CN110390652A - 一种模糊集与分数阶微分相结合的医疗图像增强方法 - Google Patents
一种模糊集与分数阶微分相结合的医疗图像增强方法 Download PDFInfo
- Publication number
- CN110390652A CN110390652A CN201910669280.8A CN201910669280A CN110390652A CN 110390652 A CN110390652 A CN 110390652A CN 201910669280 A CN201910669280 A CN 201910669280A CN 110390652 A CN110390652 A CN 110390652A
- Authority
- CN
- China
- Prior art keywords
- image
- band component
- fractional order
- enhanced
- order differential
- 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 43
- 230000002708 enhancing effect Effects 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000013459 approach Methods 0.000 claims abstract description 6
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 206010028851 Necrosis Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 210000002391 femur head Anatomy 0.000 description 3
- 230000017074 necrotic cell death Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000015813 Familial avascular necrosis of femoral head Diseases 0.000 description 1
- 208000007875 Femur Head Necrosis Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—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
- G06T5/73—Deblurring; Sharpening
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于模糊集与分数阶微分相结合的医疗图像增强方法。本发明方法包括：利用Haar小波变换对原始医疗图像分解，得到图像的低频子带分量和高频子带分量；对提取到的低频子带分量采用自适应阈值的模糊集方法进行增强，得到增强低频自带分量；利用分数阶微分构造掩模，与高频带分量进行卷积运算，得到增强高频带分量；通过小波重构，将增强低频自带分量与增强高频带分量进行组合重构，恢复增强后的图像。本发明利用小波变换对图像进行分解，并对提取的不同频带分别使用不同方法进行增强，得到增强后的图像对比度更高，图像的纹理细节被更多的刻画出来，边缘轮廓细节变得更加清晰。
Description
技术领域
本发明涉及计算机视觉领域，尤其涉及一种模糊集与分数阶微分相结合的医疗影像增强方法。
背景技术
在医学成像数字化过程当中，由于受到成像设备、拍摄环境、物理方法等多种因素的影响，往往使得影像伴有较大噪声、对比度低、组织边缘模糊不清等问题。这些因素都极大地影响了医生对病情的诊断。随着计算机技术的发展，数字图像处理已经应用到了医学诊断领域，利用计算机技术提高医学影像质量能够得到较好的视觉效果，对医学的诊断起到促进作用，因此医学影像的增强显得尤为重要。
医学图像为临床诊断提供了重要信息依据，在很大程度上，低质量的医学图像会在一定程度上干扰医生的临分析进而影响对病情的诊断。因此，采用一系列技术手段提高医学图像的清晰度，获得高质量的医学影像，方便医生分析图像，提高确诊率。医学图像的信息非常复杂，信息之间相互关联，因此存在很多模糊的划分。在医学图像中，人体的组织边缘和拐角无法准确定位，图像不同区域难以严格区分，另外不同的组织结构对应着较为相似的灰度特征，在处理过程中无法达到精确的划分。由于这种不确定性，因此大量的研究热衷于将模糊集理论应用到图像处理中，但是简单的模糊集增强方法难以有效的对复杂的医学影像进行增强，另外模糊集方法增强效果能力有限，无法达到良好的增强效果。除此之外，由于机器成像的过程中受到环境干扰、成像设备、拍摄者干扰等多种因素，导致拍摄医学影像出现过高噪声，影像出现模糊不清晰的现象，严重的影响了医生对病情的分析诊断和医学影像的研究。
发明内容
