CN115049563A - 一种图像处理方法和系统 - Google Patents

一种图像处理方法和系统 Download PDF

Info

Publication number
CN115049563A
CN115049563A CN202210868915.9A CN202210868915A CN115049563A CN 115049563 A CN115049563 A CN 115049563A CN 202210868915 A CN202210868915 A CN 202210868915A CN 115049563 A CN115049563 A CN 115049563A
Authority
CN
China
Prior art keywords
image
frequency sub
gray
transformation
layer
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
Application number
CN202210868915.9A
Other languages
English (en)
Inventor
江春花
周海华
张娜
杨乐
滕万里
陈皓
边钺岩
闫晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN201511027401.7A external-priority patent/CN105678750B/zh
Priority claimed from CN201511027173.3A external-priority patent/CN105701796B/zh
Priority claimed from CN201610510790.7A external-priority patent/CN106127712B/zh
Priority claimed from CN201610584749.4A external-priority patent/CN106228520B/zh
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN115049563A publication Critical patent/CN115049563A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30—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
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Generation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供了图像处理方法和系统。目标图像被获取，其中所述目标图像包括多个元素，所述元素与像素或体素对应。所述目标图像可以被分解为至少一层，其中所述至少一层可以包括低频子图像和高频子图像。所述至少一层被变换。所述变换后的层可以被重构为合成图像。

