较好的增强。
本申请实施例中,用的评估增强效果的指标有六个,分别是信息熵、平均梯度、标准差、CII、BIQI和综合指标。
1)信息熵是图像的重要特征之一,反映图像细节信息的参数,信息熵值越大,图像的细节越丰富,信息熵定义为:
式中Pi是灰度级i的概率。
2)平均梯度反映图像对细节反差表达的能力,用来评价图像的清晰程度,平均梯度在整体上反映图像细节方差程度和纹理变化的特征,一般平均梯度越大,表示越清晰,平均梯度定义为:
式子中M、N分别为图像的行和列。
3)标准差反映图像对比度,也反映图像的整体灰度丰富度,标准差直接影响图像的视觉质量,标准差定义为:
式中M、N分别为图像的行和列,SD越大则图像灰度分布越均匀,图像对比度越高,图像质量越好。
4)对比度改善指数CII,反映图像的对比度,如果处理后的图像对比度得到改善,CII值会大于1,CII定义为:
将图像分成5×5的小块图像,C为所有小块图像对比度的平均值,小块图像对比度定义为(max-min)/(max+min)(max为该块图像灰度值的较大值,min为该块图像灰度值的较小值)。
5)Moorthy等人提出了一种基于小波域的自然图像统计特性算法(BIQI),认为失真会影响图像小波域自然统计特性,并且这种影响是有规律且可量化的。BIQI算法提出两级框架的模型,第一步利用支持向量机(SVM)识别图像中存在每一种失真类型的可能性;第二步利用专用型无参考方法或者利用支持向量回归(SVR)计算图像在每一种单一失真类型下对应的图像质量;最后利用第一步得到的失真类型可能性对第二步的结果进行加权平均得到图像质量。
对于一幅输入图像,利用Daubechies 9/7小波基,经过3级尺度和3个方向的小波变换之后得到子带系数,然后用一种广义高斯分布(Generalized GaussianDistribution,GGD)进行拟合:
fX(x;μ,σ2,γ)=ae-[b|x-μ|] (7)
(μ,σ2,γ)分别是GGD分布的均值、方差和形状参数。其中,a=βγ/2Γ(1/γ),由于小波基可看成是一种特殊的带通滤波器,故其响应满足零均值分布μ=0,(μ,σ2)可以利用最大似然估计计算。在经过3级尺度和3个方向小波变换的9个小波子带上各提取两个特征参数(μ,σ2),些特征参数可以表示为由于图像视觉效应是多尺度的,故本发明在图像的两个尺度上共提取了36个特征。
用多分类支持向量机(Multiclass-SVM)对训练集中5种失真图像提取上述的特征向量进行训练。SVM预测出失真图像中存在每一种失真类型的可能性pi{i=1,2,L 5}。针对5种失真类型,利用特征向量分别进行SVM训练得到特征向量与图像主观质量之间的映射关系qi{i=1,2,L 5},后计算图像的客观评价质量:
在进行SVM分类时,采用的是径向基函数方法(Radial Basis Function,RBF),以5重交叉验证的方式确定SVM参数;采用v-SVM进行回归训练,(C,γ,v)参数采取与SVM同样的交叉验证方式进行确定,其中v取确定值0.5。
BIQI算法测试图像质量时,由于在多尺度多方向小波变换子带上提取特征,并利用支持向量机进行回归预测,因此客观评价分数与主观评价分数之间的一致性较好。
5)综合指标是指上述五个指标的综合,用以评价图像的综合增强效果。
定义为:
Q=(E×A×SD×CII)/BIQI (9)
式中E为信息熵,A为平均梯度,SD为像标准差,Q值表示图像的综合增强效果,其值越大表示图像的综合效果越好。
为说明本发明增强效果,在此本发明方法用Prewitt算子和Canny算子进行了对比。以及在用Canny算子基础上加入WOA对M1和M2进行寻优,采用上述第一副图像做实验进行参数比较说明,上述六个指标进行评价,各参数对比如表1
表1不同方法的评价指标对比
表1中用Prewitt算子的方法对比增强前,信息熵、平均梯度、标准差、CII这四个指标值都变大,说明图像有一定的增强效果,BIQI值变小,表明增强后的图像比原始图像的质量好,失真少。本发明用Canny算子代替Prewitt算子,阈值设为自动阈值,信息熵、平均梯度、标准差、CII和综合指标的值都有所增大,BIQI变小,表明该方法取得了一定的效果。然后又加入了WOA优化参数M1和M2,使得原方法中的M1和M2不再是一个确定的值,可以在一定范围内进行寻优。实验评价指标中信息熵、平均梯度、标准差、CII和综合指标这五个指标值再一次变大,BIQI变小,说明了该方法是有效的。
第一幅实验图像以各方法进行增强,采用上述六个指标进行评价,各参数对比如表2
表2本发明方法与同类图像的增强方法评价指标对比
第二幅实验图像以各方法进行增强,采用上述六个指标进行评价,各参数对比如表3
表3本发明方法与同类图像的增强方法评价指标对比
第三幅实验图像以各方法进行增强,采用上述六个指标进行评价,各参数对比如表4
表4本发明方法与同类图像的增强方法评价指标对比
从表2、3、4中可以看出,直方图均衡方法处理后的图像的信息熵,并未改变,平均梯度和标准差值都得到了改善,尤其标准差,变大得相对比较多,CII值是对比度改善系数,其值大于1,说明增强后的图像在对比度上得到了改善。而就BIQI值而言,增强后的值比原始图像的值大,说明增强后的图像失真反而更多。用反锐化掩膜方法增强后的图像信息熵、平均梯度和标准的值皆变大,BIQI值变小,CII值大于1,表明对比度得到了改善,只是改善效果不是太明显;Andrew F.Laine的方法增强后的图像信息熵、平均梯度和标准的值均变大,尤其信息熵的值改善效果明显,BIQI值变小,CII值大于1,表明对比度得到了改善;Xiaoshao Gou方法的增强效果表明信息熵、平均梯度和标准差均变大,对比度得到了改善,BIQI值变小,失真较原图少;Jose Mejia方法的增强结果显示信息熵、平均梯度和标准差均变大,CII值大于1,表明对比度得到了改善,BIQI值变小,失真变少;P.Shanmugavadivu的增强方法增强效果表明信息熵、平均梯度和标准差均变大,对比度得到了改善,BIQI值变小,失真较原图少;而本发明方法,信息熵、平均梯度和标准差均变大,对比度得到增强,失真减少。尤其平均梯度,本发明方法的增强效果较好。表格中的综合评价指标可以显示前六种指标的综合效果,三幅乳腺X射线实验图像的综合指标这一参数对比而言,本发明方法得到的值最大,增强图像的综合效果最好。整体对比而言,标准差和CII是直方图均衡化的值最优,信息熵是Andrew F.Laine的方法最优,其次就是本发明的增强方法。BIQI值是反锐化掩膜方法最优,但本发明方法的BIQI值较其他方法,也比较好。就平均梯度值和综合指标而言,本发明方法所得实验值最优。所以就总体指标而言,本发明方法的增强效果有一定的优越性。