根据上述提出的技术问题，而提供一种模糊集与分数阶微分相结合的医疗影像增强方法。本方法通过对图像不同频带的提取与增强，即提高了整幅图像的轮廓信息，同时又刻画了图像的边缘细节，修正了纹理信息。本发明采用的技术手段如下：
一种基于模糊集与分数阶微分相结合的医疗图像增强方法，包括如下步骤：
步骤一：利用Haar小波变换对原始医疗图像分解，得到图像的低频子带分量和高频子带分量；
步骤二：对提取到的低频子带分量采用自适应阈值的模糊集方法进行增强，得到增强低频自带分量；
步骤三：利用分数阶微分构造掩模，与高频带分量进行卷积运算，得到增强高频带分量；
步骤四：通过小波重构，将增强低频自带分量与增强高频带分量进行组合重构，恢复增强后的图像。
进一步地，所述步骤一具体为：通过Haar小波构造高通和低通滤波器，对图像的行和列分别进行滤波，得到一个低频子带分量和三个高频子带分量。
进一步地，所述步骤二具体为：采用改进的最大类间方差方法，提取图像的阈值，并通过构造新的“S”型隶属函数，将低频带图像映射到模糊空间，在模糊空间域上进行增强后，通过模糊逆变换，将增强后的图像映射到空间域。
进一步地，所述步骤三具体为：考虑高频带图像中心像素点邻域8个方向像素的影像，分别对8个方向进行微分，从而构造出5×5大小的分数阶微分掩模，将高频子带分量与分数阶微分掩模进行卷积，得到增强后的高频子带分量。
本发明具有以下优点：
本发明所述方法其他传统单一的增强方法相比，不仅考虑了整幅图像更大范围的信息，而且针对低频和高频信息的不同特点，分别采用自适应阈值的模糊集方法与分数阶微分方法进行增强。对于医学图像中出现的各种复杂状况，采用改进最大类间方差方法自适应提取图像阈值，得到增强后的图像对比度更高，图像的纹理细节被更多的刻画出来，边缘轮廓细节变得更加清晰。通过对信息熵进行分析，本方法增强后的图像包含更多的信息，图像质量更高。本发明以小波变换为基础对两种算法进行结合，使得图像在低频和高频带增强效果得到均衡，明显的增强图像质量。
基于上述理由本发明可在计算机视觉领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明模糊集与分数阶微分算法相结合的图像增强方法流程图。
图2为本发明构建的“S”型隶属函数曲线。
图3为本发明构造的分数阶微分掩模。
图4为本发明实施例中不同对比试验及本文方法对股骨头DR影像增强后的效果图，其中，(a)为原始图像，(b)为直方图均衡图像，(c)为Laplacian算子增强图像，(d)为分数阶微分处理图像，(e)为模糊集理论处理图像，(f)为本发明模糊集与分数阶微分相结合处理图像。
图5为本发明实施例中直方图统计图，其中，(a)为原始图像直方图，(b)为直方图均衡图像直方图，(c)为Laplacian算子增强直方图，(d)为分数阶微分直方图，(e)为模糊集理论直方图，(f)为本发明模糊集与分数阶微分相结合直方图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了一种基于模糊集与分数阶微分相结合的医疗图像增强方法，如图1所示，包括如下步骤：
步骤一：利用Haar小波变换对原始医疗图像分解，得到图像的低频子带分量和高频子带分量；具体地：通过Haar小波构造高通和低通滤波器，对图像的行和列分别进行滤波，得到一个低频子带分量和三个高频子带分量，具体包括水平方向高频、垂直方向高频、对角方向高频。
步骤二：对提取到的低频子带分量采用自适应阈值的模糊集方法进行增强，得到增强低频自带分量；具体地，低频带分量包含了整幅图像的低频轮廓信息，利用自适应阈值的模糊集的方法对图像低频信息进行增强处理，可以提高图像的对比度，避免了单一阈值不适用各种状态的图像导致的噪声过大或增强效果不明显的现象。
具体为：采用改进的最大类间方差方法，提取图像的阈值，并通过构造新的如图2所示的“S”型隶属函数，图中，纵坐标代表“0-1之间的模糊值”，横坐标表示灰度值。将低频带图像映射到模糊空间，在模糊空间域上进行增强后，通过模糊逆变换，将增强后的图像映射到空间域。
进一步地，步骤S21、对于待处理图像，前景(即目标)和背景的分割阈值记作T，以阈值T作为划分亮暗的尺度。
步骤S22、改进的Ostu算法以整幅图像的平均灰度值作为初始阈值，以初始阈值将低频图像分为特征区域和背景区域，但实际可能会有高亮的背景区域出现，故在初始阈值的基础上，计算出特征区域的灰度均值；将高亮区域的平均灰度值作为阈值选取的上界，以初始阈值作为阈值选取的下界，在此范围内采用一种改进的Ostu法，选取自适应阈值。
步骤S23、设定特征区域C1的像素点数占整幅图像的比例为ω0，平均灰度记为μ0；属于背景的像素点数占整幅图像的比例为ω1，平均灰度记为μ1，其中ω0+ω1＝1。整幅图像的平均灰度记为μ(μ＝T0)，类间方差记为g。则有：
图像的总平均灰度记为μ，前景和背景的类间方差记为g。则有：
μ＝ω0×μ0+ω1×μ1(5)
g＝ω0×(μ0-μ)2+ω1×(μ1-μ)2(6)
将公式(5)带入公式(6)，得到等价公式：
g＝ω0×ω1×(μ0-μ1)2(7)
在阈值范围[T0，]内采用遍历的方法得到使类间方差最大的阈值T，即为划分亮暗的尺度。