Description

一种图像处理方法和系统
分案说明
本申请是针对申请日为2016年12月29日、申请号为201680083009.0、发明名称为“一种图像处理方法和系统”的中国申请提出的分案申请。
交叉引用
本申请要求于2015年12月31日提交的申请号为201511027401.7的中国申请，2015年12月31日提交的申请号为201511027173.3的中国申请，2016年7月1日提交的申请号为201610510790.7的中国申请，以及2016年7月22日提交的申请号为201610584749.4的中国申请的优先权。上述申请的内容以引用方式被包含于此。
技术领域
本申请涉及图像处理领域，特别涉及增强图像的方法和系统。
背景技术
成像系统在医学领域中发挥重要作用。成像系统可以生成和/或处理医学图像(例如，CT图像，PET图像，MRI图像等)以用于医学诊断或放射性治疗。例如，乳房的CT图像可用于筛选乳房中的肿块。通常，可以调整医学图像，以便于医生识别潜在的病变。例如，可以通过不同的图像处理技术对图像进行去噪和/或增强。然而，对图像的调整可能是低效的和/或无效的。例如，可能遗漏感兴趣区域的边缘；图像中的灰度值可能不均匀；或者成像噪声可能被增强。因此，可以增强图像的对比度和/或使图像去噪的图像处理技术是成像系统所希望的。
发明内容
本申请的一个方面涉及一种图像处理方法。该方法可以在至少一台机器上实施，每台机器具有至少一个处理器和存储器。该方法可以包括以下操作中之一项或多项。获取目标图像，所述目标图像包括多个元素，所述元素与像素或体素对应。将目标图像分解为至少一层，其中至少一层包括低频子图像和高频子图像。变换所述至少一层。将变换后的层重构为合成图像。
本申请的另一方面涉及一种包括可执行指令的非暂时性计算机可读介质。所述可执行指令在由至少一个处理器执行时使所述至少一个处理器实施图像处理的方法。
本申请的另一方面涉及一种图像处理系统。该系统包括至少一个处理器和指令。当所述指令由至少一个处理器执行时使所述至少一个处理器实施图像处理的方法。该系统还包括包含指令的非暂时性计算机可读介质。
在一些实施例中，目标图像的获取包括以下操作中的一个或多个。获取初始图像。基于初始图像提取感兴趣区域(ROI)。基于初始图像提取感兴趣区域边缘。基于感兴趣区域和感兴趣区域边缘确定感兴趣区域图像作为目标图像。
在一些实施例中，感兴趣区域是乳房。感兴趣区域边缘是乳房边缘。目标图像是乳房图像。
在一些实施例中，提取感兴趣区域边缘包括以下操作中的一个或多个。对初始图像进行去噪。基于梯度变换，对去噪后的初始图像进行预处理。检测感兴趣区域边缘。
在一些实施例中，检测感兴趣区域边缘包括以下操作中的一个或多个。可以基于OTSU算法或迭代算法检测感兴趣区域边缘。
在一些实施例中，提取感兴趣区域包括以下操作中的一个或多个。基于OTSU算法或分水岭算法对感兴趣区域进行分割。
在一些实施例中，该方法还包括以下操作中的一个或多个。将初始图像变换为对数域图像。
在一些实施例中，低频子图像包括预设区域，预设区域包括多个灰度值，并且层的变换包括以下操作中的一个或多个。变换预设区域的多个灰度值。
在一些实施例中，变换预设区域的多个灰度值包括以下操作中的一个或多个。确定低频子图像中的参考边缘。基于低频子图像确定特征曲线。特征曲线表示距离与距离对应的灰度值之间的关系，其中距离是指低频子图像中第一元素与参考边缘中第二元素之间的距离，第一元素对应于第二元素。所述灰度值可以基于多个灰度值确定。基于特征曲线确定变换曲线，其中变换曲线表示变换前的灰度值与变换后的灰度值之间的关系。基于变换曲线更新预设区域的多个灰度值。
在一些实施例中，确定变换曲线包括以下操作中的一个或多个。将特征曲线分为N个特征曲线段。基于N个特征曲线段确定N个变换曲线段，其中一个特征曲线段对应于一个变换曲线段。基于N个变换曲线段生成变换曲线。
在一些实施例中，N个变换曲线段的确定包括以下操作中的一个或多个。对于N个变换曲线段的第x个变换曲线段，基于特征曲线中的预设点的灰度值，第x个特征曲线的初始点的灰度值和第x个特征曲线段的终点的灰度值计算第x个变换曲线段的斜率。第x个特征曲线段对应于第x个变换曲线段，其中x是整数，1≤x≤N。确定第x个变换曲线段中的初始点的灰度值包括以下操作中的一个或多个。如果x＝1，则将第x个特征曲线段中初始点的灰度值指定为第x个变换曲线段中初始点的灰度值。如果1<x≤N，则基于第(x-1)个变换曲线段的初始点的灰度值和第(x-1)个特征曲线段的灰度变化量确定第x个变换曲线段中初始点的灰度值。
在一些实施例中，变换曲线的确定还包括以下操作中的一个或多个。确定特征曲线的灰度区间，在所述灰度区间中，至少一个灰度值要被变换，灰度区间对应于特征曲线的一部分。将灰度区间的最大值或最小值指定为特性曲线中的预设点的灰度值。
在一些实施例中，目标图像的分解包括以下操作中的一个或多个。基于第一分解，将目标图像分解为L层，L层的每一层包括低频子图像和高频子图像，L≥1。基于第二分解，将目标图像分解为L’+N个图像层，L’+N层的每一层包括低频子图像和高频子图像，L’≥1，N≥1。
在一些实施例中，L等于L’。
在一些实施例中，第一分解是拉普拉斯变换，第二分解是小波变换。
在一些实施例中，转换后的层的重构包括以下操作中的一个或多个。基于从第二分解产生的第L’层的低频子图像，更新从第一分解产生的第L层的低频子图像。基于由第一分解产生的L层的高频子图像和第L层的更新后的低频子图像，重构合成图像。
在一些实施例中，该方法还包括以下操作中的一个或多个。增强由第一分解产生的L层的高频子图像。
在一些实施例中，合成图像的重构包括以下操作中的一个或多个。对于多次迭代中的每一次迭代，对第(L-i)层的低频子图像进行升采样。对于多次迭代中的每一次迭代，基于第(L-i)层的升采样的低频子图像和第(L-i)层的高频子图像，更新第(L-i-1)层的低频子图像，0≤i≤L-1。对于多次迭代中的每一次迭代，基于第一层的更新后的低频子图像和第一层的高频子图像，重构合成图像。
在一些实施例中，第(L-i)层的低频子图像的升采样可以包括以下操作中的一个或多个。基于双线性内插或三次内插，对第(L-i)层的低频子图像进行升采样。
在一些实施例中，该方法还包括以下操作中的一个或多个。基于由第二分解产生的第(L’+N)层的低频子图像和由第二分解产生的第(L’+1)层至第(L’+N)层的高频子图像，更新由第二分解产生的第L’层的低频子图像。
在一些实施例中，高频子图像包括多个元素，并且层的变换包括以下操作中的一个或多个。生成高频子图像的权值图，其中权值图包括与多个元素对应的多个权重。基于权重图像更新高频子图像。
在一些实施例中，高频子图像包括第一类元素和第二类元素，并且权值图的生成包括以下操作中的一个或多个。确定高频子图像中第一类元素的灰度区间。基于第一类元素的灰度区间，确定高频子图像中第二类元素的灰度区间；将第一类元素的灰度区间映射至[0,1]。基于第一类元素的映射后的灰度区间确定第一类元素的权值。将第二类元素的灰度区间映射至(1，G]，其中G是预设值。基于第二类元素的映射后的灰度区间确定第二类元素的权值。基于第一类元素的权值和第二类元素的权值生成权值图。
在一些实施例中，第一类元素的灰度区间的确定包括以下操作中的一个或多个。基于灰度阈值确定第一类元素的初始灰度区间。修改第一类元素的初始灰度区间。基于第一类元素的修改后的灰度区间，调整第一类元素的初始灰度区间。
在一些实施例中，第一类元素的初始灰度区间的调整包括以下操作中的一个或多个。基于第一类元素的修改后的灰度区间，计算第一阈值。将第一类元素的灰度区间确定为[0，第一阈值]。
在一些实施例中，高频子图像的变换包括以下操作中的一个或多个。将高频子图像的灰度值乘以权值图的灰度值。
在一些实施例中，层的变换包括以下操作中的一个或多个。通过线性/非线性增强或去噪来变换高频子图像。
在一些实施例中，层的变换包括以下操作中的一个或多个。通过线性/非线性增强或去噪来变换低频子图像。
附图说明
根据示例性实施例进一步描述本申请。参考附图详细描述这些示例性实施例。这些实施例是非限制性示例性实施例，其中相同的附图标记在附图的若干视图中表示类似的结构，其中：
图1是根据本申请的一些实施例所示的一种示例性成像系统的示意图；
图2-A是根据本申请的一些实施例所示的一种示例性图像处理系统的示意图；
图2-B是根据本申请的一些实施例所示的处理图像的示例性过程的流程图；
图3-A是根据本申请的一些实施例所示的示例性图像获取模块的示意图；
图3-B是根据本申请的一些实施例所示的获取图像的示例性过程的流程图；
图4-A是根据本申请的一些实施例所示的分解图像的示例性过程的流程图；
图4-B是根据本申请的一些实施例所示的由第一分解单元分解的示例性L层的示意图；
图4-C是根据本申请的一些实施例所示的由第二分解单元分解的示例性L’+N层的示意图；
图5-A是根据本申请的一些实施例所示的示例性灰度值变换单元的示意图；
图5-B是根据本申请的一些实施例所示的变换图像的示例性过程的流程图；
图6是根据本申请的一些实施例所示的示例性特征曲线的示意图；
图7是根据本申请的一些实施例所示的被分割成多个特征曲线段的示例性特征曲线的示意图；
图8是根据本申请的一些实施例所示的示例性变换曲线的示意图；
图9-A是根据本申请的一些实施例所示的示例性权重变换单元的示意图；
图9-B是根据本申请的一些实施例所示的基于权值图变换目标图像的示例性过程的流程图；
图9-C是根据本申请的一些实施例所示的确定权值图的示例性过程的流程图；
图10是示出生成权值图的示例性过程的示意图；
图11-A是根据本申请的一些实施例所示的基于层重构合成图像的示例性过程的流程图；
图11-B是根据本申请的一些实施例所示的重构由第二分解产生的第L’层的低频子图像的示例性过程的流程图；
图11-C是根据本申请的一些实施例所示的基于由第一分解产生的L层来重构合成图像的示例性过程的流程图。
具体实施方式
在以下详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其他情况下，为了避免不必要地模糊本披露的一些方面，本披露以相对高级别且不添加细节的方式描述了公知的方法、程序、系统、组件和/或电路。对于本领域的普通技术人员来说，显然可以对所披露的实施例作出各种改变。另外，在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是与权利要求一致的最宽范围。
应当理解，本申请使用的术语“系统”、“引擎”、“模块”和/或“单元”是用于区分不同级别的不同组件、元件、部件、部分或组件的一种方法。然而，可以使用其它可以达到相同目的表达取代以上术语。
应当理解，当一装置、单元或模块被描述为在另一装置、单元或模块“上”、或与另一装置、单元或模块“连接”或“耦合”时，除非上下文另有明确说明，这些装置单元或模块可以直接在另一装置、单元或模块上连接或耦合，或与其他装置、单元或模块通讯连接，也可存在其他中间装置、单元或模块。在本申请中，术语“和/或”可包括任何一个或多个相关所列条目或其组合。
本申请所使用的术语仅为了描述特定实施例，并不限制本申请的范围。除非上下文明确提示例外情形，本申请中使用的“一”、“一个”、“一种”和“该”等词并非特指单数，也可包括复数。还应当理解的是，本申请中的术语“包括”和/或“包含”只详述存在整体、装置、行为、陈述的特征、步骤、元件、操作和/或部件，但是不排除存在或添加一个或多个其他整体、设备、行为、特征、步骤、元件、操作、部件和/或其组合。
出于说明目的，提供以下描述以帮助更好地理解图像处理或增强的方法或系统。应注意，“图像”可指代医学图像，静态图片或视频帧。应理解，这并非旨在限制本申请的范围。对于本领域普通技术人员，可以在本申请的指导下作出一定量的变化，改变和/或修改。那些变化，改变和/或修改不脱离本申请的范围。
图1是根据本申请的一些实施例所示的一种示例性成像系统的模块图。成像系统可以产生对象的图像。如图所示，成像系统包括成像设备110、控制器120、图像处理系统130、存储器140和输入/输出设备150。
成像设备110可以扫描对象，并生成与对象有关的多个数据。在一些实施例中，成像设备110可以是医学成像设备，例如PET设备、SPECT设备、CT设备、MRI设备、X射线摄影设备(例如，全视野数字乳房摄影设备(FFDM))、数字乳房断层合成(DBT)设备、数字减影血管造影(DSA)系统、磁共振血管造影(MRA)系统、计算机断层扫描血管造影(CTA)、数字射线照相(DR)系统等，或其任意组合(例如，PET-CT设备、PET-MRI设备或SPECT-MRI设备)。
在一些实施例中，成像设备110可以包括扫描器以扫描对象并获得与对象有关的信息。在一些实施例中，成像设备110可以是放射性扫描设备。放射性扫描设备可以包括放射源以向被扫描的对象发射放射线。放射线可以包括例如粒子射线，光子射线等，或其任意组合。粒子射线可以包括中子、质子、电子、α射线、μ介子、重离子等，或其任意组合。光子射线可以包括X射线、γ射线、紫外线、激光等，或其任意组合。
在一些实施例中，光子射线可以是X射线，并且成像设备110可以是CT系统、数字射线照相(DR)系统、多模态系统等，或其任意组合。示例性多模态系统可以包括CT-PET系统，SPECT-MRI系统等。在一些实施例中，成像设备110可以包括X射线产生单元(未示出)和X射线检测单元(未示出)。在一些实施例中，成像设备110可以包括光子检测器以捕获从被扫描对象产生的光子。在一些实施例中，光子检测器可以包括闪烁体和/或光电探测器，并且成像设备110可以是PET系统，或多模态系统(例如，PET-CT系统、PET-MRI系统等)。在一些实施例中，成像设备110可以包括主磁场发生器、多个梯度线圈、射频(RF)发射器和/或RF接收器。成像设备110可以是MRI系统，或多模态系统(例如，PET-MRI系统、SPECT-MRI系统等)。
控制器120可以控制成像设备110、图像处理系统130、存储器140和/或输入/输出设备150。控制器120可以控制成像设备110、图像处理系统130、存储器140、输入/输出设备150和/或网络160之间的通信。控制器120可以从成像设备110、存储器140、输入/输出设备150和/或图像处理系统130接收信息或向其发送信息。例如，控制器120可以从用户提供的输入/输出设备150接收命令。控制器130可以处理用户经由输入/输出设备150输入的信息，并将信息转换为一个或多个命令。又例如，控制器120可以根据接收的命令或转换的命令控制成像设备110、输入/输出设备150和/或图像处理系统130。再例如，控制器120可以从成像设备110接收与对象有关的图像信号或数据。再例如，控制器120可以将图像信号或数据发送到图像处理系统130。再例如，控制器120可以从图像处理系统130接收处理后的数据或构造后的图像。再例如，控制器120可以将处理后的数据或构造后的图像发送到输入/输出设备150以进行显示。再例如，控制器120可以将处理后的数据或构造后的图像发送到存储器140以进行存储。再例如，控制器120可以从存储器140读取信息并将信息发送到图像处理系统130以进行处理。在一些实施例中，控制器120可以包括计算机、程序、算法、软件、存储设备、一个或多个接口等。示例性的接口可以包括成像设备110、输入/输出设备150、图像处理系统130、存储器140和/或成像系统中的其他模块或单元的接口。
在一些实施例中，控制器120可以接收由用户，包括例如成像技术人员、医生等，提供的命令。示例性的命令可以涉及扫描持续时间、对象的位置、对象所在的床板的位置、成像设备110的工作条件、可以在图像处理中使用的特定参数等，或其任意组合。在一些实施例中，控制器120可以控制图像处理系统130选择不同的算法来处理图像。
图像处理系统130可以处理从成像设备110、控制器120、存储器140，网络160和/或输入/输出设备150接收的信息。在一些实施例中，图像处理系统130可以基于该信息生成一个或多个图像。在一些实施例中，图像处理系统130可以处理一个或多个图像。由图像处理系统130处理的图像可以包括2D图像和/或3D图像。图像处理系统130可以将图像传送到输入/输出设备150以供显示，或者传送到存储器140以进行存储。在一些实施例中，图像处理系统130可以执行操作，包括例如图像预处理、图像重构、图像增强、图像校正、图像合成、查找表创建等，或其任意组合。在一些实施例中，图像处理系统130可以基于算法处理数据，该算法包括例如滤波反投影算法、扇形束重构、迭代重构、灰度值变换、滤波，小波变换、拉普拉斯变换等，或其任意组合。
在一些实施例中，图像处理系统130可以包括一个或多个处理器以执行本申请中公开的处理操作。处理器可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。
在一些实施例中，图像处理系统130还可以包括被配置为存储数据和/或指令的存储器。在一些实施例中，存储器可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等，或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括快闪驱动器、软盘、光盘、记忆卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可以包括一动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩蔽型ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电子可擦除可编程ROM(EEPROM)、压缩碟ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，存储器可以存储由图像处理系统130的处理器执行以实施本申请中描述的示例性方法的一个或多个程序和/或指令。例如，存储器可以存储由图像处理系统130的处理器执行的程序和/或指令，以分解图像，变换分解后的图像和/或重构图像。例如，ROM可以存储用于图像处理系统130的分解算法(例如，拉普拉斯算法)以分解图像。
在一些实施例中，关于感兴趣区域(ROI)的图像数据可以由图像处理系统130处理。在一些实施例中，图像处理系统130可以改善图像质量、增强图像对比度、减少或去除图像伪像、减少或消除图像噪声、和/或增强感兴趣区域边缘信息。图像伪像可以包括振荡伪像、散斑伪像等，或其任意组合。感兴趣区域边缘信息可以指关于感兴趣区域的边缘的信息(例如，灰度值、对比度、亮度等)，其中感兴趣区域的边缘指例如，乳房边缘、肿瘤边缘等，或其任意组合。
在一些实施例中，图像处理系统130可以生成与成像设备110的配置有关的控制信号。在一些实施例中，由图像处理系统130生成的结果可以经由网络160提供给系统中的其他模块或单元，包括例如数据库(未示出)、终端(未示出)。在一些实施例中，来自图像处理系统130的数据可以被发送到存储器140以进行存储。
存储器140可以存储经由网络160从成像设备110、控制器120、图像处理系统130、输入/输出装置150和/或外部数据存储装置发送的信息。存储的信息可以包括数值、信号、图像、对象的信息、指令、算法等，或其组合。存储器140可以指整体(即，基本上不可移除)提供的系统存储器(例如，盘)，或者经由例如端口(例如，UBS端口、火线端口等)可移除地连接到系统的存储器。存储器140可以包括例如硬盘、软盘、电子存储器、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、磁泡存储器、薄膜存储器、磁镀线存储器、相变存储器、闪存、云盘等，或其组合。存储器140可以连接到成像系统的一个或多个组件或与其通信。在一些实施例中，存储器140可以经由网络160与一个或多个虚拟存储资源(例如，云存储、虚拟专用网络、其他虚拟存储资源等)可操作地连接。
输入/输出设备150可以接收或输出信息。在一些实施例中，输入/输出设备150可以包括终端、键盘、触摸屏、光标控制设备、遥控器等，或其任意组合。终端可以包括例如控制面板、移动设备(例如，智能电话、平板电脑、膝上型计算机等)、个人计算机、其他设备等，或其任意组合。其他设备可以包括可以独立工作的设备，或者组装在另一设备中的处理单元或处理模块。光标控制设备可以包括鼠标、轨迹球或光标方向键，以将方向信息和命令选择传送到例如图像处理系统130并控制显示设备上的光标移动。
输入和/或输出信息可以包括程序、软件、算法、数据、文本、数字、图像、语音等，或其任意组合。例如，用户可以输入一些初始参数或条件以启动成像过程。又例如，可以从外部资源导入一些信息，外部资源包括例如软盘、硬盘、有线终端、无线终端等，或其任意组合。在一些实施例中，输入和/或输出信息还可包括字母数字和/或其他按键信息，这些信息可通过键盘、触摸屏(例如，具有触觉或触觉反馈)、语音输入、图像输入、眼动追踪输入、大脑监测系统或任何其他类似的输入机制输入。输出信息可以被发送到存储器140、显示器(未示出)、打印机(未示出)、计算设备等，或其组合。
在一些实施例中，输入/输出设备150可以包括用户界面。用户界面可以是用户交互界面、图形用户界面(GUI)或用户定义的界面等。图形用户界面可以允许用户与其他组件(例如，成像设备110和/或控制器120)交互。例如，图形用户界面可以便于用户输入参数，并干预图像处理过程。在一些实施例中，输入/输出设备150可以包括显示器。显示器可包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器或曲面屏幕(或电视)、阴极射线管(CRT)、3D显示器、等离子显示器面板或类似物，或其任意组合。
网络160可以促进成像设备110、控制器120、图像处理系统130、存储器140和/或输入/输出设备150之间的通信。例如，信息可以经由网络160从成像设备110发送到图像处理系统130。又例如，由图像处理系统130处理和/或生成的信息可以经由网络160发送到存储器140和/或输入/输出设备150。
在一些实施例中，网络160可以是有线网络、纳米级网络、近场通信(NFC)、体域网(BAN)、个人区域网络(PAN，例如，蓝牙、Z波、无线个域网、无线USB)、近地区网络(NAN)、本地无线网络、骨干网、城域网(MAN)、广域网(WAN)、互联网区域网络(IAN或云)等，或其任意组合。本申请还可以利用提供用于在分离的设备之间传输数据的介质的已知通信技术。在一些实施例中，网络160可以是单个网络或各种网络的组合。网络160可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络，或其组合。在一些实施例中，网络160可以包括各种网络接入点，例如有线或无线接入点、基站或网络交换点，通过这些网络接入点，数据源可以与网络160连接，并且信息可以经由网络160发送。
