CN115623225A - 医学影像数据压缩系统及其压缩方法 - Google Patents

医学影像数据压缩系统及其压缩方法 Download PDF

Info

Publication number
CN115623225A
CN115623225A CN202211248878.8A CN202211248878A CN115623225A CN 115623225 A CN115623225 A CN 115623225A CN 202211248878 A CN202211248878 A CN 202211248878A CN 115623225 A CN115623225 A CN 115623225A
Authority
CN
China
Prior art keywords
medical image
edge
original
image data
pixel
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
CN202211248878.8A
Other languages
English (en)
Inventor
俞峰
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.)
Shenzhen Yunying Medical Technology Co ltd
Original Assignee
Shenzhen Yunying Medical Technology 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
Application filed by Shenzhen Yunying Medical Technology Co ltd filed Critical Shenzhen Yunying Medical Technology Co ltd
Priority to CN202211248878.8A priority Critical patent/CN115623225A/zh
Publication of CN115623225A publication Critical patent/CN115623225A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/63—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using sub-band based transform, e.g. wavelets

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像压缩技术领域，公开了一种医学影像数据压缩方法，包括：获取医学影像数据，并提取医学影像数据中的一张医学图像作为原医学图像；其中，医学影像数据中具有多张医学图像；对原医学图像进行第一编解码处理，得到边缘重构医学图像；对原医学图像进行第二编解码处理，得到重构医学图像；提取边缘重构医学图像、重构医学图像，以完成对原医学图像的压缩，并将其相加，得到恢复的原医学图像；遍历医学影像数据中每张医学图像，以完成对医学影像数据的压缩。本发明提供的医学影像数据压缩系统及其压缩方法，避免了纹理细节信息的丢失，同时减少诊断医师的工作量，提升诊断医师的诊断效率与准确率，减缓医学影像数据对存储空间的需求。