步骤S24、模糊集的隶属度函数将低频带图像映射到模糊特征平面，从而使图像特征更容识别和提取。通过对图像直方图分析，确定的阈值位于两峰值之间的谷底，定义新的隶属函数为：
式中Imin为灰度像素的最小值，Imax为灰度像素的最大值。通过隶属度函数，将图像由空间域映射到模糊域中，在模糊域中0≤μmn≤1，采用“S”型函数，使图像在灰度值过高或过低时进行缓慢映射变化，而在中间交叉灰度地带进行明显的特征映射。同时避免了图像灰度边缘特征信息丢失的问题，使图像上的更多的细节展示出来。改进隶属函数后的映射曲线如图2所示。
步骤S25、将图像映射到模糊特征平面上后，再次对图像进行模糊增强。通过构造非线性增强函数对得到的模糊域进行变换得到一个增强后的模糊特征平面，定义模糊增强函数为：
μ′xy＝Tr(μxy)＝T1(Tr-1(μxy))，r＝1，2，...(9)
T′为T进行归一化后的结果。构造的增强函数为迭代运算，以自适应阈值T′为界限进行非线性变换，对模糊域的值进行适当的增大(μxy＞T′)或减小(μxy≤T′)。非线性增强函数的选取影响到图像增强的效果，过大的非线性增强会使噪声突出，相反则会使图像的细节特征无法表现出来。
最后我们通过去模糊化将图像从模糊特征空间映射到新的灰度空间中，对增强后的模糊特征平面{μ′xy}进行如下逆变换：
步骤三：利用分数阶微分构造掩模，与高频带分量进行卷积运算，得到增强高频带分量；
经过小波变换提取出的高频信息为图像的边缘轮廓信息，像素点的灰度值变化比较大。高频图像经过分数阶微分运算后，可以增强中频信号，使图像纹理信息等中频成分得到提升，同时分数阶微分可以在一定程度上保留图像的低频轮廓信息以及边缘梯度较小的纹理细节。
分数阶微分的时域表达式主要有G-L定义、R-L定义和Caputo定义，本实施例基于G-L定义构造一种图像空域滤波算法，考虑高频带图像中心像素点邻域8个方向像素的影像，分别对8个方向进行微分，从而构造出5×5大小的分数阶微分掩模，如图3所示，将高频子带分量与分数阶微分掩模进行卷积，得到增强后的高频子带分量。
步骤四：通过小波重构，将增强低频自带分量与增强高频带分量进行组合重构，恢复增强后的图像。
实施例
医学DR影像在医疗诊断中起到至关重要的作用，DR影像的成像效果影响到医生对病情的分析。本实施例以股骨头坏死这一病症为例，预先对图像进行本发明提供方法的图像增强预处理，之后进行股骨头坏死DR影像的识别。在医学领域，股骨头缺血性坏死一般可分为四期，其中股骨头形状有无塌陷形变为分期坏死诊断最直接的依据。通过图4(a)可以看出，现有的DR影像对比度低、影像纹理细节模糊不清晰、含有噪声过高等问题，现有技术通过4(b)～(e)等方法进行图像增强处理，但是效果都不是很理想，而本发明处理后的图像背景区域与目标区域层次逐渐清晰，骨骼结构轮廓凸显出来。目标区层次分明，股骨头上端球状结构凸显为白色影，股骨头及其髋臼等狭窄部位边缘清晰，图像信息保持良好并得到了改善，便于医生的诊断，及早发现病症，进行根治。
图4(f)是通过本发明方法图像增强后的结果，通过对上述各方法的直方图进行分析，得到图5(a)～(f)的具体直方图，本方法增强后的直方图保持了原始图像直方图的形状，但不再是孤立的山峰形状，动态范围分布均匀。
对前述的6种方法增强后的图像计算信息熵以及PSNR(峰值信噪比)和MSE(均方差值)三项性能指标，结果如表(1)所示，I1表示原始图像，I2表示直方图均衡后图像，I3表示Laplacian变换增强后图像，I4表示分数阶微分方法增强后图像，I5表示改进隶属函数的模糊集增强方法，I6为本文提出的方法。
表1
| 方法 | 信息熵 | PSNR | MSE |
| I1 | 5.1475 | 32.5012 | 36.5565 |
| I2 | 5.1709 | 38.7384 | 8.6945 |
| I3 | 5.0423 | 35.8344 | 16.9682 |
| I4 | 4.6115 | 41.6346 | 4.4629 |
| I5 | 5.6100 | 39.5820 | 7.1594 |
| I6 | 5.9697 | 41.5848 | 5.1549 |
对比试验数据可以发现本位提出的图像增强方法优于其他增强方法，本文算法表现出更高的信息熵值，表明增强后的图像质量更高，具有更多的信息。其他算法在图像增强上表现出对细节提升有限，增强过程中过度放大噪声影响，低频信息变化不明显的现象。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。
Claims (4)
1.一种基于模糊集与分数阶微分相结合的医疗图像增强方法，其特征在于，包括如下步骤：
步骤一：利用Haar小波变换对原始医疗图像分解，得到图像的低频子带分量和高频子带分量；
步骤二：对提取到的低频子带分量采用自适应阈值的模糊集方法进行增强，得到增强低频自带分量；
步骤三：利用分数阶微分构造掩模，与高频带分量进行卷积运算，得到增强高频带分量；
步骤四：通过小波重构，将增强低频自带分量与增强高频带分量进行组合重构，恢复增强后的图像。