在一些实施例中，成像设备110、控制器120、图像处理系统130、存储器140和输入/输出设备150中的两个或更多个可以彼此直接连接或通信。在一些实施例中，成像设备110、控制器120、图像处理系统130、存储器140和输入/输出设备150可以经由网络160彼此连接或通信。在一些实施例中，成像装置110、控制器120、图像处理系统130、存储装置140和输入/输出装置150可以经由中间单元(未示出)彼此连接或通信。中间单元可以是可见组件或不可见场(无线电、光学、声波、电磁感应等)。不同单元之间的连接可以是有线的或无线的。有线连接可以包括金属电缆、光缆、混合电缆、接口等，或其任意组合。无线连接可以包括局域网(LAN)、广域网(WAN)、蓝牙、无线个域网、近场通讯(NFC)等，或其任意组合。网络160可以结合本申请描述的系统使用，并且不是穷举的也不是限制性的。
这里描述的成像系统仅用于说明示例，并不旨在限制本申请的范围。成像系统的应用可以在不同领域中找到，例如医学或工业。成像装置110可用于部件的内部检查，包括例如探伤、安全扫描、故障分析、计量、装配分析、空隙分析、壁厚分析等，或其任意组合。对于本领域技术人员而言，在理解了不同组件之间的连接的基本原理之后，可以在不脱离原理的情况下修改或改变单元之间的组件和连接。这些修改和改变仍然在上述当前申请的范围内。在一些实施例中，这些组件可以是独立的，并且在一些实施例中，这些组件的一部分可以集成到一个组件中以一起工作。
图2-A是根据本申请的一些实施例所示的一种示例性图像处理系统130的示意图。如图2-A所示，图像处理系统130可以包括图像获取模块201、分解模块202、变换模块203和重构模块204。
在一些实施例中，图像获取模块201可以获取图像。图像可以指2D图像或3D图像。2D图像可包括多个像素。3D图像可包括多个体素。像素/体素可具有对应值，包括例如亮度、颜色、灰度等，或其任意组合。为简洁起见，可以将像素或体素称为元素。元素可以指2D图像的像素或3D图像的体素。在一些实施例中，图像获取模块201可以获得表示图像的信号和/或数据。信号可以采用多种形式中的任何一种，包括电磁形式、光学形式等，或其任何合适的组合。在一些实施例中，图像的数据可包括原始数据、处理后的数据、控制数据、交互数据、图像数据、视频数据、模拟数据、数字数据等，或其任何组合。在一些实施例中，所获取的图像可包括初始图像、初始图像的感兴趣区域(ROI)、在图像处理过程中生成的任何图像等，或其任何组合。
初始图像可以指最初由图像获取模块201获取的图像。在一些实施例中，初始图像可以由成像设备110生成。例如，初始图像可以是由CT系统、PET系统、MRI系统等或其任何组合捕获的原始图像。在一些实施例中，初始图像可以经由网络160从存储器140、输入/输出设备150或外部数据存储设备获得。例如，初始图像可以是预先存储在存储器140中的处理后的图像。在一些实施例中，初始图像可以由图像获取模块201处理，并且可以生成目标图像。目标图像可以指由图像处理系统130分解、变换、重构和/或增强的图像。
感兴趣区域图像可以包括初始图像的感兴趣区域。感兴趣区域可以指初始图像的一部分，包括初始图像中的感兴趣的信息，包括例如感兴趣的组织、感兴趣的器官、感兴趣的背景、感兴趣的病变、感兴趣的任何区域等，或其任何组合。在一些实施例中，可以从初始图像提取感兴趣区域，并且可以获得感兴趣区域图像。例如，可以从初始图像提取感兴趣的器官，并且可以生成器官图像。器官图像可包括肺、乳房、骨骼的一部分、肌肉的一部分、眼睛、身体中的任何部分等，或其任何组合。仅作为示例，器官图像可以是从胸部CT图像提取的乳房图像。
在一些实施例中，由图像获取模块201获取的图像可以从成像设备110、存储器140、输入/输出设备150、经由网络160的外部数据存储设备、图像处理系统130的任何组件等获得，或其任何组合。在一些实施例中，所获取的图像可以由分解模块202、变换模块203和/或重构模块204处理。例如，获取的图像可以由分解模块202分解，以便增强图像。在一些实施例中，所获取的图像可以存储在存储器140中、由输入/输出设备150显示、经由网络160传输到终端或外部数据存储设备等，或其任何组合。
在一些实施例中，分解模块202可以分解由图像获取模块201获取的目标图像。如图2-A所示，分解模块202可以包括第一分解单元202-1、第二分解单元202-2和/或第N分解单元202-N，其中N是整数。在一些实施例中，至少两个分解单元可以使用相同的分解算法。在一些实施例中，至少两个分解单元可以使用不同的分解算法。
在一些实施例中，分解模块202可以将图像分解成一层或多层。在一些实施例中，图像分解可以指基于图像的元素的灰度值，图像的频率等将图像划分或分解成一个或多个图像层。一个图像层可以包括两个或更多个子图像。例如，一个图像层可以包括低频子图像和高频子图像。在一些实施例中，可以基于一个或多个频率阈值来确定低频子图像和高频子图像。例如，可以将频率低于或等于频率阈值Tf的子图像确定为低频子图像。又例如，频率大于或等于频率阈值Tf的子图像可以被确定为高频子图像。阈值Tf可以根据图像处理系统130的默认设置预先确定，或者由用户通过输入/输出设备150的GUI确定。在一些实施例中，可以基于图像处理系统130中的图像的处理效率来调整阈值Tf。在一些实施例中，分解模块202可以进一步将子图像分解成一层或多层。例如，分解模块202可以将低频子图像或高频子图像分解成一层或多层。在一些实施例中，分解模块202可以将第一层中的低频子图像分解为第二层中的低频子图像和高频子图像。在一些实施例中，分解模块202可以将第二层中的低频子图像分解为第三层中的低频子图像和高频子图像。
在一些实施例中，第一分解单元202-1可以基于第一分解算法来分解图像(或子图像)。在一些实施例中，第二分解单元202-2可以基于第二分解算法来分解图像(或子图像)。在一些实施例中，第N分解单元202-N可以基于第N分解算法来分解图像(或子图像)。在一些实施例中，分解算法可包括小波变换、双边滤波、傅里叶算法、离散余弦变换、拉普拉斯变换、能够分解图像的任何算法等，或其任何组合。小波变换可以包括连续小波变换、离散小波变换(DWT)、快速小波变换(FWT)、提升方案和广义提升方案、小波包分解、静态小波变换、分数傅里叶变换、分数小波变换等，或其任何组合。在一些实施例中，至少两个分解单元可以使用不同的分解算法。例如，第一分解单元202-1可以基于拉普拉斯变换来分解图像，并且第二分解单元202-2可以基于小波变换来分解图像。又例如，第一分解单元202-1可以基于小波变换来分解图像，并且第二分解单元202-2可以基于拉普拉斯变换来分解图像。
在一些实施例中，第一分解单元202-1可基于第一分解算法将图像(或子图像)分解成一层或多层。例如，第一分解单元202-1可以基于第一分解算法将图像(或子图像)分解为第一层中的两个或更多个子图像。在一些实施例中，第一分解单元202-1还可以基于第一分解算法将第一层中的子图像分解为第二层中的两个或更多个子图像。在一些实施例中，第一分解单元202-1还可以基于第一分解算法将第L层中的子图像分解为第(L+1)层中的两个或更多个子图像，其中L是大于2的整数。例如，第一分解模块202-1可以基于小波变换将图像(或子图像)分解为3层，其中每个层可以包括高频子图像和低频子图像，可以从第一层中的低频子图像生成第二层中的子图像，并且可以从第二层中的低频子图像生成第三层中的子图像。
在一些实施例中，第二分解单元202-2可基于第二分解算法将图像(或子图像)分解成一层或多层。例如，第二分解单元202-2可以基于第二分解算法将图像(或子图像)分解为第一层中的两个或更多个子图像。在一些实施例中，第二分解单元202-2还可以基于第二分解算法将第一层中的子图像分解为第二层中的两个或更多个子图像。在一些实施例中，第二分解单元202-2还可以基于第二分解算法将第L层中的子图像分解为第(L+1)层中的两个或更多个子图像，其中L是大于2的整数。例如，第二分解模块202-2可以基于拉普拉斯变换将图像(或子图像)分解成5层，其中每个层可以包括高频子图像和低频子图像。可以从第一层中的低频子图像生成第二层中的子图像。可以从第二层中的低频子图像生成第三层中的子图像。可以从第三层中的低频子图像生成第四层中的子图像。可以从第四层中的低频子图像生成第五层中的子图像。
在一些实施例中，第N分解单元202-N可以基于第N分解算法将图像(或子图像)分解成一层或多层。例如，第N分解单元202-N可以基于第N分解算法将图像(或子图像)分解为第一层中的两个或更多个子图像。在一些实施例中，第N分解单元202-N还可以基于第N分解算法将第一层中的子图像分解为第二层中的两个或更多个子图像。在一些实施例中，第N分解单元202-N还可以基于第N分解算法将第L层中的子图像分解为第(L+1)层中的两个或更多个子图像，其中L是大于2的整数。
在一些实施例中，图像可以由第一分解单元202-1分解为一层或多层。在一些实施例中，由第一分解单元202-1生成的其中一层中的子图像可以由第二分解单元202-2进一步分解为包括子图像的一层或多层。在一些实施例中，由第二分解单元202-2生成的子图像还可以由第N分解单元202-N分解。例如，第一分解单元202-1可以将图像分解为包括低频子图像和高频子图像的第一层。由第一分解单元202-1生成的低频子图像还可以由第二分解单元202-2分解为第二层的低频子图像和高频子图像。由第二分解单元202-2生成的第二层中的低频子图像可以由第N分解单元202-N分解为低频子图像和高频子图像。在一些实施例中，分解模块202可基于相同的分解算法或不同的分解算法将图像分解成不少于2层(例如，5层)。
在一些实施例中，由分解模块202生成的图像和/或子图像可以由图像获取模块201获取、由变换模块203处理、提供给重构模块204、存储在存储器140中、由网络160发送等，或其任何组合。例如，可以通过重构模块204将两个或更多个子图像重构为处理后的图像。
变换模块203可以变换目标图像或子图像。可以从图像获取模块201或分解模块202获得要变换的图像(或子图像)。在一些实施例中，变换模块203可以改变图像(或子图像)中的一个或多个元素的值。如图2-A所示，变换模块203可以包括灰度值变换单元203-1、权重变换单元203-2、增强单元203-3和升采样单元203-4。
灰度值变换单元203-1可以变换目标图像(或子图像)中的一个或多个元素的灰度值。在一些实施例中，灰度值变换单元203-1可以变换目标图像(或子图像)中的一个或多个元素的灰度值以调整感兴趣区域的元素的灰度值，从而改善目标图像(或子图像)的质量，降低噪声等，或其任何组合。在一些实施例中，灰度值变换单元203-1可基于一种或多种变换技术变换图像(或子图像)。变换技术可以基于变换函数、变换规则、变换曲线等，或其任何组合。图5-A和图8示出了示例性变换曲线。在一些实施例中，灰度值变换单元203-1可基于不同的变换技术变换不同的灰度值。在一些实施例中，灰度值可以由整数表示。灰度值可以限制在一定范围内。例如，灰度值的范围可以在0和1之间，或者在1和255之间。
在一些实施例中，灰度值可以表示灰度图像中的元素的强度。在一些实施例中，灰度值可以表示彩色图像(或子图像)的单个颜色通道中的元素的强度。彩色图像(或子图像)可以具有颜色空间，该颜色空间包括红色/绿色/蓝色(RGB)空间，色调/饱和度/照度(HIS)空间，色调/饱和度/亮度(HSL)空间，色调/饱和度/值(HSV)空间，国际航空委员会(CIE)空间，色调/饱和度/强度(HSI)空间，或可呈现人类色彩感知的任何其他色彩空间，或其任何组合。例如，灰度值可以表示RGB空间中的彩色图像的红色通道中的强度。
在一些实施例中，可基于由灰度值变换单元203-1生成，存储在存储器140中或从网络160获得的变换结果来修改变换技术。变换技术可用于压缩或增强一个或多个元素的灰度值。在一些实施例中，可以基于特征曲线生成变换曲线。可以基于初始图像，感兴趣区域，感兴趣区域边缘，感兴趣区域图像或子图像来确定特征曲线。例如，可以基于低频子图像(例如，由分解模块202生成的低频子图像)来确定特性曲线。在一些实施例中，特性曲线可以由水平轴中的最小距离(s)和垂直轴中的低频子图像中的元素的相应灰度值表示。在一些实施例中，水平轴可以指笛卡尔坐标的X轴。在一些实施例中，垂直轴可以指笛卡尔坐标的Y轴。
权重变换单元203-2可以基于一个或多个权值或权值图来变换目标图像(或子图像)中的元素的灰度值。在一些实施例中，权重变换单元203-2可变换灰度值以减少噪声、减少散斑伪影、改善图像对比度等，或其任何组合。在一些实施例中，可以基于目标图像(或子图像)确定权值图。例如，目标子图像可以是由分解模块202生成的高频子图像，并且可以基于高频子图像中的一个或多个元素的值(例如，灰度值、亮度值等)生成权值图。又例如，子图像可以是由分解模块202生成的低频子图像，并且可以基于低频子图像中的一个或多个元素的值(例如，灰度值、亮度值等)生成权值图。
增强单元203-3可以增强目标图像(或子图像)。在一些实施例中，增强单元203-3可以基于线性增强和/或非线性增强来增强图像(或子图像)。线性增强可以包括最大-最小对比技术、百分比对比技术和分段对比技术等，或其任何组合。非线性增强可以包括直方图均衡技术、自适应直方图均衡技术、同态滤波技术和非锐化掩模等，或其任何组合。在一些实施例中，增强单元203-3可以增强由分解模块202生成的目标子图像。例如，增强单元203-3可以增强由第一分解单元202-1、第二分解单元202-2或第N分解单元202-N分解的高频子图像或低频子图像。
升采样单元203-4可以对目标图像(或子图像)进行升采样。在一些实施例中，升采样单元203-4可以基于一个或多个内插操作过程对目标图像(或子图像)进行升采样，内插过程包括例如分段常数内插、线性内插、多项式内插、脊柱内插等，或其任何组合。在一些实施例中，可以通过升采样单元203-4对一个或多个子图像进行升采样。例如，由分解模块202生成的高频子图像和/或低频子图像可以由升采样单元203-4插值。
在一些实施例中，由变换模块203变换的图像和/或子图像可以由分解模块202分解、由重构模块204重构、存储在存储器140中、由输入/输出设备150显示、或者由网络160传输。在一些实施例中，可以将由变换模块203中的相同单元变换的两个或更多个子图像重构为合成图像。例如，由灰度值变换单元203-1变换的两个或更多个子图像可以由重构模块204重构为合成图像。在一些实施例中，由变换模块203中的两个或更多个单元变换的图像和/或子图像可以被重构。例如，由灰度值变换单元203-1变换的低频子图像和由权重变换单元203-2变换的高频子图像可以被重构为合成图像。
重构模块204可基于两个或更多个图像(或子图像)重构图像。可以经由网络160从图像获取模块201、分解模块202、变换模块203、存储器140、输入/输出设备150或外部数据存储设备获得图像(或子图像)。在一些实施例中，重构模块204可基于包括例如滤波反投影算法、迭代重构算法、局部重构算法、多重加性回归树算法、随机变换算法、傅里叶变换算法等，或其任何组合的技术来重构图像。
图2-B是根据本申请的一些实施例所示的处理图像的示例性过程的流程图。该过程可以包括获取图像211、分解图像212、变换图像213和重构图像214。
在211中，可以通过图像获取模块201获取图像。可以从成像设备110、存储器140、输入/输出设备150、网络160、图像处理系统130中的任何组件等，或其任何组合获取图像。获取的图像可以包括初始图像、感兴趣区域图像、在图像处理过程中生成的任何图像等，或其任何组合。在一些实施例中，可以通过图像获取模块201从初始图像提取信息，并且生成目标图像。例如，可以通过图像获取模块201从初始图像提取感兴趣区域，并且生成感兴趣区域图像。可以在后续过程中处理初始图像和/或目标图像。
在一些实施例中，在211中获取的图像可以是2D图像或3D图像。在一些实施例中，所获取的图像可以是灰度图像或彩色图像。在一些实施例中，所获取的图像可以是医学图像，例如，CT图像、MRI图像、PET图像等，或其任何组合。
在一些实施例中，可以将在211处获取的图像提供给分解模块202、重构模块204、输入/输出设备150等，或其任何组合。例如，在211中获取的乳房图像可以用于通过分解模块202生成一个或多个子图像。在一些实施例中，图像可以存储在存储器140、经由网络160的外部数据存储设备、能够存储的任何组件等，或其任何组合。
在212中，可以分解在211中获取或生成的图像。可以通过分解模块202来执行分解。在一些实施例中，图像可以分解为一层或多层。在一些实施例中，分解模块202可以使用一个或多个分解算法来分解图像。分解算法可以包括双边滤波算法、小波滤波算法、拉普拉斯变换、固有图像分解算法等，或其任何组合。在一些实施例中，图像可以由不同的分解单元分解。例如，图像可以由第一分解单元202-1和/或第二分解单元202-2分解。在一些实施例中，可以基于子图像来分解图像。例如，可以通过第一分解单元202-1将图像分解为包括低频子图像和高频子图像的第一层。可以通过第二分解单元202-2将第一层中的低频子图像分解为包括低频子图像和高频子图像的第二层。类似地，第二层中的低频子图像可以通过第N分解单元202-N进一步分解为第N层。在一些实施例中，可以对分解之后获得的一个或多个子图像进行降采样。例如，如果分解模块202使用小波变换或拉普拉斯变换来分解图像，则可以对获得的子图像进行降采样。
在一些实施例中，图像可以由分解模块202分解为L层。例如，图像可以由第一分解单元202-1分解为第一层。第一层可以包括低频子图像和高频图像。第一层中的低频子图像可以通过第一分解单元202-1进一步分解为第二层。第二层中的低频子图像可以通过第一分解单元202-1进一步分解为第三层。同样，第(L-1)层中的低频子图像可以通过第一分解单元202-1进一步分解为第L层。类似地，图像可以由分解模块202分解为L’+N层。例如，图像可以由第二分解单元202-2分解为L’+N层。在一些实施例中，图像可以由两个或更多个分解单元(例如，第一分解单元202-1、第二分解单元202-2、第N分解单元202-N等)分解为L层。例如，图像可以由第一分解单元202-1分解为第一层。第一层可以包括低频子图像和高频图像。第一层中的低频子图像或高频图像可以由第二分解单元202-2进一步分解为第二层。同样，第(L-1)层中的低频子图像或高频图像可以由第N分解单元202-N进一步分解为第L层。在一些实施例中，两个或更多个分解单元可以使用相同的分解算法或不同的分解算法。在一些实施例中，两个或更多个分解单元可以使用相同分解算法的相同或不同参数。
在213中，可以变换在211中获取的图像和/或在212中生成的子图像。变换模块203可以执行213。在一些实施例中，可以基于灰度值变换曲线由灰度值变换单元203-1变换图像(和/或子图像)中的一个或多个。灰度值变换曲线可以由灰度值变换单元203-1基于要变换的图像(和/或子图像)中的元素的灰度值来确定。在一些实施例中，可以基于权值图由权重变换单元203-2变换一个或多个图像(和/或子图像)。权值图可以由权重变换单元203-2基于要变换的图像(和/或子图像)来确定。在一些实施例中，在212中，可以通过增强单元203-3来增强一个或多个图像(和/或子图像)。例如，可以使用直方图均衡技术来增强高频子图像。在一些实施例中，可以通过升采样单元203-4对一个或多个图像(和/或子图像)进行升采样。例如，可以通过线性内插对高频子图像进行升采样。在一些实施例中，一个或多个图像(或子图像)可以由另一图像(或子图像)替换。例如，基于第一分解算法生成的第x(x是整数)层中的高频子图像(或低频子图像)可以被基于第二分解算法生成第x层中的高频子图像(或低频子图像)替换。在一些实施例中，两个或更多个变换图像(和/或子图像)可用于在后续过程中重构合成图像。
在214中，可以基于在213中生成的两个或更多个分解后的图像(和/或子图像)来重构合成图像(或子图像)。重构模块204可以执行214。在一些实施例中，同一层中的两个或更多个子图像可用于重构另一层中的图像(或子图像)。例如，包括低频子图像和高频子图像的第一层可用于重构合成图像。又例如，包括低频子图像和高频子图像的第二层可用于重构第一层中的低频子图像。在一些实施例中，第一层中的重构后的低频子图像连同第一层中的高子图像可以进一步用于重构合成图像。在一些实施例中，重构后的图像可以具有相比初始图像增强的信息。例如，在重构后的图像中图像对比度和/或边缘信息被增强。又例如，在重构后的图像中噪声信息被减少或去除。在一些实施例中，214中重构的图像(或子图像)可以随后被发送到和/或提供给图像获取模块201、分解模块202、变换模块203、存储器140、输入/输出设备150、网络160等，或其任何组合。例如，重构后的图像可以显示在输入/输出设备150中。又例如，重构后的图像可以通过网络160存储在存储器140或外部数据存储设备中。
图3-A是根据本申请的一些实施例所示的示例性图像获取模块201的示意图。如图3-A所示，图像获取模块201可以包括初始图像获取单元301、感兴趣区域(ROI)提取单元302、感兴趣区域边缘提取单元303和感兴趣区域图像确定单元304。
初始图像获取单元301可以获取初始图像。初始图像可以包括经由网络160从成像设备110、存储器140和/或外部数据存储设备获取的图像。在一些实施例中，初始图像可以是从分解模块202、变换模块203和/或重构模块204生成的处理后的图像。在一些实施例中，可以从初始图像提取感兴趣区域和/或感兴趣区域边缘。在一些实施例中，可以处理初始图像以生成感兴趣区域图像。在一些实施例中，初始图像可以由分解模块202分解和/或由变换模块203变换。例如，可以获取乳房CT图像作为初始图像，并且可以通过分解模块202将初始图像分解为一层或多层。在一些实施例中，初始图像可以由FFDM系统或DBT系统生成。在一些实施例中，初始图像可以被指定为正图像，其中背景元素的灰度值可以高于感兴趣区域的灰度值。在一些实施例中，初始图像可以被指定为负图像，其中背景元素的灰度值可以低于感兴趣区域的灰度值。
感兴趣区域(ROI)提取单元302可以从初始图像提取感兴趣区域。在一些实施方案中，感兴趣区域可包括图像中的区域，该区域对应于组织、器官、肿瘤等，或其任何组合。例如，感兴趣区域可以包括图像中的区域，该区域对应于乳房的区域、肺的区域、骨骼的区域、肝脏的区域、大脑的区域、肾的区域、身体的任何区域等，或其任何组合。
为简洁起见，对应于对象(例如，对象(例如，患者等)的组织、器官、肿瘤等)的图像或其一部分(例如，图像中的感兴趣区域)可以被称为对象的图像或其一部分，或包括对象的图像或其一部分(例如，感兴趣区域)，或对象本身。例如，对应于肝脏图像的感兴趣区域可以被描述为该感兴趣区域包括肝脏。又例如，包括肝脏的图像可以称为肝脏图像，或简称为肝脏。为简洁起见，图像中对应于被处理(例如，提取、分割等)对象的一部分可被描述为被处理对象。例如，从图像中的其余部分提取对应于肝脏的一部分可以被描述为提取肝脏。