Description

医学影像数据压缩系统及其压缩方法
技术领域
本发明涉及图像压缩技术领域，特别涉及医学影像数据压缩系统及其压缩方法。
背景技术
医学影像是辅助临床医师对疾病进行诊断、治疗和分析愈后情况的重要依据。随着数字化医院的快速建设以及越来越先进的医学成像设备与技术的出现，每天在医院都会有大量的医学影像产生，这大大增加了医学影像数据的存储空间，也使得医学影像诊断医师的工作量大大增加，由此对大量的医学影像数据进行检索与压缩处理，然后压缩过程中会使得医学影像丢失纹理细节信息，进而使得医学影像无法复原，由于诊断医师对医学影像的诊断具有很大的主观性，图像的纹理细节信息又非常重要，会直接影响诊断医师的判断，因而医学影像无法复原容易导致误诊和漏诊情况的发生。
发明内容
本发明提供了一种医学影像数据压缩系统及其压缩方法，对原医学图像进行处理得到边缘重构医学图像和重构医学图像，组合边缘重构医学图像和重构医学图像即可恢复原医学图像，避免了纹理细节信息的丢失，同时减少诊断医师的工作量，提升诊断医师的诊断效率与准确率，减缓医学影像数据对存储空间的需求。
本发明提供了一种医学影像数据压缩方法，包括：
获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
对所述原医学图像进行第二编解码处理，得到重构医学图像；
提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
进一步地，所述对所述原医学图像进行第一编解码处理，得到边缘重构医学图像的步骤，包括：
对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像；
对所述边缘医学图像进行Huffman编码、Huffman解码，得到边缘重构医学图像。
进一步地，所述对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像的步骤，包括：
采用高斯滤波器对所述原医学图像进行平滑处理；
采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ；
提取平滑处理后的医学图像的一个像素，并将当前像素与正负梯度方向上的两个像素的梯度强度进行比较；
若当前像素大于正负梯度方向上的两个像素的梯度强度，则保留所述当前像素点作为边缘点；若当前像素小于等于正负梯度方向上的两个像素的梯度强度，则所述当前像素点被抑制，得到抑制后的医学图像；
对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像；其中，像素梯度值大于第一阈值的边缘像素为强边缘像素，像素梯度值大于第二阈值且小于第一阈值的边缘像素为弱边缘像素。
进一步地，所述采用高斯滤波器对所述原医学图像进行平滑处理的步骤中，公式为：
Figure BDA0003887108880000021
其中，σ为高斯滤波器的参数，f(x,y)为原医学图像，F(x,y)为经高斯函数平滑处理后的医学图像；
所述采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ的步骤中，公式为：
Figure BDA0003887108880000022
Figure BDA0003887108880000023
其中，Gx、Gy分别为平滑处理后的医学图像上的像素点在x和y方向上的梯度值。
进一步地，所述Gx、Gy的计算方式为：
在经高斯函数平滑处理后的医学图像x和y方向上的边缘算子包括：
Figure BDA0003887108880000024
将经高斯函数平滑处理后的医学图像中的一个3×3窗口矩阵记为
Figure BDA0003887108880000031
需要计算梯度的像素点为D，将窗口矩阵C和边缘算子Sx、Sy进行卷积操作，其公式为：
Gx＝Sx*C
Gy＝Sy*C
其中，*表示卷积运算。
进一步地，所述对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像的步骤，包括：
获取所述抑制后的医学图像的强边缘像素和弱边缘像素；
跟踪一个所述强边缘像素的图像，当遇到间断时，在弱边缘像素的图像相应位置的8邻域中搜索梯度值最大的边缘像素；
采用边缘连接将梯度值最大的边缘像素连接在所述强边缘像素的图像的间断点位置上，直到将所述强边缘像素的图像的间断点全部连接完成。
进一步地，所述对所述原医学图像进行第二编解码处理，得到重构医学图像的步骤，包括：
对所述原医学图像进行小波变换，得到小波系数；
对所述小波系数采用SPIHT算法进行编码，得到码流；其中，SPIHT算法采用空间方向树结构组织所述小波系数；
对所述码流进行Huffman编码，得到压缩码流；
对所述压缩码流进行Huffman解码、SPIHT解码、小波逆变换，得到所述重构图像。
本发明还提供了一种医学影像数据压缩系统，包括：
获取模块，用于获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
第一处理模块，用于对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
第二处理模块，用于对所述原医学图像进行第二编解码处理，得到重构医学图像；
提取模块，用于提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