2.根据权利要求1所述的基于模糊集与分数阶微分相结合的医疗图像增强方法，其特征在于，所述步骤一具体为：通过Haar小波构造高通和低通滤波器，对图像的行和列分别进行滤波，得到一个低频子带分量和三个高频子带分量。
3.根据权利要求1或2所述的基于模糊集与分数阶微分相结合的医疗图像增强方法，其特征在于，所述步骤二具体为：采用改进的最大类间方差方法，提取图像的阈值，并通过构造新的“S”型隶属函数，将低频带图像映射到模糊空间，在模糊空间域上进行增强后，通过模糊逆变换，将增强后的图像映射到空间域。
4.根据权利要求1或2所述的基于模糊集与分数阶微分相结合的医疗图像增强方法，其特征在于，所述步骤三具体为：考虑高频带图像中心像素点邻域8个方向像素的影像，分别对8个方向进行微分，从而构造出5×5大小的分数阶微分掩模，将高频子带分量与分数阶微分掩模进行卷积，得到增强后的高频子带分量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910669280.8A CN110390652A (zh) | 2019-07-24 | 2019-07-24 | 一种模糊集与分数阶微分相结合的医疗图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910669280.8A CN110390652A (zh) | 2019-07-24 | 2019-07-24 | 一种模糊集与分数阶微分相结合的医疗图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110390652A true CN110390652A (zh) | 2019-10-29 |
Family
ID=68287071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910669280.8A Pending CN110390652A (zh) | 2019-07-24 | 2019-07-24 | 一种模糊集与分数阶微分相结合的医疗图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390652A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069730A (zh) * | 2020-09-02 | 2020-12-11 | 彭涛 | 一种3d打印的立体曲线获取方法及装置 |
| CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784638A (zh) * | 2017-10-27 | 2018-03-09 | 北京信息科技大学 | 一种优化的东巴古籍图像增强方法 |
| CN108230279A (zh) * | 2018-04-08 | 2018-06-29 | 新疆大学 | 基于剪切波变换与模糊对比度相结合的医学图像增强方法 |
-
2019
- 2019-07-24 CN CN201910669280.8A patent/CN110390652A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784638A (zh) * | 2017-10-27 | 2018-03-09 | 北京信息科技大学 | 一种优化的东巴古籍图像增强方法 |
| CN108230279A (zh) * | 2018-04-08 | 2018-06-29 | 新疆大学 | 基于剪切波变换与模糊对比度相结合的医学图像增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈向阳，谭礼健: "基于自适应分数阶微分的医学图像增强算法", 《计算机应用研究》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069730A (zh) * | 2020-09-02 | 2020-12-11 | 彭涛 | 一种3d打印的立体曲线获取方法及装置 |
| CN112069730B (zh) * | 2020-09-02 | 2024-01-02 | 彭涛 | 一种3d打印的立体曲线获取方法及装置 |
| CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Natarajan et al. | Tumor detection using threshold operation in MRI brain images | |
| Kabade et al. | Segmentation of brain tumour and its area calculation in brain MR images using K-mean clustering and fuzzy C-mean algorithm | |
| CN105488765B (zh) | 一种图像动态范围调整方法及装置 | |
| Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
| Singh et al. | Invariant moments and transform-based unbiased nonlocal means for denoising of MR images | |
| Bhairannawar | Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization | |
| Sharma et al. | Identification of pre-processing technique for enhancement of mammogram images | |
| Bhateja et al. | A novel weighted diffusion filtering approach for speckle suppression in ultrasound images | |
| Moin et al. | Weighted-PCA based multimodal medical image fusion in contourlet domain | |
| CN114170103A (zh) | 一种电气设备红外图像增强方法 | |
| CN110390652A (zh) | 一种模糊集与分数阶微分相结合的医疗图像增强方法 | |
| Suryavamsi et al. | Comparative analysis of various enhancement methods for astrocytoma MRI images | |
| Hasikin et al. | Adaptive fuzzy intensity measure enhancement technique for non-uniform illumination and low-contrast images | |
| Kumar et al. | Spatial mutual information based detail preserving magnetic resonance image enhancement | |
| Devanna et al. | A spatio-frequency orientational energy based medical image fusion using non-sub sampled contourlet transform | |
| Joseph et al. | A modified unsharp masking with adaptive threshold and objectively defined amount based on saturation constraints | |
| CN107862699A (zh) | 骨骼ct图像的骨骼边缘提取方法、装置、设备及存储介质 | |
| Sreeja et al. | Detection of tumours in digital mammograms using wavelet based adaptive windowing method | |
| Li et al. | A practical medical image enhancement algorithm based on nonsubsampled contourlet transform | |
| CN109377461B (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
| Li et al. | Medical image enhancement in F-shift transformation domain | |
| Tie-Rui et al. | The research of X-ray bone fracture image enhancement algorithms | |
| Yang et al. | Nonlocal ultrasound image despeckling via improved statistics and rank constraint | |
| Byra Reddy et al. | Enhancement of mammogram images by using entropy improvement approach | |
| Mohan et al. | Multi-Tier Kernel for Disease Prediction using Texture Analysis with MR Images |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231229 |
|
| AD01 | Patent right deemed abandoned |