在一些实施例中，感兴趣区域可包括组织、器官、肿瘤等，或其任何组合的部分区域。在一些实施例中，部分区域可包括组织、器官、瘤等，或其任何组合的中心区域或靠近中心的区域。在一些实施例中，部分区域可以包括具有灰度值在确定范围内的元素的区域。在一些实施例中，可以提取感兴趣区域以提供感兴趣区域图像。例如，可以提取乳房区域以生成乳房图像。
感兴趣区域边缘提取单元303可以从初始图像提取感兴趣区域边缘。感兴趣区域边缘可以指组织、器官、感兴趣的肿瘤的边缘等。例如，感兴趣区域边缘可以指乳房边缘、肺部边缘、骨骼边缘、肝脏边缘、大脑边缘、肾脏边缘、身体任何区域的边缘等，或其任何组合。在一些实施例中，提取的感兴趣区域边缘可以用于生成感兴趣区域图像。
感兴趣区域图像确定单元304可以确定感兴趣区域图像。感兴趣区域图像可以指具有可以从初始图像提取的感兴趣区域和/或感兴趣区域边缘的图像。感兴趣区域图像确定单元304可以基于由感兴趣区域提取单元302提取的感兴趣区域和/或由感兴趣区域边缘提取单元303提取的感兴趣区域边缘来确定感兴趣区域图像。在一些实施例中，感兴趣区域图像可包括乳房图像、肺图像、骨骼图像，肝脏图像、脑图像、肾脏图像、身体的任何部分等，或其任何组合。例如，可以基于乳房区域和乳房区域的边缘来确定乳房图像。在一些实施例中，感兴趣区域图像可以不包括初始图像的背景。例如，乳房图像可以不包括初始图像中的胸部的背景。在一些实施例中，感兴趣区域图像可以由分解模块202分解。例如，乳房图像可以由分解模块202分解为低频子图像和高频子图像。
图3-B是根据本申请的一些实施例所示的获取图像的示例性过程的流程图。该过程可以包括获取初始图像311、提取感兴趣区域312、提取感兴趣区域边缘313、以及确定感兴趣区域图像314。
在311中，初始图像可以由初始图像获取单元301获取。在一些实施例中，初始图像可以从成像设备110、存储器140、经由网络160的外部数据存储设备等，或其任何组合获取。在一些实施例中，初始图像可以是CT图像、MRI图像、PET图像、红外图像等，或其任何组合。例如，成像设备110可以生成胸部CT图像，并且胸部CT图像可以在311中由初始图像获取单元301获取。在一些实施例中，可以基于对数变换将初始图像变换为对数域图像。可以在后续操作中处理对数域图像。
在312中，可以基于在311中获取的初始图像来提取感兴趣区域。操作312可以由感兴趣区域提取单元302执行。在一些实施例中，可以基于一个或多个分割算法来提取感兴趣区域，这些分割算法包括例如OSTU技术、分水岭算法、阈值分割、区域生长分割、基于能量的3D重构分割、基于水平集的分割、区域分割和/或合并分割、边缘跟踪分割、统计模式识别、C均值聚类分割、可变形模型分割、图形搜索分割、神经网络分割、测地最小路径分割、目标跟踪分割、基于图谱的分割、基于规则的分割、耦合表面分割、基于模型的分割、可变形生物分割等，或其任何组合。
在一些实施例中，可以基于初始图像的灰度值来提取感兴趣区域。在一些实施例中，可以基于初始图像生成灰度直方图。在一些实施例中，可以基于灰度直方图来提取感兴趣区域。在一些实施例中，可以根据灰度直方图的特征来确定分割算法。例如，乳房的初始图像的灰度直方图可以具有双峰，考虑到OSTU技术对于具有双峰的灰度直方图可以具有相对高的效率和精度，OSTU技术可以用于分割初始图像。又例如，分水岭算法可用于提取乳房区域。
在一些实施例中，用于提取感兴趣区域的算法可以存储在感兴趣区域提取单元302、存储器140、网络160或其他移动存储设备中。示例性移动存储设备可以包括闪存驱动器、软盘、光盘、存储卡、压缩碟、磁带等，或其任何组合。在一些实施例中，可以经由网络160从一个或多个外部数据存储设备检索用于提取感兴趣区域的算法。
在313中，可以基于在311中获取的初始图像来提取感兴趣区域边缘(例如，乳房边缘)。操作313可以由感兴趣区域边缘提取单元303执行。在一些实施例中，可以基于边缘的灰度值变化特性来提取感兴趣区域边缘。在一些实施例中，感兴趣区域边缘的元素的灰度值可以类似于背景的灰度值。在一些实施例中，感兴趣区域边缘可具有感兴趣区域边缘的元素的灰度值的变化。在一些实施例中，在提取感兴趣区域边缘之前，可以增强感兴趣区域边缘的元素的灰度值，因此感兴趣区域边缘可以与背景更加可区分，并且可以促进感兴趣区域边缘的提取。在一些实施例中，如果初始图像是FFDM图像，则初始图像可能具有不同的噪声水平，这是因为例如X射线剂量的变化。在一些实施例中，如果灰度值被增强，则初始图像的噪声水平可能对感兴趣区域边缘的元素的灰度值产生影响。在一些实施例中，为了减少或消除噪声的影响，可以在增强感兴趣区域边缘的元素的灰度值之前执行去噪处理。在一些实施例中，考虑到X射线的衰减可以服从指数分布，为了降低计算复杂度和/或提高感兴趣区域边缘提取的效率，可以基于源自初始图像的对数域图像来提取感兴趣区域边缘。
在一些实施例中，可以基于去噪算法对对数域图像进行去噪。去噪算法可以包括高斯滤波算法、均值滤波算法、非局部均值(NLM)算法、三维块技术(BM3D)算法、总变差算法、偏微分方程(PDE)算法、小波阈值算法等，或其任何组合。在一些实施例中，在313中，可以通过灰度值变换来预处理去噪后的对数域图像。在一些实施例中，灰度值变换可以指对数域图像的元素的灰度值的梯度变换。在一些实施例中，可以在梯度变换中使用Sobel梯度算子。在一些实施例中，可以在灰度值变换中使用差分算法。也就是说，可以执行去噪后的对数域图像的差分操作。
应当注意，在一些实施例中，如果直接从FFDM系统采集初始图像，则感兴趣区域的元素的灰度值可能低于背景的灰度值。也就是说，不同区域中的灰度值可以具有以下关系：背景元素的灰度值>感兴趣区域边缘元素的灰度值>感兴趣区域元素的灰度值。在一些实施例中，在对数域图像的去噪处理之后，可以降低灰度值波动(例如，背景的元素的灰度值可以倾向于处于相同的级别)。在一些实施例中，在灰度值变换之后，不同区域中的灰度值可以具有以下关系：感兴趣区域边缘的元素的灰度值>感兴趣区域的元素的灰度值>背景元素的灰度值。在一些实施例中，利用对数域图像的去噪和/或灰度值变换，可以避免提取背景中的元素作为感兴趣区域边缘的元素，并且可以提高感兴趣区域边缘的准确度。
在一些实施例中，在去噪处理和灰度值变换之后，可以从对数域图像中提取感兴趣区域边缘。在一些实施例中，可以在感兴趣区域边缘提取中使用迭代技术。在一些实施例中，在去噪处理和灰度值变换之后，对数域图像可以由浮点数据表示。当在感兴趣区域边缘提取中使用迭代技术时，可以使用浮点数据，从而避免需要将浮点数据转换为整数数据以及丢失与转换相关联的图像精度或图像质量。
用于确定感兴趣区域边缘的迭代技术可以包括第一次迭代，第二次迭代和/或第N次迭代。初始阈值T0可以被确定为在去噪和/或预处理后的对数域图像中的最大灰度值和最小灰度值之和的一半。在第一次迭代中，可以基于阈值T0将去噪和/或预处理后的对数域图像划分为第一区域和第二区域。在第一个区域中元素的灰度值可大于T0。在第二区域中元素的灰度值可等于和/或小于T0。在一些实施例中，可以分别计算第一区域和第二区域的元素的平均灰度值。例如，Gfirst可以表示第一区域的元素的平均灰度值，并且Gsecond可以表示第二区域的元素的平均灰度值。在一些实施例中，可以更新T0以具有T1的值，其中T1可以是Gfirst和Gsecond之和的一半(即，T1＝(Gfirst+Gsecond)/2)。
在第二次迭代中，如果abs(T1-T0)>1(abs可以指绝对值)，则可以将去噪和/或预处理后的对数域图像进一步划分为第三区域和第四区域。在第三个区域中元素的灰度值可以大于T1。在第四区域中元素的灰度值可以等于和/或小于T1。在一些实施例中，可以分别计算第三区域的元素的平均灰度值和第四区域的元素的平均灰度值。例如，Gthird可以表示第三区域的元素的平均灰度值，并且Gfourth可以表示第四区域的元素的平均灰度值。在一些实施例中，可以更新T1以具有T2的值，其中T2可以是Gthird和Gfourth之和的一半(即，T2＝(Gthird+Gfourth)/2)。
在第三次迭代中，如果abs(T2-T1)>1，则可以将去噪和/或预处理后的对数域图像进一步划分为第五区域和第六区域。在第五区域中元素的灰度值可以大于T2。在第六区域中元素的灰度值可以等于和/或小于T2。在一些实施例中，可以分别计算第五区域的元素的平均灰度值和第六区域的元素的平均灰度值。例如，Gfifth可以表示第五区域的元素的平均灰度值，并且Gsixth可以表示第六区域的元素的平均灰度值。在一些实施例中，可以更新T2以具有T3的值，其中T3可以是Gfifth和Gsixth之和的一半(即，T3＝(Gfifth+Gsixth)/2)。直到(Ti+1-Ti)＜1，迭代可以停止，并且可以不进一步划分去噪和/或预处理后的对数域图像。可以将Ti+1确定为感兴趣区域边缘提取的阈值。可以基于Ti+1来划分去噪和/或预处理后的对数域图像。可以将其灰度值大于Ti+1的一组元素确定为属于感兴趣区域边缘。在一些实施例中，迭代中的阈值(例如，T0、T1、T2、T3、......、Ti等)可以乘以权值以增加感兴趣区域边缘的准确度。在一些实施例中，可以基于迭代期间的阈值变化特性来确定权值。在一些实施例中，阈值变化特性可以指两个或更多个阈值之间的变化，例如T0、T1、T2、T3、......、Ti+1等。在一些实施例中，权值可以小于1。
在一些实施例中，除了迭代技术之外，可以使用OTSU算法或可以促进感兴趣区域边缘的提取的任何其他算法来提取感兴趣区域边缘。在一些实施例中，可以在314中将提取的感兴趣区域边缘提供给感兴趣区域图像确定单元304。在一些实施例中，提取的感兴趣区域边缘可以存储在感兴趣区域边缘提取单元303、存储器140、网络160或其他移动存储设备中。
在314中，可以确定感兴趣区域图像。操作314可以由感兴趣区域图像确定单元304执行。在一些实施例中，可以基于在312中提取的感兴趣区域和/或在313中提取的感兴趣区域边缘来确定感兴趣区域图像。在一些实施例中，可以通过组合感兴趣区域和感兴趣区域边缘来生成感兴趣区域图像。在一些实施例中，所生成的感兴趣区域图像可以包括一个或多个隔离元素(例如，背景的一个或多个元素被提取作为感兴趣区域图像的元素)。在一些实施例中，可以从感兴趣区域图像中移除隔离元素以增强感兴趣区域图像的质量。在一些实施例中，感兴趣区域图像可以被提供给分解模块202、重构模块204、存储器140、输入/输出设备150和/或网络160。例如，乳房图像可以由分解模块202分解为L层。
应该注意，关于图3-A和图3-B的上述描述仅仅是示例，不应该被理解为唯一的实施例。对于本领域技术人员而言，在理解了操作的基本原理之后，可以在不脱离原理的情况下修改或改变图和/或流程图。这些修改和改变仍然在上述当前申请的范围内。例如，可以跳过312、313和/或314，这意味着可以将初始图像发送到分解模块202、变换模块203和/或重构模块204以进行进一步处理。
图4-A是根据本申请的一些实施例所示的分解图像的示例性过程的流程图。该过程可以包括第一分解操作401和第二分解操作402。
在401中，可以基于分解模块202的第一分解将图像分解为L(L是整数，并且L≥1)层。图像可以包括在311中获取的初始图像、在312中提取的感兴趣区域、在313中提取的感兴趣区域边缘、在314中确定的感兴趣区域图像、分解的图像，变换的图像、由成像设备110、存储器140、和/或网络160获取的图像等，或其任何组合。在一些实施例中，图像可以由第一分解单元202-1、第二分解单元202-2和/或第N分解单元202-N分解。
在一些实施例中，可以通过小波变换，双边滤波，傅立叶算法，离散余弦变换，拉普拉斯变换，能够分解图像的任何算法等或其任何组合来分解图像。例如，可以使用双边滤波器将图像分解为低频子图像和高频子图像。又例如，可以通过拉普拉斯变换将图像分解为L层。在一些实施例中，层可以包括低频子图像和高频子图像。例如，可以通过拉普拉斯变换将图像分解为3层。首先，可以通过拉普拉斯变换将图像分解为包括低频子图像和高频子图像的第一层；第二，通过拉普拉斯变换，可以将第一层中的低频子图像进一步分解为包括低频子图像和高频子图像的第二层；第三，可以通过拉普拉斯变换将第二层中的低频子图像进一步分解为包括低频子图像和高频子图像的第三层。
在一些实施例中，可以通过小波变换将图像分解为L层。例如，可以通过小波变换将图像分解为3层。首先，可以通过小波变换将图像分解为包括低频子图像和高频子图像的第一层；第二，通过小波变换，可以将第一层中的低频子图像进一步分解为包括低频子图像和高频子图像的第二层；第三，可以通过小波变换将第二层中的低频子图像进一步分解为包括低频子图像和高频子图像的第三层。
在402中，可以基于分解模块202的第二分解将图像分解为L’+N(L’和N是整数，L≥1和N≥1)层。在一些实施例中，图像可以由第一分解单元202-1，第二分解单元202-2和/或第N分解单元202-N分解。在一些实施例中，在402中要分解的图像可以与在401中要分解的图像相同。在一些实施例中，在402中要分解的图像可以与在401中要分解的图像不同。在一些实施例中，在402中要分解的图像可以是在401中生成的子图像。在一些实施例中，可以通过小波变换、双边滤波、傅立叶算法、离散余弦变换、拉普拉斯变换，能够分解图像的任何算法等或其任何组合来分解图像。
在一些实施例中，可以通过小波变换将图像分解为L’+N层。例如，如果L’＝3且N＝1，则可以通过小波变换将图像分解为4层。首先，可以通过小波变换将图像分解为包括低频子图像和高频子图像的第一层；第二，通过小波变换，可以将第一层中的低频子图像进一步分解为包括低频子图像和高频子图像的第二层；第三，可以通过小波变换将第二层中的低频子图像进一步分解为包括低频子图像和高频子图像的第三层；第四，可以通过小波变换将第三层中的低频子图像进一步分解为包括低频子图像和高频子图像的第四层。
在401和/或402中生成的子图像可以被提供给图像获取模块201、变换模块203、重构模块204、存储器140、输入/输出设备150、网络160等，或者任何组合。例如，子图像可以由灰度值变换单元203-1变换。又例如，子图像可以由变换模块203-2变换。再例如，子图像的一个或多个元素可以由另一个子图像的元素替换。
应该注意，可以使用不同的算法分解不同的层。在一些实施例中，在402中生成的层的数量(L’+N)可以大于在401中生成的层的数量(L)。例如，图像可以在402中被分解为4层，而相同的图像可以在401中被分解为3层。在一些实施例中，可以跳过401或402。在一些实施例中，可以在401和/或402之前或之后添加一个或多个操作。例如，可以在402之后添加第三分解操作。
图4-B是根据本申请的一些实施例所示的由第一分解单元分解的示例性L层的示意图。如图4-B所示，图像411可以被分解成L层。图像411可以由分解模块202分解。例如，图像411可以由第一分解单元202-1分解。在一些实施例中，可以使用一个或多个分解算法来分解图像411。例如，可以使用拉普拉斯变换来分解图像。在一些实施例中，每个层可包括两个或更多个子图像。例如，单个层可以包括低频子图像、中频子图像和/或高频子图像。
在一些实施例中，图像411可以被分解为包括低频子图像412和高频子图像413的第一层。第一层中的低频子图像412可以被分解为包括低频子图像414和高频子图像415的第二层。第二层中的低频子图像414可以被分解为包括低频子图像416和高频子图像417的第三层。类似地，第(L-1)层中的低频子图像(未示出)可以被分解为包括低频子图像418和高频子图像419的第L层。在一些实施例中，层中的高频子图像可以被分解为包括低频子图像和高频子图像的层。
图4-C是根据本申请的一些实施例所示的由第二分解单元分解的示例性L’+N层的示意图。如图4-C所示，图像421可以被分解成L’+N层。可以通过分解模块202来分解图像。例如，图像可以由第二分解单元202-2分解。在一些实施例中，可以使用分解算法来分解图像。例如，可以使用小波变换来分解图像。
在一些实施例中，图像421可以被分解为包括低频子图像422和高频子图像423的第一层。第一层中的低频子图像422可以被分解为包括低频子图像424和高频子图像425的第二层。第二层中的低频子图像424可以被分解为包括低频子图像426和高频子图像427的第三层。类似地，第(L’-1)层中的低频子图像(未示出)可以被分解为包括低频子图像428和高频子图像429的第L层。第L层中的低频子图像428可以被分解为包括低频子图像430和高频子图像431的第(L’+1)层。第(L’+1)层中的低频子图像430可以被分解为包括低频子图像(未示出)和高频子图像(未示出)的(L’+2)层。类似地，第(L’+N-1)层中的低频子图像(未示出)可以被分解为包括低频子图像432和高频子图像433的第(L’+N)层。在一些实施例中，层中的高频子图像可以被分解为包括低频子图像和高频子图像的层。
在一些实施例中，L’可以等于L。例如，如果L’等于3，则L可以等于3。在一些实施例中，N是大于或等于1的整数。例如，N可以等于1。在一些实施例中，每个层可包括两个或更多个子图像。例如，单个层可以包括低频子图像、中频子图像和/或高频子图像。
图5-A是根据本申请的一些实施例所示的灰度值变换单元203-1的示意图。如图5-A所示，灰度值变换单元203-1可以包括特征曲线确定单元501、特征曲线划分单元502、变换曲线段确定单元503、变换曲线生成单元504和第一更新单元505。
特征曲线确定单元501可以确定特征曲线。在一些实施例中，可以基于目标图像确定特征曲线，该目标图像包括例如初始图像、感兴趣区域、感兴趣区域边缘、感兴趣区域图像或子图像。例如，可以基于低频子图像确定特征曲线。特征曲线可以示出距离与元素的对应灰度值之间的关系(如图6所示)。在一些实施例中，距离可以指目标图像的元素与目标图像的参考边缘之间的距离。在一些实施例中，目标图像的参考边缘可以指代目标图像的感兴趣区域边缘，或整个目标图像的外边缘。在一些实施例中，目标图像的元素的距离可以指从元素到参考边缘的最小距离。对于目标图像的元素，可以计算到参考边缘的每个元素的距离。在一些实施例中，可以为目标图像的多个元素中的每一个确定具有最小距离的直线。在一些实施例中，最小距离的值可以由具有最小距离的直线中的元素的数量来表示。在一些实施例中，元素可具有到参考边缘的一个或多个距离，并且特征曲线中的距离可指代最小距离。在一些实施例中，不同的元素可以具有不同的距离(例如，0.5cm、0.8cm、1cm等)，例如，远离参考边缘的元素可以具有比靠近参考边缘的元素更大的距离。在一些实施例中，距离可以对应于灰度值。在一些实施例中，一个或多个元素可以具有相同的距离，并具有不同的灰度值；然后，可以将与距离对应的灰度值确定为具有相同距离的元素的平均灰度值。例如，三个元素A、B和C具有相同的0.5cm的最小距离；那么对应于距离的灰度值可以计算为G0.5cm＝(GA+GB+GC)/3。
特征曲线划分单元502可以将特征曲线划分为两个或更多个段。在一些实施例中，特征曲线划分单元502可以基于特征曲线生成N个曲线段，其中N可以是大于1的整数。
变换曲线段确定单元503可以确定一个或多个变换曲线段。变换曲线段可以是变换曲线的一部分。在一些实施例中，可以基于一个或多个特征曲线段确定变换曲线段。例如，可以基于对应的特征曲线段确定变换曲线段。
变换曲线生成单元504可以基于一个或多个变换曲线段生成变换曲线。变换曲线可以示出灰度值变换(例如，灰度值变换单元203-1执行的灰度值变换)之前和灰度值变换(例如，由灰度值变换单元203-1执行的灰度值变换)之后的目标图像(或子图像)中的元素的灰度值之间的关系。
第一更新单元505可基于变换曲线更新目标图像的一个或多个元素的灰度值。在一些实施例中，第一更新单元505可以变换预设范围的灰度值。在一些实施例中，第一更新单元505可以压缩或放大预设范围内的灰度值。例如，第一更新单元505可以放大200的灰度值到300，因此，原始灰度值为200的元素的灰度值可以改变为300。又例如，第一更新单元505可以减小200的灰度值到100，因此，原始灰度值为200的元素的灰度值可以改变为100。
图5-B是根据本申请的一些实施例所示的变换图像的灰度值的示例性过程的流程图。如图5-B所示，该过程可以包括确定特征曲线511、划分特征曲线512、确定变换曲线段513、基于确定的变换曲线段生成变换曲线514、以及基于变换曲线更新元素的灰度值515。
在511中，可以基于目标图像确定特征曲线。操作511可以由特性曲线确定单元501执行。在一些实施例中，可以提取感兴趣区域作为目标图像。在一些实施例中，可以将高频子图像或低频子图像指定为目标图像。可以在目标图像中确定参考边缘。在一些实施例中，感兴趣区域边缘可以被确定为参考边缘。在一些实施例中，可以将整个目标图像的外边缘确定为参考边缘。在一些实施例中，可以自动、半自动或手动确定参考边缘。例如，用户可以通过输入/输出设备150的GUI人工地定义参考边缘。对于目标图像的元素，可以计算到参考边缘的每个元素的距离。在一些实施例中，可以为目标图像的多个元素中的每一个确定具有最小距离的直线。在一些实施例中，最小距离的值可以由具有最小距离的直线中的元素的数量来表示。在一些实施例中，目标图像的一个或多个元素可以具有相同的最小距离值。对应于最小距离D的灰度值可以是具有相同或相似值的最小距离D的元素的灰度值的平均灰度值。例如，可以通过将具有相同或相似值的最小距离D的元素的灰度值之和除以这些元素的数量来确定与最小距离D对应的灰度值。例如，最小距离1.5cm(或多个元素，例如110、115、117、120等)可以对应于元素a、元素b和元素c。对应于1.5cm的灰度值(或多个元素，例如110、115、117、120等)可以通过将元素a、元素b和元素c的灰度值之和除以3来计算。
在512中，在511中确定的特性曲线可以被划分为N个特征曲线段。操作512可以由特征曲线划分单元502执行。在一些实施例中，参考边缘的元素的灰度值可以类似于背景的灰度值。在一些实施例中，参考边缘及其邻域的一个或多个元素可以具有比内部区域的一个或多个元素更高的灰度值。为了减小参考边缘与参考边缘的邻域和内部区域之间的元素的灰度值的差异，可以减小参考边缘及其邻域的元素的灰度值。在一些实施例中，参考边缘及其邻域可具有比内部区域更低的灰度值。为了减小参考边缘与参考边缘的邻域和内部区域之间的灰度值的差异，可以增加参考边缘及其邻域的元素的灰度值。