遍历模块，用于遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明提取医学影像数据中的一张医学图像作为原医学图像，对原医学图像进行边缘检测，以提取图像的高频信息，获得原医学图像的边缘重构医学图像；然后，对原医学图像进行SPIHT编码，并用哈夫曼Huffman算法对SPIHT编码后的码流进行优化，依次经Huffman解码和小波逆变换后得到一幅重构医学图像，以完成对原医学图像的压缩，将该重构图像与前面获得的边缘图像进行相加以恢复原图像，图像边缘是图像中灰度变化显著的位置，具有高频特性，因此最大限度保留图像的高频信息，即纹理细节信息，有效避免了纹理细节信息的丢失，同时减少诊断医师的工作量，提升诊断医师的诊断效率与准确率，减缓医学影像数据对存储空间的需求。
附图说明
图1为本发明一实施例的方法流程示意图。
图2为本发明一实施例的装置结构示意图。
图3为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
对医学影像而言，图像的纹理细节信息非常重要，直接影响诊断医师的判断，因此在对医学图像进行压缩时，需要避免纹理细节信息的丢失。图像边缘时图像中灰度变化显著的位置，具有高频特性，图像中的纹理细节等高频信息在图像中占比小，为了在图像压缩过程中最大限度的保留图像的高频信息，如图1所示，本发明提供了一种医学影像数据压缩方法，包括：
S1、获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
S2、对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
步骤S2具体包括：
S21、对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像；
S211、采用高斯滤波器对所述原医学图像进行平滑处理；由于噪声点附近的梯度幅值较大，边缘检测算子容易将噪声像素误认为是边缘相似，因而进行平滑处理以去除噪声，减小噪声对梯度计算的影响；高斯滤波函数的公式为：
Figure BDA0003887108880000051
其中，σ为高斯滤波器的参数，控制平滑去噪的程度，经平滑处理后的图像为：
F(x,y)＝G(x,y)×f(x,y)
其中，f(x,y)为原医学图像，F(x,y)为经高斯函数平滑处理后的医学图像。
S212、找出图像中灰度值差异最大，即梯度方向的位置，因而采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ，计算公式为：
Figure BDA0003887108880000052
Figure BDA0003887108880000053
其中，Gx、Gy分别为平滑处理后的医学图像上的像素点在x和y方向上的梯度值。
所述Gx、Gy的计算方式为：
采用Sobel算子计算梯度方向和位置时，在经高斯函数平滑处理后的医学图像x和y方向上的边缘算子包括：
Figure BDA0003887108880000054
将经高斯函数平滑处理后的医学图像中的一个3×3窗口矩阵记为
Figure BDA0003887108880000055
需要计算梯度的像素点为D，将窗口矩阵C和边缘算子Sx、Sy进行卷积操作，计算公式为：
Figure BDA0003887108880000056
Figure BDA0003887108880000057
其中，*表示卷积运算，sum表示将矩阵中所有元素相加求和。
S213、采用非极大值一直，非极大值抑制能够消除误检，将模糊的边界变清晰，能够将局部最大值以外的所有梯度值抑制为零。即：提取平滑处理后的医学图像的一个像素，并将当前像素与正负梯度方向上的两个像素的梯度强度进行比较；
S214、若当前像素大于正负梯度方向上的两个像素的梯度强度，则保留所述当前像素点作为边缘点；若当前像素小于等于正负梯度方向上的两个像素的梯度强度，则所述当前像素点被抑制，得到抑制后的医学图像。
S215、对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像；其中，像素梯度值大于第一阈值的边缘像素为强边缘像素，像素梯度值大于第二阈值且小于第一阈值的边缘像素为弱边缘像素。
S2151、获取所述抑制后的医学图像的强边缘像素和弱边缘像素；
S2152、跟踪一个所述强边缘像素的图像，当遇到间断时，在弱边缘像素的图像相应位置的8邻域中搜索梯度值最大的边缘像素；
S2153、采用边缘连接将梯度值最大的边缘像素连接在所述强边缘像素的图像的间断点位置上，直到将所述强边缘像素的图像的间断点全部连接完成。
采用双阈值检测对非极大值抑制后的医学图像做进一步处理，以消除一些噪声和颜色变化邓引起的边缘像素，并进一步提取边缘相似。双阈值即第一阈值和第二阈值，第一阈值为高阈值，第二阈值为低阈值，均根据需要进行具体设定，在此不做限定。像素梯度值大于第一阈值的边缘像素为强边缘像素，得到强边缘图像Q1，像素梯度值大于第二阈值且小于第一阈值的边缘像素为弱边缘像素，得到弱边缘图像Q2，像素梯度值小于第二阈值的像素被抑制。跟踪Q1的边缘像素，当遇到间断时，在Q2相应位置的8邻域中搜索梯度值最大的边缘像素，并使用边缘连接将其连接在Q1的间断点位置上，通过这样不断的跟踪和搜索，直到将Q1的间断点都连接起来为止。
S22、对所述边缘医学图像进行Huffman编码、Huffman解码，得到边缘重构医学图像。
S3、对所述原医学图像进行第二编解码处理，得到重构医学图像；
步骤S3具体包括：
S31、对所述原医学图像进行小波变换，得到小波系数；
S32、对所述小波系数采用SPIHT算法进行编码，得到码流；其中，SPIHT算法采用空间方向树结构组织所述小波系数；SPIHT算法能够充分利用不同频带内小波系数的特征，通过集合划分对小波系数进行逐次量化编码，以便有效的组织小波系数，减少编码冗余，提高编码效率。