Claims (1)
1.一种基于NSCT的乳腺X射线图像自适应增强方法,该方法是针对乳腺钼靶X线图像,包括如下步骤:
步骤1,对乳腺X射线图像进行图像直方图均衡化;
步骤2,将直方图均衡化后的乳腺X射线图像利用NSCT分解为三层,各层分别为2、4、8个方向,共计得到1个低频和14个高频子带图;
步骤3,提取高频的第1和2层系数;
步骤4,对提取的第1和2层的高频系数进行中值滤波,用于去除图像中的噪声;
步骤5,设计非线性函数增强感兴趣的区域;令函数F用于增强每个子带中的感兴趣特征,以便获取增强后的子带集合y′:
y′i,j=F(yi,j)
式中yi,j表示增强前的每个子带图像,其中i和j是分解层数和方向;对于分解后的高频子带图像用Canny算子进行边缘检测,阈值为:
T(i,j)=3a(i,j)
式中a为图像标准差,利用下式来增强各个子带图像:
式中M1和M2是用于检测周围组织的重量因子,bi,j(n1,n2)是一个包含边缘的二值子带图像,(n1,n2)是空间坐标;
其中要求M1<M2,用鲸鱼优化算法WOA寻找最优的参数M1和M2,设置M1和M2搜索范围,其中M1∈[2~5],M2∈[3~8];通过WOA算法对参数M1和M2进行优化,具体步骤如下:
①确定目标函数,采用基于小波域的自然图像统计特性算法Blind Image QualityIndex,即BIQI,作为适应度函数,取值范围为(0~100),其值越小表示图像质量越好;
②初始化WOA算法参数,设置群体数目N、最大迭代次数M、对数螺旋形状常数b、当前迭代次数t及算法终止条件,并在解空间内随机初始化鲸群个体空间 位置Xi(i=1,2,...,n);
④若t≤M时,更新M1、M2;
⑤判断是否有鲸群个体超出了搜索空间,并进行修正;
⑦输出得到的最优化参数M1和M2;
步骤6,利用NSCT逆变换,将处理后的各高频子带图像和未加处理的低频子带图像进行重构,得到增强后的图像;
步骤7,对增强后的图像的质量利用下式进行评价,并与常见的几种同类增强算法进行比较;
Q=(E×A×SD×CII)/BIQI
式中E为图像的信息熵,A为图像的平均梯度,SD为图像标准差,CII(ContrastImprovement Index)表示图像的对比度改善指数,Q表示图像视觉质量的综合评价指标值,其值越大表示图像的综合视觉效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811211650.5A CN109377461B (zh) | 2018-10-02 | 2018-10-02 | 一种基于nsct的乳腺x射线图像自适应增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811211650.5A CN109377461B (zh) | 2018-10-02 | 2018-10-02 | 一种基于nsct的乳腺x射线图像自适应增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377461A CN109377461A (zh) | 2019-02-22 |
CN109377461B true CN109377461B (zh) | 2022-12-27 |
Family
ID=65400150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811211650.5A Active CN109377461B (zh) | 2018-10-02 | 2018-10-02 | 一种基于nsct的乳腺x射线图像自适应增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377461B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507937B (zh) * | 2020-03-03 | 2024-05-10 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN116703784B (zh) * | 2023-08-02 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103892848A (zh) * | 2012-12-26 | 2014-07-02 | 深圳市蓝韵实业有限公司 | 乳腺x光图像的钙化点检测方法 |
CN104616255A (zh) * | 2015-01-11 | 2015-05-13 | 北京工业大学 | 基于乳腺x线图像的自适应增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102003042B1 (ko) * | 2012-10-31 | 2019-10-21 | 삼성전자주식회사 | 멀티 에너지 엑스선에 기초한 의료 영상을 합성 및 표시하는 의료 영상 처리 장치 및 방법 |
-
2018
- 2018-10-02 CN CN201811211650.5A patent/CN109377461B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103892848A (zh) * | 2012-12-26 | 2014-07-02 | 深圳市蓝韵实业有限公司 | 乳腺x光图像的钙化点检测方法 |
CN104616255A (zh) * | 2015-01-11 | 2015-05-13 | 北京工业大学 | 基于乳腺x线图像的自适应增强方法 |
Non-Patent Citations (5)
Title |
---|
"Method of Improved Fuzzy Contrast Combined Adaptive Threshold in NSCT for Medical Image Enhancement";Fei Zhou et al.;《BioMed Research International》;20171231;第1-11页 * |
"Remote sensing image enhancement based on adaptive thresholding in NSCT domain";Liangliang Li et al.;《2017 2nd International Conference on Image, Vision and Computing (ICIVC)》;20171231;第319-322页 * |