在一些实施例中，可以在将特征曲线划分为特征曲线段之前确定灰度区间。作为示例，其中参考边缘及其邻域的元素的灰度值减小，灰度区间的最大值(如图7中所示的点A)可以在参考边缘的元素的灰度值被修改之前被确定为参考边缘的元素的最大灰度值。在一些实施例中，可以基于技术的各个应用来确定灰度区间的最小值。在一些实施例中，可以基于图像处理系统130的处理效率来调整灰度区间的最大值和/或灰度区间的最小值。在一些实施例中，最小灰度值可以是对应于特性曲线中的预设距离的灰度值。例如，预设距离可以是2cm。如果需要变换位于距参考边缘预定距离内的元素的灰度值，则可以根据特征曲线将灰度区间的最小值(如图7中所示的点P)确定为预设距离的对应灰度值。在一些实施例中，灰度区间的最小值可以自动、半自动或手动设定。例如，用户可以通过输入/输出设备150的GUI定义最小值。又例如，用户可以通过输入/输出设备150的GUI从参考边缘指定一个距离来定义最小值。
在一些实施例中，在确定灰度区间之后，灰度区间内的部分特征曲线可以被划分为N段。可以基于大于所确定的灰度区间的最小值的灰度值的数量来确定特征曲线段的数量(N)。在一些实施例中，由于对应于距离的灰度值可以被确定为具有相同距离的元素的平均灰度值，因此特征曲线中的灰度值可以是离散数据点。也就是说，数量N可以是确定数量。例如，如果灰度区间的最小值被确定为200，则大于200的灰度值可以包括300、400、500、600和700。因此，大于200的灰度值数是5个，并且根据灰度值的数量，特征曲线可以被划分为5段。
在513中，可以基于在512中生成的划分的N个特征曲线段来确定变换曲线段。操作513可以由变换曲线段确定单元503执行。在一些实施例中，变换曲线段可以对应于特征曲线段。在一些实施例中，可以逐个确定变换曲线段。在一些实施例中，可以基于先前确定的第一变换曲线段来确定第二变换曲线段。在一些实施例中，可以基于不同特征曲线段的灰度区间确定不同变换曲线段的顺序。例如，可以首先使用具有相对高的灰度区间的特征曲线段来确定其对应的变换曲线段，然后可以使用具有相对低的灰度区间的特征曲线段来确定其对应的变换曲线段。又例如，可以首先使用具有相对低的灰度区间的特征曲线段来确定其对应的变换曲线段，然后可以使用具有相对高的灰度区间的特征曲线段来确定其对应的变换曲线段。在一些实施例中，可以基于对应的特征曲线段确定变换曲线段的斜率。
图7所示的是被分割成多个特征曲线段的示例性特征曲线。参照图7，特征曲线段的灰度值(从点A到预设点P)可以在[GA，GP]的范围内，其中GA可以表示对应于图中点A的距离的灰度值，GP可以表示对应于图中点P的距离的灰度值。GA可以表示特征曲线段的最大灰度值，而GP可以表示特征曲线段的最小灰度值。如图所示，特征曲线可以被分段为三个特征曲线段，包括段AB、BC和CP。可以首先确定对应于段AB的变换曲线段，然后确定段BC和段CP，反之亦然。应当注意，段的数量仅用于说明目的，并不旨在限制本申请的范围。
参考特征曲线段AB，可以基于特征曲线中的点P的灰度值以及点A和点B在特征曲线段AB中的灰度值来确定与特征曲线段AB对应的变换曲线段A’B’的斜率。例如，变换曲线段A’B’的斜率可以被确定为特征曲线中的点P的灰度值与特征曲线段AB中的点A和点B的灰度值的平均值的比率，如公式1所示：
Figure BDA0003760511370000161
其中KA’B’表示变换曲线段A’B’的斜率，GP表示点P的灰度值，GA表示点A的灰度值，GB表示点B的灰度值。其他变换曲线段的斜率(例如，对应于特征曲线段BC的段B’C’、对应于特征曲线段CP的段C’P’等)可以以与段A’B’类似的方式计算。在一些实施例中，变换曲线段A’B’的初始点可以被确定为点A’。在一些实施例中，点A’可以具有与特征曲线中的点A相同的灰度值。在一些实施例中，可以基于斜率KA’B’和点A’的灰度值来确定变换曲线段A’B’。
关于对应于特征曲线段BC的变换曲线段B’C’，可以确定段B’C’的斜率，类似于如何确定对应于特征曲线段AB的段A’B’的斜率。在一些实施例中，变换曲线段B’C’的初始点可以被确定为点B’。点B’的灰度值可以根据等式(2)确定：
Figure BDA0003760511370000162
其中GB’表示点B’的灰度值，GA’表示点A’的灰度值，dA表示特征曲线段AB中初始点(点A)的距离，dB表示特征曲线段AB中终点(点B)距离，dP表示预设点P的距离，GA表示特征曲线段AB的初始点(点A)的灰度值，GP表示预设点P的灰度值。在一些实施例中，可以基于斜率KB’C’和点B’的灰度值(即，GB’)来确定变换曲线段B’C’。因此，可以如上所述确定对应于特征曲线段的每个变换曲线段。
在一些实施例中，第N变换曲线段的斜率可以是特征曲线中的预设点P的灰度值与第N特性曲线段的初始点和终点的平均灰度值的比率。第N个变换曲线段的初始点的灰度值可以是第(N-1)个变换曲线段中的初始点的灰度值与相应的第(N-1)个特征曲线段的灰度变化量之和。相应地，第(N-1)特征曲线的灰度变化量可以指第(N-1)特性曲线的初始点和终点的灰度变化量。可以根据等式(2)确定第N个变换曲线段的初始点的灰度值，其中GB’可以对应于第N个变换曲线段的初始点的灰度值，GA’可以对应于第(N-1)个变换曲线段的初始点的灰度值，dA可以对应于第(N-1)个特征曲线段中的初始点的距离，dB可以对应于第(N-1)个特征曲线段中的终点的距离，dP可以对应于预设点P的距离，GA可以对应于第(N-1)个特征曲线段的初始点的灰度值，GP可以对应于预设点P的灰度值。
在一些实施例中，在513中，可以将具有灰度区间的最小值(在512中确定)的点(例如，预设点P)指定为初始点。在一些实施例中，如图7所示，点P可以被指定为段CP的初始点，点C可以被指定为段BC的初始点，点B可以被指定为段AB的初始点。因此，变换曲线段C’P’的初始点可以被指定为点P’，变换曲线段B’C’的初始点可以被指定为点C’，变换曲线段A’B’的初始点可以被指定为点B’。在一些实施例中，点P’的灰度值可以与点P的灰度值相同，并且可以基于等式(2)确定点C’和B’的灰度值。例如，点C’的灰度值可以根据等式(3)确定：
Figure BDA0003760511370000163
其中GC’表示初始点C’的灰度值，GP’表示点P’的灰度值，dP表示特征曲线段CP中初始点P的距离，dC表示特征曲线段CP中终点C的距离，dA表示点A的距离，GP表示特征曲线段CP中点P的灰度值，并且GA表示特征曲线段中点A的灰度值。
在一些实施例中，变换曲线段C’P’和段B’C’的斜率可以根据等式(1)确定。可以基于点P’的灰度值和C’P’的斜率来确定对应于段CP的变换曲线段C’P’。因此，可以如此确定变换曲线段B’C’和段A’B’。
在514中，可以基于在513中确定的变换曲线段生成变换曲线。操作514可以由变换曲线生成单元504执行。在一些实施例中，可以基于所确定的变换曲线段通过曲线拟合来生成变换曲线。在一些实施例中，可以使用一种或多种拟合技术生成变换曲线，所述拟合技术包括包括例如最小二乘技术、拉格朗日插值技术、牛顿迭代技术、三次样条插值技术等，或其任何组合。例如，可以通过基于拉格朗日插值技术的曲线拟合来生成变换曲线。在一些实施例中，变换曲线可以用于更新目标图像中的元素的灰度值。
在515中，可以更新目标图像中的一个或多个元素的灰度值。操作515可以由第一更新单元505执行。在一些实施例中，可以基于514中生成的变换曲线来更新灰度值。在一些实施例中，可以更新其灰度值在512中确定的灰度区间内的元素的灰度值。在一些实施例中，根据变换曲线，可以压缩或放大灰度值。在一些实施例中，变换曲线可用于压缩或放大低频子图像和/或高频子图像中的参考边缘的灰度值。在一些实施例中，在更新之后，可以修改(减小或增加)灰度区间中的元素的灰度值。在一些实施例中，修改效果可以是线性的或非线性的。在一些实施例中，变换曲线可用于修改与参考边缘的距离在预设范围内的元素的灰度值。在一些实施例中，通过调整在512中确定的适当灰度区间，可以不更新目标图像中的背景元素的灰度值。在一些实施例中，在更新之后，可以将感兴趣区域边缘与背景区分开。
在一些实施例中，可以基于变换曲线来压缩目标图像的一个或多个元素的灰度值。可以基于正图像确定变换曲线，正图像中背景元素的灰度值高于感兴趣区域的灰度值。在一些实施例中，变换曲线的灰度区间的最小值可以是预设点的灰度值。变换曲线的灰度区间的最大值可以是参考边缘的元素的最大灰度值。在一些实施例中，可以基于大于或等于灰度区间的最小值的灰度值的数量来确定段的数量(N)。
在一些实施例中，可以基于变换曲线来放大目标图像的一个或多个元素的灰度值。可以基于负图像确定变换曲线，负图像中背景元素的灰度值低于感兴趣区域的灰度值。负图像的一个或多个元素的灰度值在基于变换曲线被放大之后可以高于变换之前的灰度值。例如，可以放大参考边缘的一个或多个元素的灰度值。可能无法调整背景元素的灰度值。因此，可以增强参考边缘和背景之间的对比度。增强的对比度便于用户(例如，医生)区分感兴趣区域和背景。
作为示例，变换曲线用于放大目标图像的一个或多个元素的灰度值，可以根据等式(1)、等式(2)和/或等式(3)确定变换曲线段的初始点和斜率的灰度值。在一些实施例中，变换曲线的灰度区间的最小值可以是参考边缘的元素的最小灰度值。变换曲线的灰度区间的最大值可以是预设点的灰度值。在一些实施例中，可以基于低于或等于灰度区间的最大值的灰度值的数量来确定变换曲线段的数量(N)。
图6是根据本申请的一些实施例所示的示例性特征曲线的示意图。如上所述，特征曲线可以表示距离与对应的灰度值之间的关系。在一些实施例中，距离可以由目标图像中的元素与目标图像的参考边缘之间的元素的数量来表示。特征曲线的水平轴可以表示目标图像的多个元素与参考边缘之间的最小距离。最小距离显示为元素数量。特征曲线的垂直轴可以表示可以具有相同距离的一个或多个元素的对应平均灰度值。应理解，图6中所示的特定特性曲线用于说明目的，并不旨在限制本申请的范围。图6中所示的特征曲线可以从低频子图像确定。根据特征曲线，可以确定对应于不同距离的灰度值。
图7是根据本申请的一些实施例所示的被分割成多个特征曲线段的示例性特征曲线的示意图。如图7所示，特征曲线可以被划分为特征曲线段。在一些实施例中，垂直轴中示出的灰度值可以是离散的，连续曲线仅是用于说明目的的近似。在图7中，可以预先确定点P。灰度区间(其中灰度值可以被变换)可以被确定为[GP，GA]，其中GP可以表示灰度区间的下限，并且GA可以表示灰度区间的上限。[GP，GA]范围内的特征曲线可以分为3段：段AB，段BC和段CP。应该注意的是，图7中所示的特征曲线段的数量仅用于说明目的，并非旨在限制本申请的范围。
图8是根据本申请的一些实施例所示的示例性变换曲线的示意图。图8示出了可以在其中变换灰度值的灰度区间。GP可以是灰度区间的最小值，并且GP可以对应于图7所示的预设点P的灰度值。GA可以是灰度区间的最大值，并且GA可以对应于图7中点A的灰度值。图8所示的变换曲线P’A’可以基于图7所示的特性曲线PA来确定。变换曲线P’A’可以示出对灰度值的修正效果。图8中例示的转换曲线表示可以通过变换减小[GP，GA]内的灰度值。
图9-A是根据本申请的一些实施例所示的示例性权重变换单元203-2的示意图。权重变换单元203-2可以包括权值图确定单元901和第二更新单元902。
权值图确定单元901可以确定目标图像(或子图像)的权值图。目标图像(或子图像)可以指代要由图像处理系统130处理或正在处理的图像(或子图像)。目标图像(或子图像)可以包括高频子图像、低频子图像、灰度图像、彩色图像等。在一些实施例中，权值图确定单元901可以基于目标图像(或子图像)生成权值图。在一些实施例中，权值图确定单元901可以经由网络160从存储器140或外部数据存储设备获取权值图。权值图可以指2D图像或3D图像，其中每个元素的值表示目标图像(或子图像)的对应元素的权值。在一些实施例中，权值图可以具有与目标图像(或子图像)相同的大小。在一些实施例中，权值图中的位置的元素的值可以是目标图像(或子图像)中的对应位置的元素的权值。例如，位置(x，y)处的元素或目标图像(或子图像)的位置(x，y，z)处的体素的权值可以是该位置(x，y)处的元素或权值图的位置(x，y，z)处的体素的值。
第二更新单元902可以通过图像处理系统130更新目标图像(或子图像)的一个或多个元素的值。元素的值可以指元素的信息，包括例如灰度值、亮度、颜色等，或其任何组合。在一些实施例中，第二更新单元902可以基于由权值图确定单元901确定的权值图来更新一个或多个元素的值。在一些实施例中，第二更新单元902和第一更新单元505可以集成到具有两个单元的功能的单个更新单元中。
图9-B是根据本申请的一些实施例所示的基于权值图变换目标图像的示例性过程的流程图。如本申请所示，用于基于权值图变换目标图像的示例性过程可包括确定权值图，并基于权值图更新目标图像。
在911中，可以基于目标图像(或子图像)确定权值图。权值图确定911可以由权值图确定单元901执行。在一些实施例中，可以基于目标图像(或子图像)的元素的灰度值来确定权值图。在一些实施例中，目标图像(或子图像)可包括第一类元素和/或第二类元素。在一些实施例中，第一类元素可以指目标图像中的噪声元素，而第二类元素可以指除了噪声元素之外的目标图像中的其他元素。噪声元素可以指具有噪声的像素/体素，噪声包括例如高斯噪声、椒盐噪声、散粒噪声、量化噪声、胶片颗粒噪声、各向异性噪声等，或者任何组合。其他元素可以指除了噪声像素/体素之外的目标图像中的像素/体素。在一些实施例中，具有不同灰度值的元素可以具有不同的权值。在一些实施例中，具有不同灰度值的元素的权值可以通过不同的技术来确定。例如，第一类元素可以具有比第二类元素更低的灰度值，并且可以使用与第二类元素不同的技术来确定第一类元素的权值。在一些实施例中，权值图确定单元901可以确定目标图像(或子图像)中的第一类元素的灰度区间。在一些实施例中，权值图确定单元901可以调整目标图像(或子图像)中的第一类元素的确定后的灰度区间。在一些实施例中，权值图确定单元901可以确定目标图像(或子图像)中的第二类元素的灰度区间。在一些实施例中，如果调整了第一类元素的确定后的灰度区间，则可以相应地调整第二类元素的灰度区间。例如，对于灰度区间为[G1，GN]的目标图像，其中第一类元素的灰度区间被确定为[G1，Gx]，并且第一类元素的灰度区间确定为[Gx，GN]，如果将第一类元素的灰度区间调整为[G1，Gx/2]，则可以相应地将第一类元素的灰度区间调整为[Gx/2，GN]。在一些实施例中，第一类元素的灰度区间可以被映射到第一范围。第二类元素的灰度区间可以映射到第二范围。图9-C示出了确定权值图的示例性过程。
在912中，可以基于在911中确定的权值图来更新目标图像(或子图像)。在912中更新目标图像(或子图像)可以由第二更新单元902执行。在一些实施例中，可以基于目标图像(或子图像)的元素的灰度值与权值图的对应权值的乘积来更新目标图像(或子图像)。在一些实施例中，可以逐个元素地执行912中的更新。例如，目标图像(或子图像)的元素(x，y)(或(x，y，z))的值可以通过值本身和其权值图的相同元素(x，y)(或(x，y，z))的权值的乘积来更新。
在一些实施例中，如图4-B和/或图4-C中所示的图像层的高频子图像可以基于权值变换被变换。首先，可以在911中基于高频子图像确定权值图。其次，可以基于在912中获得的确定后的权值图来更新高频子图像。在一些实施例中，可以在912之后添加图像重构操作。例如，更新后的高频子图像和对应的低频子图像可以被用于重构，并且可以获得变换后的图像(或图像层)。
图9-C是根据本申请的一些实施例所示的确定权值图的示例性过程的流程图。在921中，可以确定目标图像(或子图像)中的第一类元素的灰度区间。操作921可以由权值图确定单元901执行。在一些实施例中，目标图像(或子图像)可以指高频子图像，低频子图像，灰度图像，彩色图像等。在一些实施例中，可以根据灰度阈值来确定第一类元素的灰度区间。灰度阈值可用于区分第一类元素和第二类元素。在一些实施例中，可以根据图像处理系统130的默认设置来确定灰度阈值。例如，灰度阈值可以预先存储在存储器140中，并且权值图确定单元901可以在921中从存储器140检索灰度阈值。在一些实施例中，可以手动或半手动确定灰度阈值。例如，用户可以通过输入/输出设备150中的图形用户界面从图像处理系统130建议的列表输入或选择阈值从而确定灰度阈值。
在一些实施例中，可以根据目标图像(或子图像)的一个或多个灰度值来确定灰度阈值。在一些实施例中，可以基于目标图像的全部或一部分的元素的平均灰度值，Gaverage，来确定灰度阈值。例如，可以通过将目标图像中的所有元素的灰度值的总和除以目标图像中的所有元素的数量来获得平均灰度值，Gaverage。在一些实施例中，可以基于修改后的平均灰度值来确定灰度阈值。例如，灰度阈值可以等于平均灰度值，Gaverage乘以预设系数k。在一些实施例中，系数k可以根据边缘(例如，感兴趣区域边缘、有高于背景的对比度的边缘、整个目标图像的边缘等)和目标图像的第一类元素之间的灰度值差来确定。仅作为示例，预设系数k可以设置在[1,3]的范围内(例如，k＝3)。应当注意，系数k的示例性范围仅出于说明目的而提供，并不旨在限制本申请的范围。
在一些实施例中，可以根据灰度阈值来确定第一类元素的灰度区间。在一些实施例中，在高频子图像中，第一类元素可具有低于第二类元素的灰度值，以及元素的灰度值低于灰度阈值(例如，Gaverage本身或Gaverage乘以预设系数k)可以被视为第一类元素(例如，噪声元素)。例如，灰度值落在[0，k×Gaverage]范围内的元素可以被认为属于第一类。
在922中，可以修改目标图像(或子图像)中的第一类元素的灰度区间。操作922可以由权值图确定单元901执行。在一些实施例中，例如，在高频子图像中，目标图像(或子图像)的一个或多个区域可具有具有弱细节的元素。在一些实施例中，具有弱细节的元素可以指具有相对高的噪声水平的目标图像的元素或区域。在一些实施例中，具有弱细节的元素的灰度区间可以与第一类元素的灰度区间部分重叠。在一些实施例中，重叠的灰度区间可以是窄的，并且它可能导致难以确定用于区分第一类元素和具有弱细节的元素的修改后的灰度阈值。在一些实施例中，可以通过修改灰度区间(例如，[0，k×Gaverage])来修改第一类元素的灰度区间(例如，[0，k×Gaverage])。在一些实施例中，修改可以指拉伸或压缩灰度区间。修改可以包括线性修改和/或非线性修改。在一些实施例中，权值图确定单元901可以使用一个或多个函数(例如，正弦函数，对数函数等)来非线性地修改灰度区间(例如，[0，k×Gaverage])。在一些实施例中，在修改之后，可以获得修改后的灰度区间(例如，修改后的[0，k×Gaverage])。
在923中，可以基于在922中获得的修改后的灰度区间来调整第一类元素的灰度区间和/或第二类元素的灰度区间。操作923可以由权值图确定单元901执行。在一些实施例中，可以基于第一类元素的改后的灰度区间(例如，修改后的[0，k×Gaverage])来确定第一阈值。例如，第一阈值可以被确定为修改后的灰度区间内的第一类元素的平均灰度值(例如，修改后的[0，k×Gaverage])。第一阈值可以被视为用于区分第一类元素和第二类元素的更新后的灰度阈值。然后可以调整第一类元素的灰度区间和第二类元素的灰度区间。例如，第一类元素的灰度区间可以是[0，第一阈值]，第二类元素的灰度区间可以是(第一阈值，第二阈值)。第二阈值可以指目标图像(或子图像)内的最大灰度值。在一些实施例中，灰度值等于第一阈值的元素可以被认为属于第一类。在一些实施例中，灰度值等于第一阈值的元素可以被认为属于第二类。在以下描述中，假设灰度值等于第一阈值的元素可以被认为属于第一类。该假设和相应的描述是出于说明目的，而非旨在限制本申请的范围。
在924中，可以基于在923中调整后的第一类元素的灰度区间(例如，[0，第一阈值])来确定第一类元素的权值。操作924可以由权值图确定单元901执行。在一些实施例中，调整后的灰度区间[0，第一阈值]可以被映射到[0,1]的范围中。可以基于一个或多个线性或非线性算法来执行映射过程。线性映射过程可以基于一个或多个线性算法。例如，灰度区间[0，第一阈值]内的所有灰度值可以除以第一阈值，因此灰度区间[0，第一阈值]可以被映射到[0,1]。非线性映射过程可以基于一个或多个非线性算法，包括例如正弦函数，对数函数等，或其任何组合。在一些实施例中，映射范围[0,1]可以被定义为第一类元素的权值。也就是说，灰度值Gx(Gx∈[0，第一阈值])可以在映射之后被变换为Gx’(Gx’∈[0,1])，并且值Gx’可以被定义为具有灰度值Gx的第一类元素的权值。
在925中，可以基于在923中调整后的第二类元素的灰度区间(例如，(第一阈值，第二阈值])来确定第二类元素的权值。操作925可以由权值图确定单元901执行。在一些实施例中，调整后的灰度区间(第一阈值，第二阈值]可以被映射到(1,G]的范围内。可以基于一个或多个线性或非线性算法来执行映射过程。线性映射过程可以基于一个或多个线性算法。非线性映射过程可以基于一个或多个非线性算法，包括例如正弦函数，对数函数等，或其任何组合。在一些实施例中，映射范围(1,G]可以被定义为第二类元素的权值。也就是说，灰度值Gy(Gy∈(第一阈值，第二阈值])可以在映射之后被变换为Gy’(Gy’∈(1,G])，并且值Gy’可以被定义为具有灰度值Gy的第二类元素的权值。在一些实施例中，可以根据期望的图像增强效果来确定或选择G的值。例如，G可以被确定为2,3等。应当注意，G的值仅用于说明目的，并不旨在限制本申请的范围。
在926中，可以修改在923中获得的第一类元素的调整后的灰度区间内的元素的灰度值。操作926可以由权值图确定单元901执行。在一些实施例中，可以基于在924中定义的对应权值来修改第一类元素的灰度值。仅作为示例，第一类元素的灰度值可以由对应的权值替换。
在927中，可以修改在923中获得的第二类元素的调整后的灰度区间内的元素的灰度值。操作927可以由权值图确定单元901执行。在一些实施例中，可以基于在925中定义的对应权值来修改第二类元素的灰度值。仅作为示例，第二类元素的灰度值可以由对应的权值替换。
在928中，可以生成权值图。操作928可以由权值图确定单元901执行。在一些实施例中，可以基于在926中修改的第一类元素的灰度值和在927中修改的第二类元素的灰度值来生成权值图。仅作为示例，在926和927中的修改过程之后，目标图像(或子图像)可以自发地成为权值图。在一些实施例中，可以省略926和927，并且可以基于第一类元素和第二类元素的权值以及这些权值的相应位置来生成权值图。例如，第一类元素可以在目标图像(或子图像)中具有位置(m，n)，并且具有调整后的灰度值Gx(Gx∈[0，第一阈值])，然后可以给予权值图中相同位置(m，n)的元素权值Gx’(Gx’∈[0,1])。又例如，另一个元素可以在目标图像(或子图像)中具有位置(m’，n’)，并且具有调整后的灰度值Gy(Gy∈(第一阈值，第二阈值])，然后可以给予权值图中相同位置(m’，n’)的元素权值Gy’(Gy’∈(1,G])。
应当注意，关于权重变换单元203-2的上述描述和相关流程图仅仅是示例，并且不应该被理解为唯一的实施例。对于本领域技术人员而言，在理解了不同单元/操作之间的连接的基本原理之后，可以在不脱离原理的情况下修改或改变单元/操作和单元/操作之间的连接。这些修改和改变仍然在上述当前申请的范围内。例如，924和925可以同时执行，或者集成到一个操作中。又例如，926和927可以省略。再例如，922和923可以集成到一个操作中。再例如，924和926可以集成到一个操作中。再例如，925和927可以集成到一个操作中。
图10是示出生成权值图的示例性过程的示意图。目标图像1001(例如，高频子图像)具有多个第一类元素1002，如区域1010中的空心圆所示。区域1010可以指在921中确定的灰度区间内的第一类元素1002的区域。除了区域1010之外的区域可以指第二类元素的区域。参见1001内但区域1010之外的区域1020。假设区域1010中第一类元素1002的灰度区间为[0,100]，在如922所述的非线性修改过程之后，区域1010中第一类元素1002的灰度区间可以被修改为[0,200]。假设区域1010中第一类元素1002的平均灰度值为150，被指定为第一阈值，在923中的调整处理之后，第一类元素1002的灰度区间可以调整为[0,150]。并且第二类元素的灰度区间可以被调整为(150，第二阈值]。区域1040中灰度值在[0,150]范围内的第一类元素1005可以被视为真正的第一类元素。灰度区间[0,150]在924中被映射到[0,1]。例如，范围[0,150]内的所有灰度值可以除以150。映射范围[0,1]内的值可以表示区域1040中第一类元素1005的权值。灰度区间(150，第二阈值]在925中被映射到(1,G]。映射范围(1,G]内的值可以表示除了区域1040之外的目标图像1001的第二类元素的权值。在一些实施例中，可以基于第二阈值确定G的值。在一些实施例中，第二阈值可以指目标图像1001内的最大灰度值。在一些实施例中，可以根据期望的图像增强效果来确定或选择G的值。例如，G可以被确定为2,3等。应当注意，G的值仅用于说明目的，并不旨在限制本申请的范围。映射范围(1,G]内的值可以表示除了区域1040中的第一类元素1005之外的第二类元素的权值。通过将区域1040中的第一类元素1005的灰度值替换为范围[0,1]中的对应权值，并且替换除区域1040中具有在范围(1,G]中的对应权值的第一类元素1005之外的第二类元素的灰度值，可以获得与目标图像1001对应的权值图。权值图可以示出目标图像1001中的每个元素的权值。
图11-A是根据本申请的一些实施例所示的基于目标图像的层重构合成图像的示例性过程的流程图。重构过程可以包括获取子图像1101，以及重构合成图像1102。
在1101中，可以获取目标图像的低频子图像和高频子图像。操作1101可以由重构模块204执行。在一些实施例中，低频子图像和/或高频子图像可以由分解模块202生成。在一些实施例中，可以使用相同的分解算法生成低频子图像和高频子图像。在一些实施例中，可以使用不同的分解算法生成低频子图像和高频子图像。例如，可以使用第一分解算法生成低频子图像，并且可以使用第二分解算法生成高频子图像。例如，可以使用拉普拉斯变换生成低频子图像，而可以使用小波变换生成高频子图像。
在一些实施例中，可以从相同的目标图像(或子图像)生成低频子图像和高频子图像。在一些实施例中，可以从同一层生成低频子图像和高频子图像。在一些实施例中，低频子图像和高频子图像可以从不同目标图像(或子图像)或相同目标图像的不同层生成。
在一些实施例中，低频子图像可能已经由变换模块203变换。在一些实施例中，高频子图像可能已经由变换模块203变换。例如，低频子图像和/或高频子图像可能已经基于如图5-B所示的灰度值变换进行了变换。又例如，低频子图像和/或高频子图像可能已经基于图9-C所示的权值变换进行了变换。再例如，低频子图像和/或高频子图像可以如图2-A和图2-B所示线性或非线性地增强。再例如，可以对低频子图像和/或高频子图像进行去噪。再例如，低频子图像和/或高频子图像可能已经通过一个或多个内插过程被变换(例如，子图像可能已被升采样单元203-4升采样)。在一些实施例中，可以通过本申请中示出的一个或多个变换过程来变换低频子图像和/或高频子图像。
在一些实施例中，可以从分解模块202、变换模块203、存储器140、输入/输出设备150或者外部数据存储设备通过网络160获得(变换后)低频子图像和(变换后)高频子图像。
在1102中，可以基于在1101中获取的(变换后)低频子图像和(变换后)高频子图像重构合成图像。操作1102可以由重构模块204执行。在一些实施例中，重构后的合成图像可以对应于目标图像(例如，初始图像、初始图像的感兴趣区域、感兴趣区域图像、在图像处理过程中生成的任何图像等，或其任何组合)。在一些实施例中，合成图像可以是增强后的目标图像、压缩后的目标图像、变换后的目标图像等，或其任何组合。例如，与目标图像相比，合成图像可以具有改善的对比度、增强的细节、更明显的边缘等，或其任何组合。
在一些实施例中，1102可以基于一个或多个重构算法来执行。重构算法可以包括分析重构算法、迭代重构算法等，或其任何组合。分析重构算法可以包括滤波反投影(FBP)算法、反投影过滤(BFP)算法、ρ过滤层图等。迭代重构算法可以包括有序子集期望最大化(OSEM)算法、最大似然期望最大化(MLEM)算法等。
在一些实施例中，可以通过叠加(变换后)低频子图像和(变换后)高频子图像来重构合成图像。例如，(变换后)低频子图像中的元素的灰度值可以与(变换后)高频子图像中的相同元素的灰度值相加，并且可以获得合成图像。
在一些实施例中，可以基于对应于分解算法的重构算法来重构合成图像。例如，如果使用小波变换生成(变换后)低频子图像和(变换后)高频子图像，则可以使用逆小波变换来重构合成图像。在一些实施例中，合成图像可以进一步用于后续的重构过程。例如，在1102中与子图像一起生成的合成图像可以进一步用于重构新的合成图像。在一些实施例中，如图11-B和图11-C所示，可以基于两个或更多个层来重构合成图像。在一些实施例中，合成图像可以被发送到图像获取模块201、分解模块202、变换模块203、存储140、网络160等，或其任何组合。
图11-B是根据本申请的一些实施例所示的重构由第二分解产生的第L’层的低频子图像的示例性过程的流程图。该过程可以包括增强子图像1111，以及重构子图像1112。应理解，根据本申请的一些实施例，图11-B所示的过程可以适用于重构从第一分解生成的第L’层的低频子图像。
在1111中，可以增强从第二分解产生的第(L’+1)层到第(L’+N)层的高频子图像。在一些实施例中，可以基于一种或多种增强技术来增强高频子图像。增强技术可包括利用形态学算子进行滤波，直方图均衡化，使用例如维纳滤波技术的噪声去除，线性或非线性对比度调整、中值滤波、非锐化掩模滤波、对比度限制自适应直方图均衡(CLAHE)、去相关拉伸等，或其任何组合。在一些实施例中，增强技术可以指线性/非线性增强。在一些实施例中，线性增强可以包括最大-最小对比技术、百分比对比技术和分段对比技术等，或其任何组合。非线性增强可以包括直方图均衡化、自适应直方图均衡化、同态滤波技术、非锐化掩模等或其任意组合。在一些实施例中，增强技术可以包括灰度值变换(如图5-B所示)，权重变换(图9-C)等，或其任何组合。在一些实施例中，可以通过线性/非线性增强来增强从第二分解产生的从第(L’+1)层到第(L’+N)层的高频子图像。例如，可以通过最大值-最小值对比技术来增强从第二次分解产生的第(L’+1)层的高频子图像。在一些实施例中，可以使用不同技术来增强从第(L’+1)层到第(L’+N)层的高频子图像。
在1112中，可以重构从第二分解生成的第L’层的低频子图像。在一些实施例中，可以基于在1111中增强后的从第(L’+1)层到第(L’+N)层的高频子图像来重构从第二分解生成的第L’层的低频子图像。在一些实施例中，第(L’+N)层的增强后的高频子图像和第(L’+N)层的低频子图像可用于重构(L’+N-1)层的低频子图像。第(L’+N-1)层的重构后的低频子图像和第(L’+N-1)层的增强后的高频子图像可用于重构第(L’+N-2)层的低频子图像。因此，重构后的第(L’+1)层的低频子图像和增强后的第(L’+1)层的高频子图像可用于重构第L’的低频子图像。例如，如果L’等于3并且N等于2，则可以基于第五层的低频子图像和第五层的增强后的高频子图像来重构第四层的低频子图像。然后，可以基于第四层的重构后的低频子图像和第四层的增强后的高频子图像来重构第三层的低频子图像。在一些实施例中，第L’层的低频子图像可以进一步用于通过重构模块204重构合成图像。图11-C示出了示例性过程。应当注意，在一些实施例中，在1111和/或1112中，可以在重构之前和/或之后增强从第(L’+1)层到第(L’+N)层的低频子图像。
图11-C是根据本申请的一些实施例所示的基于由第一分解产生的L层来重构合成图像的示例性过程的流程图。该过程可以包括用于更新子图像的1121，用于重构子图像的一个或多个操作(例如，1122，1123等)，以及用于重构合成图像的1124。在一些实施例中，第一分解和对应的重构可以改善目标图像的细节信息。在一些实施例中，第二分解和对应的重构可以改善目标图像的边缘信息。使用第一分解的子图像和第二分解的子图像的重构可以相应地改善目标图像的细节信息和边缘信息，和/或增强目标图像的对比度。此外，可以通过变换第一分解和/或第二分解的子图像来减少目标图像的伪影。
在1121中，可以更新从第一次分解生成的第L层的低频子图像。在一些实施例中，可以基于从第二分解生成的第L’层的低频子图像来更新第L层的低频子图像(如图11-B所示)。在一些实施例中，从第一分解产生的第L层的低频子图像可以由从第二分解产生的第L’层的(变换后)低频子图像代替。在一些实施例中，L可以等于L'。在一些实施例中，可以从相同的目标图像导出从第一分解生成的子图像和从第二分解生成的子图像。在一些实施例中，可以通过变换来更新第L层的低频子图像。在一些实施例中，可以进一步变换第L层的更新后的低频子图像。变换技术可以包括灰度值变换、权重变换、线性/非线性增强、升采样等，或其任何组合。例如，可以使用双线性内插对L层的更新后的低频子图像进行升采样。在一些实施例中，第L层的更新后的低频子图像可以用于在1122中重构第(L-1)层的低频子图像。
在1122中，可以更新从第一分解产生的第(L-1)层的低频子图像。在一些实施例中，可以基于从第一分解生成的第L层的更新后的低频子图像和第L层的高频子图像重构第(L-1)层的低频子图像。在一些实施例中，可以通过升采样单元203-4对第L层的更新后的低频子图像进行升采样。在一些实施例中，可以进一步变换第(L-1)层的更新后的低频子图像。例如，可以通过升采样单元203-4对第(L-1)层的低频子图像进行升采样。
在1123中，可以更新从第一分解生成的第(L-2)层的低频子图像。在一些实施例中，可以基于从第一分解生成的第(L-1)层的更新后的低频子图像和第(L-1)的高频子图像重构第(L-2)层的低频子图像。在一些实施例中，可以进一步变换第(L-2)层的更新后的低频子图像。例如，可以通过升采样单元203-4对第(L-2)层的低频子图像进行升采样。
类似地，可以更新从第一分解生成的第一层的低频子图像。在一些实施例中，可以进一步变换第一层的更新后的低频子图像。基于从第一分解生成的第一层的更新后的低频子图像和第一层的高频子图像重构合成图像。
应当注意，可以在1123和1124之间添加用于更新从第一分解生成的不同层的低频子图像的一个或多个操作。在一些实施例中，可以在更新操作之前或之后变换第一层到第L层的一个或多个高频子图像。
出于说明目的，可以在下面描述示例性过程。应该注意，下面的描述仅仅是一个例子，不应该被理解为唯一的实施例。对于本领域技术人员来说，在理解了操作的基本原理之后，流程图可以在不背离原理的情况下被修改或改变。这些修改和改变仍然在上述当前申请的范围内。
在一些实施例中，目标图像可以通过拉普拉斯变换分解为3层，并且目标图像可以通过小波变换分解为5层。可以通过由小波变换生成的第三层的低频子图像来更新由拉普拉斯变换生成的第三层的低频子图像。
仅作为示例，可以使用双线性内插来变换由小波变换生成的第五层的低频子图像；可以使用非线性增强来变换由小波变换生成的第五层的高频子图像。可以基于第五层的变换后的低频子图像和第五层的变换后的高频子图像来重构第四层的低频子图像。可以使用双线性内插来变换第四层的重构后的低频子图像。可以使用非线性增强来变换通过小波变换生成的第四层的高频子图像。可以基于第四层的变换后的低频子图像和第四层的变换后的高频子图像来重构第三层的低频子图像。
由拉普拉斯变换生成的第三层的低频子图像可以由通过小波变换生成的第三层的重构后的低频子图像代替。由拉普拉斯变换生成的第三层的更新后的低频子图像可以进一步用于更新由拉普拉斯变换生成的第二层和第一层的子图像。
仅作为示例，可以使用双线性内插来变换由拉普拉斯变换生成的第三层的更新后的低频子图像；可以使用非线性增强来变换由拉普拉斯变换生成的第三层的高频子图像。第三层的变换后的低频子图像和第三层的变换后的高频子图像可以用于重构第二层的低频子图像。可以使用双线性内插来变换第二层的更新后的低频子图像。可以使用非线性增强来变换由拉普拉斯变换生成的第二层的高频子图像。第二层的变换后的低频子图像和第二层的变换后的高频子图像可用于重构第一层的低频子图像。可以使用双线性内插来变换第一层的更新后的低频子图像。可以使用非线性增强来变换由拉普拉斯变换生成的第一层的高频子图像。第一层的变换后的低频子图像和第一层的变换后的高频子图像可以用于重构合成图像。
在一些实施例中，可以组合由拉普拉斯变换生成的L层中的信息和由小波变换生成的L’+N层中的信息。可以基于后续层中的低频子图像和后续层中的增强后的高频子图像来重构通过小波变换生成的第L层的低频子图像。由拉普拉斯变换生成的第L层的更新后的低频子图像和第一层到第L层的增强后的高频子图像可以用于重构增强后的图像。因此，可以增强目标图像中的细节和/或边缘。
在一些实施例中，可以在重构由小波变换和/或拉普拉斯变换生成的不同层的低频子图像中使用不同的内插算法。结果，可以增强图像对比度，并且可以从增强后的图像中去除伪像。因此，可以改善图像质量。
在一些实施例中，可以基于权重变换来更新一个或多个高频子图像。在一些实施例中，可以通过增强单元203-3来增强一个或多个高频子图像，和/或基于去噪算法对其进行去噪。例如，可以使用高斯滤波对层的高频子图像进行去噪。去噪后的高频子图像可以用于重构低频子图像。
应注意，关于图像获取，图像分解，图像变换和图像重构的以上描述仅用于说明目的。对于本领域技术人员而言，在理解了操作的基本原理之后，可以在不脱离原理的情况下修改，组合或改变处理过程。这些修改，组合或改变仍然在上述当前申请的范围内。以下描述示例性过程。
首先，可以从胸部的CT图像生成乳房图像。如图3-B所示，可以从CT图像中提取乳房区域，可以从CT图像中提取乳房边缘，并且可以基于乳房区域和乳房边缘生成乳房图像。
其次，乳房图像可以被分解为低频子图像和高频子图像。低频子图像可以包括关于乳房边缘的信息。
再次，可以使用灰度值变换来变换乳房图像的低频子图像。在一些实施例中，在用于产生胸部的CT图像的过程期间，可以按压乳房。被按压的乳房的厚度可能是不均匀的，并且乳房图像中的灰度值可能是不均匀的。例如，乳房边缘的元素的亮度可以比邻近乳房边缘的区域的亮度更暗。乳房边缘的元素的灰度值可以接近背景的灰度值。使用图5-B中所示的灰度值变换技术，可以改善乳房图像的图像质量。如图5-B所示，可以基于低频子图像确定特征曲线。在一些实施例中，特征曲线可以分成N段。在一些实施例中，可以基于划分的N个特征曲线段来确定变换曲线段。然后，可以基于变换曲线段生成变换曲线。在一些实施例中，可以基于变换曲线更新低频子图像的预设区域中的元素的灰度值。预设区域可以指元素的距离在预设值内的区域。预设区域中的灰度值可以接近邻域中的灰度值。
最后，更新后的低频子图像和高频子图像可用于重构合成乳房图像。合成乳房图像中的元素的灰度值可以是均匀的，并且乳房的厚度可以是均匀的。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应当强调并注意的是，本申请中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件实施、可以完全由软件(包括固件、常驻软件、微代码等)实施、也可以由硬件和软件组合实施。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，申请专利范围的特征要少于上述披露的单个实施例的全部特征。
在一些实施方案中，用于描述和要求本申请的某些实施方案的表示成分的量，性质如分子量，反应条件等的数字应理解为在某些情况下通过术语“约，“近似”或“基本上”。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
本申请中提及的所有专利、专利申请、专利申请公布和其他材料，例如论文、书籍、说明书、出版物、文件、事物等，均在此通过引用的方式全部并入本申请以达到所有目的，与本文件相关的任何起诉文档记录、与本文件不一致或冲突的任何文件或迟早对本文件相关的权利要求书的最广泛范畴有限定作用的任何文件除外。举例来说，如果在描述，定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突，则描述，定义和/或在本文件中使用的术语以本文件为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种图像处理方法，在至少一台机器上实施，每台所述机器具有至少一个处理器和存储器，所述方法包括：
获取目标图像，所述目标图像包括多个元素，所述元素与像素或体素对应；
将所述目标图像分解为至少一层，所述至少一层包括低频子图像和高频子图像，所述低频子图像包括预设区域，所述预设区域包括多个灰度值；
变换所述至少一层，包括变换所述预设区域的所述多个灰度值；以及
将所述变换后的层重构为合成图像；
其中，所述变换所述预设区域的所述多个灰度值包括：
确定所述低频子图像中的参考边缘；
基于所述低频子图像确定特征曲线，所述特征曲线表示距离与所述距离对应的灰度值之间的关系，其中所述距离是指所述低频子图像中第一元素与所述参考边缘中第二元素之间的距离，所述第一元素对应于所述第二元素，其中所述灰度值基于所述多个灰度值确定；
基于所述特征曲线确定变换曲线，所述变换曲线表示变换前的灰度值与变换后的灰度值之间的关系；以及
基于所述变换曲线更新所述预设区域的所述多个灰度值。
2.如权利要求1所述的方法，所述获取目标图像包括：
获取初始图像；
基于所述初始图像提取感兴趣区域ROI；
基于所述初始图像提取感兴趣区域边缘；以及
基于所述感兴趣区域和所述感兴趣区域边缘确定感兴趣区域图像作为所述目标图像。
3.如权利要求1所述的方法，所述确定变换曲线包括：
将所述特征曲线分为N个特征曲线段；
基于所述N个特征曲线段确定N个变换曲线段，其中一个特征曲线段对应于一个变换曲线段；以及
基于所述N个变换曲线段生成所述变换曲线。
4.如权利要求3所述的方法，所述确定N个变换曲线段包括：
对于所述N个变换曲线段的第x个变换曲线段，
基于所述特征曲线中预设点的灰度值，第x个特征曲线段的初始点的灰度值和所述第x个特征曲线段的终点的灰度值计算所述第x个变换曲线段的斜率，所述第x个特征曲线段对应于所述第x个变换曲线段，其中x是整数，1≤x≤N；
确定所述第x个变换曲线段中初始点的灰度值，包括：
如果x＝1，则将所述第x个特征曲线段中所述初始点的灰度值指定为所述第x个变换曲线段中所述初始点的灰度值；以及
如果1<x≤N，则基于所述第(x-1)个变换曲线段的所述初始点的灰度值和所述第(x-1)个特征曲线段的灰度变化量确定所述第x个变换曲线段中所述初始点的灰度值。
5.如权利要求3所述的方法，还包括：
确定所述特征曲线的灰度区间，在所述灰度区间中，至少一个灰度值要被变换，所述灰度区间对应于所述特征曲线的一部分；以及
将所述灰度区间的最大值或最小值指定为所述特性曲线中的所述预设点的灰度值。
6.如权利要求1所述的方法，所述高频子图像包括多个元素，并且所述变换所述至少一层包括：
生成所述高频子图像的权值图，所述权值图包括与所述多个元素对应的多个权重；以及
基于所述权值图更新所述高频子图像。
7.如权利要求6所述的方法，所述高频子图像包括第一类元素和第二类元素，并且所述生成所述权值图包括：
确定所述高频子图像中所述第一类元素的灰度区间；
基于所述第一类元素的所述灰度区间，确定所述高频子图像中所述第二类元素的灰度区间；
将所述第一类元素的所述灰度区间映射至[0,1]；
基于所述第一类元素的所述映射后的灰度区间，确定所述第一类元素的权值；
将所述第二类元素的所述灰度区间映射至(1，G]，其中G是预设值；
基于所述第二类元素的所述映射后的灰度区间，确定所述第二类元素的权值；以及
基于所述第一类元素的权值和所述第二类元素的权值，生成所述权值图。
8.如权利要求7所述的方法，所述确定所述第一类元素的灰度区间包括：
基于灰度阈值确定所述第一类元素的初始灰度区间；
修改所述第一类元素的所述初始灰度区间；以及
基于所述第一类元素的所述修改后的灰度区间，调整所述第一类元素的所述初始灰度区间。
9.一种图像处理系统，包括：
图像获取模块，用于获取目标图像，所述目标图像包括多个元素，所述元素与像素或体素对应；
分解模块，用于将所述目标图像分解为至少一层，所述至少一层包括低频子图像和高频子图像，所述低频子图像包括预设区域，所述预设区域包括多个灰度值；
变换模块，用于变换所述至少一层，包括变换所述预设区域的所述多个灰度值；以及
重构模块，用于将所述变换后的层重构为合成图像；
其中，为了变换所述预设区域的所述多个灰度值，所述变换模块进一步用于：
确定所述低频子图像中的参考边缘；
基于所述低频子图像确定特征曲线，所述特征曲线表示距离与所述距离对应的灰度值之间的关系，其中所述距离是指所述低频子图像中第一元素与所述参考边缘中第二元素之间的距离，所述第一元素对应于所述第二元素，其中所述灰度值基于所述多个灰度值确定；
基于所述特征曲线确定变换曲线，所述变换曲线表示变换前的灰度值与变换后的灰度值之间的关系；以及
基于所述变换曲线更新所述预设区域的所述多个灰度值。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-8中任一项所述的方法。
CN202210868915.9A 2015-12-31 2016-12-29 一种图像处理方法和系统 Pending CN115049563A (zh)

Applications Claiming Priority (10)

Application Number Priority Date Filing Date Title
CN201511027401.7A CN105678750B (zh) 2015-12-31 2015-12-31 医学图像的灰度映射曲线生成方法及装置
CN201511027173.3A CN105701796B (zh) 2015-12-31 2015-12-31 乳房图像的厚度均衡方法及装置、乳房摄影系统
CN2015110271733 2015-12-31
CN2015110274017 2015-12-31
CN2016105107907 2016-07-01
CN201610510790.7A CN106127712B (zh) 2016-07-01 2016-07-01 图像增强方法及装置
CN201610584749.4A CN106228520B (zh) 2016-07-22 2016-07-22 图像增强方法及装置
CN2016105847494 2016-07-22
PCT/CN2016/113079 WO2017114473A1 (en) 2015-12-31 2016-12-29 Methods and systems for image processing
CN201680083009.0A CN108780571B (zh) 2015-12-31 2016-12-29 一种图像处理方法和系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201680083009.0A Division CN108780571B (zh) 2015-12-31 2016-12-29 一种图像处理方法和系统

Publications (1)

Publication Number Publication Date
CN115049563A true CN115049563A (zh) 2022-09-13

Family

ID=59224586

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680083009.0A Active CN108780571B (zh) 2015-12-31 2016-12-29 一种图像处理方法和系统
CN202210868915.9A Pending CN115049563A (zh) 2015-12-31 2016-12-29 一种图像处理方法和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201680083009.0A Active CN108780571B (zh) 2015-12-31 2016-12-29 一种图像处理方法和系统

Country Status (7)

Country Link
US (4) US10290108B2 (zh)
EP (2) EP3920133A1 (zh)
CN (2) CN108780571B (zh)
BR (1) BR112018013602A2 (zh)
GB (1) GB2548767B (zh)
RU (1) RU2705014C1 (zh)
WO (1) WO2017114473A1 (zh)

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203983B (zh) * 2016-03-17 2024-03-22 通用电气公司 用于减少x射线图像中的栅线伪影的方法及系统
US10074162B2 (en) * 2016-08-11 2018-09-11 Intel Corporation Brightness control for spatially adaptive tone mapping of high dynamic range (HDR) images
US11039807B2 (en) * 2016-12-19 2021-06-22 Koninklijke Philips N.V. System and method for dark-field-imaging
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
US10949950B2 (en) * 2017-06-14 2021-03-16 Shanghai United Imaging Healthcare Co., Ltd. System and method for image processing
US10751548B2 (en) * 2017-07-28 2020-08-25 Elekta, Inc. Automated image segmentation using DCNN such as for radiation therapy
CN108053371B (zh) * 2017-11-30 2022-04-19 努比亚技术有限公司 一种图像处理方法、终端及计算机可读存储介质
CN108961171B (zh) * 2018-05-17 2020-12-22 苏州高新区人民医院 一种乳腺dti图像去噪方法
WO2020000333A1 (en) * 2018-06-29 2020-01-02 SZ DJI Technology Co., Ltd. Image processing method and apparatus
US10878541B2 (en) * 2018-09-20 2020-12-29 Gopro, Inc. Object aware local tone mapping
CN109360162A (zh) * 2018-09-21 2019-02-19 浙江工业大学之江学院 基于bitonic滤波与分解框架的医学超声图像去噪方法
JP7053102B2 (ja) * 2018-09-27 2022-04-12 富士フイルム株式会社 情報処理装置とその作動プログラムおよび作動方法、並びに乳房撮影装置
CN109727297B (zh) * 2018-12-29 2023-08-08 上海联影医疗科技股份有限公司 医学图像重建方法、系统、可读存储介质和设备
US11037280B2 (en) * 2019-03-12 2021-06-15 GE Precision Healthcare LLC System and method for simulating bilateral injection of contrast agent into a patient
CN110995549B (zh) * 2019-03-19 2021-09-03 上海越安建筑安装工程有限公司 通信组件开关控制系统
CN110020999B (zh) * 2019-04-15 2023-03-14 中科和光（天津）应用激光技术研究所有限公司 一种基于同态滤波的非制冷红外热像自适应映射方法
CN110136052B (zh) * 2019-05-08 2023-11-28 北京市商汤科技开发有限公司 一种图像处理方法、装置和电子设备
US20220100985A1 (en) * 2019-05-10 2022-03-31 Academia Sinica Dynamic data correction method and apparatus for generating a high-resolution spectrum
CN110120056B (zh) * 2019-05-21 2021-08-10 闽江学院 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN110136089B (zh) * 2019-05-23 2021-04-23 大连理工大学 一种人类胚胎心脏超声图像增强方法
WO2020238819A1 (en) * 2019-05-24 2020-12-03 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN110211081B (zh) * 2019-05-24 2023-05-16 南昌航空大学 一种基于图像属性和引导滤波的多模医学图像融合方法
CN110544250B (zh) * 2019-09-06 2022-09-13 上海联影医疗科技股份有限公司 一种医学图像处理方法和系统
WO2020264212A1 (en) * 2019-06-25 2020-12-30 Kerr Avionics Llc Instrument qualified visual range (iqvr) image processing artifact mitigation
KR20210017185A (ko) * 2019-08-07 2021-02-17 한국전자통신연구원 심층 신경망을 기반으로 영상의 압축 포아송 잡음을 제거하는 방법 및 장치
US11087444B2 (en) * 2019-08-09 2021-08-10 The Boeing Company Field programmable gate array (FPGA) implementation and optimization of augmented contrast limited adaptive histogram equalization
US11069034B2 (en) * 2019-09-06 2021-07-20 Adobe Inc. Method and system to enhance quality of digital images
CN110956381A (zh) * 2019-11-22 2020-04-03 黑龙江省农业科学院农业遥感与信息研究所 一种远程农业信息智能分析系统及农业环境调控方法
TWI724705B (zh) 2019-12-20 2021-04-11 財團法人工業技術研究院 工作件之設計圖像的補償方法及處理系統
CN111161182B (zh) * 2019-12-27 2021-03-09 南方医科大学 Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法
US11151732B2 (en) * 2020-01-16 2021-10-19 Siemens Healthcare Gmbh Motion correction of angiography images for 3D reconstruction of coronary arteries
CN111408546B (zh) * 2020-03-11 2022-09-16 武汉工程大学 一种基于激光扫描成像的矿石检测方法和系统
CN113673270B (zh) * 2020-04-30 2024-01-26 北京达佳互联信息技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111832571B (zh) * 2020-07-09 2021-03-05 哈尔滨市科佳通用机电股份有限公司 一种货车制动梁支柱故障自动检测方法
CN111933082B (zh) * 2020-09-03 2022-11-29 京东方科技集团股份有限公司 改善低灰阶画质的方法及显示装置
WO2022051775A1 (en) 2020-09-04 2022-03-10 Abova, Inc. Method for x-ray dental image enhancement
EP4182882A1 (en) * 2020-09-22 2023-05-24 Boston Scientific Scimed, Inc. Image processing systems and methods of using the same
CN112419213B (zh) * 2020-10-23 2023-09-15 广西电网有限责任公司电力科学研究院 一种sf6红外图像增强方法及系统
CN112634150A (zh) * 2021-03-08 2021-04-09 哈尔滨理工大学 一种基于fpga的红外夜视图像增强方法
CN113066035A (zh) * 2021-03-19 2021-07-02 桂林理工大学 一种基于双线性插值和小波变换的图像质量增强方法
CN113128372B (zh) * 2021-04-02 2024-05-07 西安融智芙科技有限责任公司 基于图像处理的黑头识别方法、黑头识别装置及终端设备
CN117597597A (zh) * 2021-04-12 2024-02-23 深圳市速腾聚创科技有限公司 信号处理方法、装置及可读存储介质
US11798136B2 (en) 2021-06-10 2023-10-24 Bank Of America Corporation Automated teller machine for detecting security vulnerabilities based on document noise removal
CN113516193B (zh) * 2021-07-19 2024-03-01 中国农业大学 基于图像处理的红枣缺陷识别分类方法及装置
CN113660444A (zh) * 2021-10-19 2021-11-16 杭州太美星程医药科技有限公司 图像生成方法及装置
CN114140426B (zh) * 2021-11-29 2023-05-26 广州海谷电子科技有限公司 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法
US11798151B1 (en) * 2022-04-25 2023-10-24 Rivian Ip Holdings, Llc Systems and methods for determining image capture degradation of a camera sensor
CN115588010B (zh) * 2022-12-09 2023-06-02 滨州华然化纤绳网有限公司 一种用于无纺布的表面缺陷检测方法
CN116665615B (zh) * 2023-07-27 2023-11-14 深圳市安立信电子有限公司 一种医用显示器控制方法、系统、设备及其存储介质

Family Cites Families (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5164993A (en) * 1991-11-25 1992-11-17 Eastman Kodak Company Method and apparatus for automatic tonescale generation in digital radiographic images
IL119767A (en) * 1993-08-13 1998-02-08 Sophis View Tech Ltd System and method for diagnosis of living tissue diseases
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
US5572565A (en) 1994-12-30 1996-11-05 Philips Electronics North America Corporation Automatic segmentation, skinline and nipple detection in digital mammograms
US5889882A (en) * 1996-03-21 1999-03-30 Eastman Kodak Company Detection of skin-line transition in digital medical imaging
US6236751B1 (en) * 1998-09-23 2001-05-22 Xerox Corporation Automatic method for determining piecewise linear transformation from an image histogram
JP3754933B2 (ja) * 2001-06-19 2006-03-15 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、プログラム及び記憶媒体
EP1345170B1 (en) * 2002-02-22 2005-01-12 Agfa-Gevaert N.V. Noise reduction method.
CN1244885C (zh) 2003-08-21 2006-03-08 上海交通大学 基于局部统计特性和彩色空间变换的遥感影像融合方法
KR101030839B1 (ko) * 2003-09-11 2011-04-22 파나소닉 주식회사 시각 처리 장치, 시각 처리 방법, 시각 처리 프로그램,집적 회로, 표시 장치, 촬영 장치 및 휴대 정보 단말
CN1254770C (zh) * 2004-05-13 2006-05-03 上海交通大学 基于期望值最大与离散小波框架的图像融合方法
WO2006106919A1 (ja) * 2005-03-31 2006-10-12 Nikon Corporation 画像処理方法
CN100405400C (zh) 2005-06-27 2008-07-23 同方威视技术股份有限公司 一种辐射成像中图像信息增强的方法
CN1333585C (zh) 2005-09-14 2007-08-22 上海广电（集团）有限公司中央研究院 一种基于最大最小值进行动态视频层次处理的方法
CN100510725C (zh) * 2006-11-14 2009-07-08 北京国药恒瑞美联信息技术有限公司 用于消除散射辐射影响的虚拟滤线栅成像方法及其系统
CN100461218C (zh) 2007-03-29 2009-02-11 杭州电子科技大学 多尺度自适应对比度变换的医学图像增强方法
CN101201937B (zh) 2007-09-18 2012-10-10 上海医疗器械厂有限公司 基于小波重构与分解的数字图像增强方法及其装置
DE102007057013A1 (de) * 2007-11-23 2009-05-28 Image Diagnost International Gmbh Verfahren und Vorrichtung zur Verarbeitung digitaler Mammogramme
KR101408255B1 (ko) 2007-11-28 2014-06-16 엘지디스플레이 주식회사 콘트라스트 개선 장치 및 방법
CN100557633C (zh) * 2007-12-18 2009-11-04 西安电子科技大学 基于梳状波和拉普拉斯塔形分解的多源图像融合方法
CN101211459A (zh) 2007-12-21 2008-07-02 上海广电集成电路有限公司 一种针对边界点进行处理的直方图均衡方法
CN101212560A (zh) 2007-12-21 2008-07-02 上海广电集成电路有限公司 逐点提高视频图像清晰度的处理方法
CN101919230B (zh) * 2007-12-25 2013-02-13 梅迪奇视觉-脑科技有限公司 降低图像噪声的方法
WO2009110260A1 (ja) * 2008-03-06 2009-09-11 コニカミノルタエムジー株式会社 画像処理装置
WO2009120830A1 (en) * 2008-03-27 2009-10-01 Tufts University Methods and apparatus for visual sub-band decomposition of signals
CN101276465B (zh) * 2008-04-17 2010-06-16 上海交通大学 广角图像自动拼接方法
CN101308566B (zh) * 2008-06-02 2011-06-29 西安电子科技大学 基于contourlet变换抗几何攻击数字图像水印方法
US20100142790A1 (en) * 2008-12-04 2010-06-10 New Medical Co., Ltd. Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same
CN101430759B (zh) * 2008-12-04 2010-11-17 上海大学 优化的人脸识别预处理方法
JP5753791B2 (ja) * 2008-12-25 2015-07-22 メディック ビジョン イメージング ソルーション リミティッド ノイズ除去された所定の解像度の医療画像を提供する方法、所定の解像度のノイズ除去された所定の解像度の医療画像を提供するシステム
US9002134B2 (en) * 2009-04-17 2015-04-07 Riverain Medical Group, Llc Multi-scale image normalization and enhancement
CN101609549B (zh) 2009-07-24 2011-08-10 河海大学常州校区 视频模糊图像的多尺度几何分析超分辨处理方法
CN101630405B (zh) * 2009-08-14 2011-10-12 重庆市勘测院 一种利用核Fisher分类与冗余小波变换的多聚焦图像融合方法
JP5527512B2 (ja) * 2009-09-28 2014-06-18 ソニー株式会社 バスプロトコル変換装置及びバスプロトコル変換方法
CN101739671B (zh) * 2009-12-30 2012-11-28 中兴通讯股份有限公司 一种含噪图像的降噪处理方法及系统
US9307958B2 (en) * 2010-08-05 2016-04-12 Kabushiki Kaisha Toshiba Ultrasonic diagnostic apparatus and an ultrasonic image processing apparatus
CN101944230B (zh) * 2010-08-31 2012-03-28 西安电子科技大学 基于多尺度的自然图像非局部均值去噪方法
US8634630B2 (en) * 2010-10-07 2014-01-21 Texas Instruments Incorporated Method and apparatus for enhancing representations of micro-calcifications in a digital mammogram image
CN101968883B (zh) 2010-10-28 2012-08-29 西北工业大学 一种基于小波变换和邻域特征的多聚焦图像融合方法
CN102176741A (zh) * 2011-01-06 2011-09-07 西北工业大学 星空图像中帧转移型ccd传感器拖尾亮线消除方法
CN102156963A (zh) * 2011-01-20 2011-08-17 中山大学 一种混合噪声图像去噪方法
KR101453711B1 (ko) 2011-04-15 2014-10-22 이미지레콘, 엘엘씨 반복적 영상 재구성에서 픽손 맵을 결정하는 방법
CN102254305B (zh) 2011-06-30 2013-01-23 西安电子科技大学 基于三字典块匹配的图像复原方法
CN102324021B (zh) 2011-09-05 2013-03-13 电子科技大学 一种基于剪切波变换的红外弱小目标检测方法
CN102999884B (zh) * 2011-09-16 2015-11-25 株式会社东芝 图像处理设备和方法
EA201200255A1 (ru) * 2012-02-22 2013-08-30 Закрытое Акционерное Общество "Импульс" Способ подавления шума цифровых рентгенограмм
US9324137B2 (en) 2012-10-24 2016-04-26 Marvell World Trade Ltd. Low-frequency compression of high dynamic range images
CN102982536B (zh) 2012-11-05 2015-07-22 华为技术有限公司 处理图像的方法和设备
CN103093441B (zh) * 2013-01-17 2015-09-30 西安电子科技大学 基于变换域的非局部均值和双变量模型的图像去噪方法
CN103077510B (zh) 2013-01-21 2015-03-04 中国计量学院 基于小波hmt模型的多变量压缩感知重构方法
CN103049898B (zh) 2013-01-27 2015-04-22 西安电子科技大学 带有薄云的多光谱和全色图像融合方法
CN104077796B (zh) * 2013-03-28 2017-01-18 北京京东方光电科技有限公司 一种将二维图像转换为三维图像的方法和装置
CN103606136B (zh) 2013-12-04 2016-05-25 西安电子科技大学 基于关键帧和非局部约束的视频超分辨方法
US9598011B2 (en) 2014-01-09 2017-03-21 Northrop Grumman Systems Corporation Artificial vision system
CN103996168B (zh) * 2014-01-21 2017-02-01 公安部第一研究所 一种基于区域自适应处理的x射线安全检查图像增强方法
CN104899849B (zh) 2014-01-21 2019-06-18 武汉联影医疗科技有限公司 一种多目标交互式图像分割方法和装置
CN104182939B (zh) * 2014-08-18 2017-02-15 成都金盘电子科大多媒体技术有限公司 一种医疗影像图像细节增强方法
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
CN104268840A (zh) 2014-09-30 2015-01-07 成都市晶林科技有限公司 一种红外图像直方图去冗余的灰度等间距映射的增强方法
CN104367316B (zh) 2014-11-13 2016-09-14 重庆邮电大学 基于形态学滤波与提升小波变换的心电信号去噪方法
CN104574361B (zh) 2014-11-27 2017-12-29 沈阳东软医疗系统有限公司 一种乳腺外周组织均衡的图像处理方法和装置
CN104616255B (zh) 2015-01-11 2018-01-19 北京工业大学 基于乳腺x线图像的自适应增强方法
CN104615877A (zh) 2015-01-28 2015-05-13 辽宁工程技术大学 一种基于小波包进行信号去噪的方法
CN104992426B (zh) * 2015-07-15 2018-04-20 中国科学院广州生物医药与健康研究院 一种用于明场显微成像的多层图像融合算法
CN105046651B (zh) * 2015-08-04 2019-07-02 深圳信息职业技术学院 一种图像的超分辨率重构方法和装置
WO2017054775A1 (en) * 2015-09-30 2017-04-06 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a breast region in a medical image
CN105225210B (zh) 2015-10-14 2018-03-02 南京第五十五所技术开发有限公司 一种基于暗通道的自适应直方图增强去雾方法
CN106127712B (zh) * 2016-07-01 2020-03-31 上海联影医疗科技有限公司 图像增强方法及装置
CN106228520B (zh) * 2016-07-22 2019-10-22 上海联影医疗科技有限公司 图像增强方法及装置
CN105678750B (zh) * 2015-12-31 2018-06-19 上海联影医疗科技有限公司 医学图像的灰度映射曲线生成方法及装置
CN105701796B (zh) * 2015-12-31 2018-09-18 上海联影医疗科技有限公司 乳房图像的厚度均衡方法及装置、乳房摄影系统
CN105931201B (zh) 2016-04-20 2019-03-08 北京航空航天大学 一种基于小波变换的图像主观视觉效果增强方法
CN106780392B (zh) * 2016-12-27 2020-10-02 浙江大华技术股份有限公司 一种图像融合方法及装置

Also Published As

Publication number Publication date
US20240185425A1 (en) 2024-06-06
BR112018013602A2 (pt) 2019-04-09
CN108780571B (zh) 2022-05-31
EP3920133A1 (en) 2021-12-08
WO2017114473A1 (en) 2017-07-06
EP3398159A4 (en) 2018-12-05
US20190333223A1 (en) 2019-10-31
RU2705014C1 (ru) 2019-11-01
EP3398159B1 (en) 2021-05-19
GB2548767B (en) 2018-06-13
US20170301095A1 (en) 2017-10-19
EP3398159A1 (en) 2018-11-07
US20210327072A1 (en) 2021-10-21
RU2019134059A (ru) 2019-12-16
US11880978B2 (en) 2024-01-23
US10290108B2 (en) 2019-05-14
GB2548767A (en) 2017-09-27
CN108780571A (zh) 2018-11-09
GB201710525D0 (en) 2017-08-16
US11049254B2 (en) 2021-06-29

Similar Documents

Publication Publication Date Title
CN108780571B (zh) 一种图像处理方法和系统
US11232543B2 (en) System and method for image correction
US20200360730A1 (en) System and method for diagnostic and treatment
US11562469B2 (en) System and method for image processing
US10643319B2 (en) Apparatus and method for context-oriented blending of reconstructed images
CN112424835B (zh) 用于图像重建的系统和方法
CN110832540B (zh) 图像处理系统和方法
CN106815813B (zh) 用于处理多能量计算机断层扫描图像数据集的方法和图像数据处理设备
US20220084305A1 (en) Systems and methods for image processing
Bhairannawar Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization
Al‐Ameen et al. A new algorithm for improving the low contrast of computed tomography images using tuned brightness controlled single‐scale Retinex
Pham Supervised restoration of degraded medical images using multiple-point geostatistics
US20230419455A1 (en) System and method for image correction
Dawood et al. The importance of contrast enhancement in medical images analysis and diagnosis
RU2797310C2 (ru) Способы и системы для обработки изображений
Yang et al. Generative low-dose CT image denoising

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