S33、对所述码流进行Huffman编码，得到压缩码流；
S34对所述压缩码流进行Huffman解码、SPIHT解码、小波逆变换，得到所述重构图像。
S4、提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
S5、遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
采用PSNR对图像压缩后的失真情况进行评价，值越大，则压缩后的图像失真越小；反之，则压缩后的图像失真较大，其公式为：
Figure BDA0003887108880000071
Figure BDA0003887108880000072
其中，MSE为均方误差，表示压缩重构后的图像与原图像的差异度，M×N表示图像所含的像素数，p(i,j)表示原医学图像中像素的坐标，q(i,j)表示压缩重构后的图像中像素的坐标，图像信息熵代表图像所包含信息的多少，反映图像中像素的灰度分布的聚集特征，信息熵越大，图像所含的信息越丰富，质量越好，其公式为：
Figure BDA0003887108880000073
其中，Pi表示图像中灰度值为i的像素所占的比例。
如图2所示，本发明还提供了一种医学影像数据压缩系统，包括：
获取模块1，用于获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
第一处理模块2，用于对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
第二处理模块3，用于对所述原医学图像进行第二编解码处理，得到重构医学图像；
提取模块4，用于提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
遍历模块5，用于遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
在一个实施例中，第一处理模块2，包括：
提取单元，用于对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像；
编解码单元，用于对所述边缘医学图像进行Huffman编码、Huffman解码，得到边缘重构医学图像。
在一个实施例中，提取单元，包括：
平滑处理子单元，用于采用高斯滤波器对所述原医学图像进行平滑处理；
算子处理子单元，用于采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ；
比较子单元，用于提取平滑处理后的医学图像的一个像素，并将当前像素与正负梯度方向上的两个像素的梯度强度进行比较；
保留子单元，用于若当前像素大于正负梯度方向上的两个像素的梯度强度，则保留所述当前像素点作为边缘点；若当前像素小于等于正负梯度方向上的两个像素的梯度强度，则所述当前像素点被抑制，得到抑制后的医学图像；
划分子单元，用于对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像；其中，像素梯度值大于第一阈值的边缘像素为强边缘像素，像素梯度值大于第二阈值且小于第一阈值的边缘像素为弱边缘像素。
4.根据权利要求3所述的医学影像数据压缩方法，其特征在于，平滑处理子单元中，公式为：
Figure BDA0003887108880000081
其中，σ为高斯滤波器的参数，f(x,y)为原医学图像，F(x,y)为经高斯函数平滑处理后的医学图像；
算子处理子单元中，公式为：
Figure BDA0003887108880000082
Figure BDA0003887108880000083
其中，Gx、Gy分别为平滑处理后的医学图像上的像素点在x和y方向上的梯度值。
在一个实施例中，所述Gx、Gy的计算方式为：
在经高斯函数平滑处理后的医学图像x和y方向上的边缘算子包括：
Figure BDA0003887108880000084
将经高斯函数平滑处理后的医学图像中的一个3×3窗口矩阵记为
Figure BDA0003887108880000085
需要计算梯度的像素点为D，将窗口矩阵C和边缘算子Sx、Sy进行卷积操作，其公式为：
Gx＝Sx*C
Gy＝Sy*C
其中，*表示卷积运算。
在一个实施例中，划分子单元，包括：
获取所述抑制后的医学图像的强边缘像素和弱边缘像素；
跟踪一个所述强边缘像素的图像，当遇到间断时，在弱边缘像素的图像相应位置的8邻域中搜索梯度值最大的边缘像素；
采用边缘连接将梯度值最大的边缘像素连接在所述强边缘像素的图像的间断点位置上，直到将所述强边缘像素的图像的间断点全部连接完成。
在一个实施例中，第二处理模块3，包括：
变换单元，用于对所述原医学图像进行小波变换，得到小波系数；
编码单元，用于对所述小波系数采用SPIHT算法进行编码，得到码流；其中，SPIHT算法采用空间方向树结构组织所述小波系数；
压缩码流单元，用于对所述码流进行Huffman编码，得到压缩码流；
逆变换单元，用于对所述压缩码流进行Huffman解码、SPIHT解码、小波逆变换，得到所述重构图像。
上述各模块、单元、子单元均是用于对应执行上述医学影像数据压缩方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图3所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储医学影像数据压缩方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现医学影像数据压缩方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个医学影像数据压缩方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种医学影像数据压缩方法，其特征在于，包括：
获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
对所述原医学图像进行第二编解码处理，得到重构医学图像；
提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
2.根据权利要求1所述的医学影像数据压缩方法，其特征在于，所述对所述原医学图像进行第一编解码处理，得到边缘重构医学图像的步骤，包括：
对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像；
对所述边缘医学图像进行Huffman编码、Huffman解码，得到边缘重构医学图像。
3.根据权利要求2所述的医学影像数据压缩方法，其特征在于，所述对所述原医学图像进行边缘检测以提取所述原医学图像的纹理和轮廓信息，得到边缘医学图像的步骤，包括：
采用高斯滤波器对所述原医学图像进行平滑处理；
采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ；
提取平滑处理后的医学图像的一个像素，并将当前像素与正负梯度方向上的两个像素的梯度强度进行比较；
若当前像素大于正负梯度方向上的两个像素的梯度强度，则保留所述当前像素点作为边缘点；若当前像素小于等于正负梯度方向上的两个像素的梯度强度，则所述当前像素点被抑制，得到抑制后的医学图像；
对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像；其中，像素梯度值大于第一阈值的边缘像素为强边缘像素，像素梯度值大于第二阈值且小于第一阈值的边缘像素为弱边缘像素。
4.根据权利要求3所述的医学影像数据压缩方法，其特征在于，所述采用高斯滤波器对所述原医学图像进行平滑处理的步骤中，公式为：
Figure FDA0003887108870000021
F(x,y)＝G(x,y)×f(x,y)
其中，σ为高斯滤波器的参数，f(x,y)为原医学图像，F(x,y)为经高斯函数平滑处理后的医学图像；
所述采用Sobel算子处理经高斯函数平滑处理后的医学图像，得到梯度幅值M和梯度方向θ的步骤中，公式为：
Figure FDA0003887108870000022
Figure FDA0003887108870000023
其中，Gx、Gy分别为平滑处理后的医学图像上的像素点在x和y方向上的梯度值。
5.根据权利要求4所述的医学影像数据压缩方法，其特征在于，所述Gx、Gy的计算方式为：
在经高斯函数平滑处理后的医学图像x和y方向上的边缘算子包括：
Figure FDA0003887108870000024
将经高斯函数平滑处理后的医学图像中的一个3×3窗口矩阵记为
Figure FDA0003887108870000025
需要计算梯度的像素点为D，将窗口矩阵C和边缘算子Sx、Sy进行卷积操作，其公式为：
Gx＝Sx*C
Gy＝Sy*C
其中，*表示卷积运算。
6.根据权利要求3所述的医学影像数据压缩方法，其特征在于，所述对所述抑制后的医学图像进行强弱边缘像素划分和边缘连接，得到所述边缘医学图像的步骤，包括：
获取所述抑制后的医学图像的强边缘像素和弱边缘像素；
跟踪一个所述强边缘像素的图像，当遇到间断时，在弱边缘像素的图像相应位置的8邻域中搜索梯度值最大的边缘像素；
采用边缘连接将梯度值最大的边缘像素连接在所述强边缘像素的图像的间断点位置上，直到将所述强边缘像素的图像的间断点全部连接完成。
7.根据权利要求1所述的医学影像数据压缩方法，其特征在于，所述对所述原医学图像进行第二编解码处理，得到重构医学图像的步骤，包括：
对所述原医学图像进行小波变换，得到小波系数；
对所述小波系数采用SPIHT算法进行编码，得到码流；其中，SPIHT算法采用空间方向树结构组织所述小波系数；
对所述码流进行Huffman编码，得到压缩码流；
对所述压缩码流进行Huffman解码、SPIHT解码、小波逆变换，得到所述重构图像。
8.一种医学影像数据压缩系统，其特征在于，包括：
获取模块，用于获取医学影像数据，并提取所述医学影像数据中的一张医学图像作为原医学图像；其中，所述医学影像数据中具有多张医学图像；
第一处理模块，用于对所述原医学图像进行第一编解码处理，得到边缘重构医学图像；
第二处理模块，用于对所述原医学图像进行第二编解码处理，得到重构医学图像；
提取模块，用于提取所述边缘重构医学图像、重构医学图像，以完成对所述原医学图像的压缩，将所述边缘重构医学图像、重构医学图像相加，得到恢复的原医学图像；
遍历模块，用于遍历所述医学影像数据中每张医学图像，以完成对所述医学影像数据的压缩。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211248878.8A 2022-10-12 2022-10-12 医学影像数据压缩系统及其压缩方法 Pending CN115623225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211248878.8A CN115623225A (zh) 2022-10-12 2022-10-12 医学影像数据压缩系统及其压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211248878.8A CN115623225A (zh) 2022-10-12 2022-10-12 医学影像数据压缩系统及其压缩方法

Publications (1)

Publication Number Publication Date
CN115623225A true CN115623225A (zh) 2023-01-17

Family

ID=84862558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211248878.8A Pending CN115623225A (zh) 2022-10-12 2022-10-12 医学影像数据压缩系统及其压缩方法

Country Status (1)

Country Link
CN (1) CN115623225A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117082155A (zh) * 2023-10-18 2023-11-17 北京健滨医药科技有限公司 基于5g技术的医疗影像传输系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117082155A (zh) * 2023-10-18 2023-11-17 北京健滨医药科技有限公司 基于5g技术的医疗影像传输系统
CN117082155B (zh) * 2023-10-18 2024-01-23 北京健滨医药科技有限公司 基于5g技术的医疗影像传输系统

Similar Documents

Publication Publication Date Title
CN109583576B (zh) 一种医学图像处理装置及方法
Yoo et al. Image restoration by estimating frequency distribution of local patches
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN109102461B (zh) 低采样分块压缩感知的图像重构方法、装置、设备及介质
CN103020898B (zh) 序列虹膜图像超分辨率重建方法
CN102243711A (zh) 一种基于邻域嵌套的图像超分辨率重建方法
Hossain et al. Medical image enhancement based on nonlinear technique and logarithmic transform coefficient histogram matching
CN110322404B (zh) 一种图像增强方法及系统
WO2014078985A1 (en) Method and apparatus for image regularization
CN111199197A (zh) 一种人脸识别的图像提取方法及处理设备
CN115623225A (zh) 医学影像数据压缩系统及其压缩方法
CN111105357B (zh) 一种失真图像的去失真方法、装置及电子设备
Sushmit et al. X-ray image compression using convolutional recurrent neural networks
CN116503505B (zh) 一种cbct图像的伪影去除方法、装置、设备及介质
CN108038840A (zh) 一种图像处理方法、装置、图像处理设备及存储介质
Tuba et al. Image denoising by discrete wavelet transform with edge preservation
CN110766661B (zh) 磁共振成像的水脂分离方法、磁共振成像方法和设备
CN113313627A (zh) 一种指纹图像重构方法、指纹图像特征提取方法及装置
Zhao et al. Attention-embedded decomposed network with unpaired CT images prior for metal artifact reduction
Moorthy et al. Perceptually optimized blind repair of natural images
Zhang et al. Multi-domain residual encoder–decoder networks for generalized compression artifact reduction
Kumar et al. Applications of image processing in Teleradiology for the medical data analysis and transfer based on IOT
Ike et al. Separable property-based super-resolution of lousy image data
Rahimi et al. Preserving quality in minimum frame selection within multi-frame super-resolution
CN114170090A (zh) 一种由模糊监控视频重建高分辨率图像的方法与系统

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