"乳腺X线图像的增强与噪声抑制研究";张新生等;《红外与毫米波学报》;20100228;第29卷(第1期);第27-31页 * |
"基于SM特征字典分类的图像超分辨率";端木春江等;《电子技术与软件工程》;20180406(第07期);第97-98页 * |
基于NSCT和CLAHE的乳腺钼靶X线图像微钙化点增强方法;谷宇等;《光学技术》;20180115(第01期);第6-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109377461A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | A direct image contrast enhancement algorithm in the wavelet domain for screening mammograms | |
Jain et al. | A robust approach for denoising and enhancement of mammographic images contaminated with high density impulse noise | |
Gorgel et al. | A wavelet-based mammographic image denoising and enhancement with homomorphic filtering | |
Raj et al. | Computer aided detection of brain tumor in magnetic resonance images | |
Srivastava et al. | Combination of wavelet transform and morphological filtering for enhancement of magnetic resonance images | |
Bhateja et al. | An improved non-linear transformation function for enhancement of mammographic breast masses | |
Mustafa et al. | Image enhancement technique on contrast variation: a comprehensive review | |
Siddharth et al. | A new UnSharp masking algorithm for mammography using non-linear enhancement function | |
Sharma et al. | Identification of pre-processing technique for enhancement of mammogram images | |
Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
Osman et al. | The effect of filtering algorithms for breast ultrasound lesions segmentation | |
CN109377461B (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
CN115984157A (zh) | 一种基于分频域融合的多模态医学图像融合方法 | |
Alankrita et al. | Contrast improvement of cerebral MRI features using combination of non-linear enhancement operator and morphological filter | |
Li et al. | A method to improve the accuracy of SAR image change detection by using an image enhancement method | |
Mishro et al. | A novel brightness preserving joint histogram equalization technique for contrast enhancement of brain MR images | |
Bhateja et al. | Non-linear filters for mammogram enhancement | |
Kumar et al. | Spatial mutual information based detail preserving magnetic resonance image enhancement | |
Gupta et al. | An improved unsharp masking algorithm for enhancement of mammographic masses | |
Amutha et al. | Mammographic image enhancement using modified mathematical morphology and Bi-orthogonal wavelet | |
Dabass et al. | Denoising, edge correction, and enhancement of breast cancer ultrasound images | |
Mousania et al. | A novel improved method of RMSHE-based technique for mammography images enhancement | |
Bhateja et al. | Mammographic image enhancement using double sigmoid transformation function | |
Prakoso et al. | Enhancement methods of brain MRI images: A Review | |
Bora | Contrast improvement of medical images using advanced fuzzy logic-based technique |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |