CN1639725A - 图像像素编码方法、图像处理方法和针对一个或多个图像像素再现的对象进行定性识别的图像处理方法 - Google Patents

Abstract

一种对数字或数字化图像像素进行编码的方法，图像由一组在二维图像中称为像素、在三维称为三维像素的图像点组成，所述的每一个像素或者三维像素由对应于显示屏或印刷图像上像素的可视外观的一组值表示。依照本发明，数字或数字化图像中关注的至少一部分像素或者三维像素(5，14)，或者组成图像的像素或者三维像素组中的每一个像素或者三维像素(5，14)，由一个向量唯一确定，该向量的分量由将被编码的像素或者三维像素(5，14)的数据和将被编码的像素周围像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)中的至少一个或者一些或者全部像素的数据给出，并排列成包含在组成图像的像素或者三维像素的整个组内的像素或者三维像素的预定的子集。

Description

图像像素编码方法、图像处理方法和针对一个或 多个图像像素再现的对象进行定性识别的图像处理方法

技术领域

本发明首先涉及一种对数字或数字化图像像素进行编码的方法，该方法针对每个像素的信息内容进行处理，使其可用于自动图像处理系统，尤其设计用于对其中再现对象的图像识别。

背景技术

术语“数字的”用于定义由输出为数字格式图像的成像设备，即数码相机、核磁共振成像设备、超声波成像设备和其它的成像设备获取的图像。

术语“数字化的图像”涉及基本上由模拟设备获取并提供的图像，提供的该模拟图像进一步由称为扫描仪的设备进行扫描，且不管后者是硬件设备，如读取物理印刷在媒介上图像的设备，还是设计对图像进行采样并提供信号集合且将其转换为数字信号的软件设备。

数字图像日益广泛的使用使得所述图像以数字数据的形式用于进一步的处理。

无论图像是直接数字地获取，还是通过传统系统的模拟方式获得并进一步数字化，例如由诸如扫描仪的数字化设备进行扫描，数字图像都是由一组图像点即所谓的像素组成的，像素可能具有不同的亮度状态，即不同的灰度等级色调，或者在彩色图像中有不同的颜色。图像的每一个像素也具有明确的位置，从而数字图像可以通过二维或三维矩阵的元素Pi，j表示，每一个元素对应于组成图像的像素集合中预定的一个像素，元素Pi，j呈现的是与该具体像素关联的亮度和/或颜色值的变量。

当限定在黑白图像时，不同的与像素关联的亮度值由从黑到白通过几个不同的中间灰度级别延伸出来的灰度等级来表示，其中中间灰度的数值可以基于数字化成像设备和/或显示设备的性能由使用者定义。

在三维矩阵中，离散的图像单元元素通常指的是一个三维像素，且三维矩阵由元素Vi，j，k组成。

因此，从技术的观点来看，数字图像具有唯一的等效的数据矩阵，该矩阵组成了虚拟图像；从而同样地，数字图像具有一种结构，该结构潜在地适合采用算法的系统或者方法进行图像处理，而且此算法可以由装载在计算机内的软件或者在图像矩阵上完成特定功能的专门硬件提供。

然而，从逻辑的观点来看，包含在每一个孤立的像素Pi，j或三维像素Vi，j，k内的信息只提供了其亮度值的简单指示，即对应的灰度等级数值，因此对于从中析取图像信息没有任何意义，而只能作为控制显示设备的数据，事实上在图像处理中也可以用于调节图像的整体外观，例如基于用户选择，依照客观或主观数据定义的对比度和/或亮度和/或特定的颜色。

因此，在获取的图像中，由不同图像部分的像素再现的对象的形状和特性得自于每一个图像像素和其周围像素的关系。因此，为了使得图像处理不仅仅用于调节单个像素用于提高显示图像的质量，有必要定义每个像素和它周围像素的关系。现在除了那些定义在假设基础上或者基于图像再现对象特定特性的根据推测定义的规则外，没有任何定义这样关系的规则。

发明内容

因此，本发明基于提供一种对图像像素进行编码的方法的问题，考虑每一个像素和其周围像素的关系，而完全不管图像中再现对象的特定的特征。这种方法能用于提供图像数据集合，且此集合尤其适合于针对图像表示的对象的至少一些特性以及这些对象形状进行识别的图像处理过程。

附加的目标是提供所述的编码过程，该过程简单且不需要复杂的处理步骤和较长的处理时间，也不会导致用于存储编码数据的硬件超过负荷。

本发明通过提供一种对数字或数字化图像进行编码的方法实现所述目的，其中组成图像的像素集合的每一个像素由向量唯一确定，该向量的分量由将被编码的像素数据和将被编码像素周围的至少一个或至少若干或者至少所有的像素的数据给出，且像素排列成包含在组成图像的整个像素集合内的预定的像素子集。

作为第一种近似，通过选择所有与所述将被编码的像素直接邻近的像素作为该像素的周围像素，来确定这个像素确定向量的分量。

像素确定向量的分量也可以扩大到围绕与将被编码像素直接邻近的像素的至少一个或至少若干或全部像素。

理论上，对将被确定像素周围的可以用于定义该像素确定向量分量的像素的数量和位置没有任何限制。

对应于将被确定的像素以及其周围像素的确定向量的分量依照预定的像素读取序列的方式排列组成所述向量，从而反映了这些像素在组成图像的像素矩阵中的排列顺序。

特殊的是，对应于将被确定的像素以及其周围像素的确定向量的分量依照预定的像素读取序列的方式排列组成所述向量，与所述像素彼此间的距离以及所述像素与将被编码像素间的距离对应。

确定向量的分量按照此方式排列，从而被确定的像素具有对应于从图像像素集合中取出且与选作决定确定向量分量的周围像素关联的中心位置。

本方法包括为组成数字或数字化图像的每一个像素生成确定向量。

依照这种安排，一组虚拟像素，即一组与真实且确实显示的图像像素具有相同位置的数据对应的数据矩阵组成虚拟图像，该虚拟图像转换成矩阵，其中每个元素在特定像素位置具有确定向量，该确定向量依次具有如上定义的数值结构。

由于确定向量包含的分量由关联于将被确定的像素周围一定预定数量的像素的数据给出，所以后者不仅由它的亮度数值说明，而且还由被选出组成确定向量的分量的周围像素的亮度数值确定。因此，像素矩阵，即对应于像素的亮度数据，转换成一组向量。

像素确定向量也可以扩展其它的分量，例如，不同时间点的所选像素和将被确定像素的数值。例如，当从不同的时间点获得相同帧的不同的数字或数字化图像时，这无疑是有利的。在这种情况下，向量将对应于一系列连续的不同的分量组，包括将被确定像素和其周围所选像素的数值，每一组由在不同获取时间点获取或参照的相同的帧确定。

优选地，确定向量中的分量组依照采集的时间序列连续顺序排列。

上面清楚地描述了本发明编码的方法，此外还允许在像素的数值以及所述像素和其周围一定数量像素的关系基础上确定每个像素，且将此确定扩展到将被确定的所述像素的时间变化和其周围所选像素关系的时间变化中。根据依照本发明的编码方法，可以对每个图像像素，甚至对表示运动对象的图像序列进行数值的描述，而由对象运动导致的任何变化都包含在确定向量中。

上面描述的方法可以很容易地在二维和三维图像中实现。在后面一种情况中，确定向量的分量数目相对要增加，在三次级数(cubicprogression)中，需要考虑将被确定像素周围所有组成渐远框架(increasingly distant shell)的像素。

将被确定像素周围的像素选择模式和其数据组成确定向量分量的像素的像素选择模式依照实际需要可以不同。

依照本方法更进一步的实施例，在编码图像像素时，可以考虑一组邻近像素作为要编码的相关最小图像表面，而不是一个像素。在一个将要编码的正方形的像素子矩阵中，要编码的最小图像区域可以由所述子矩阵的四个中心像素组成。在这种情况下，分配给编码向量或矩阵中这组四个像素的至少一个数值由所述四个邻近像素的亮度值的线性或非线性组合组成。

这组作为最小图像区域进行编码的像素的数值可能是包含多个参数的混合值，其中每个参数代表着所述四个组内像素的亮度值的线性或非线性组合，例如这四个组内像素亮度的均值，和诸如这四个组内像素亮度变化的统计值。如果图像是彩色的甚至所述亮度和色彩值随着时间变化时，作为组成最小图像区域的所述组内像素的数值，也可以考虑这四个组内像素的颜色值。同样这些组内像素的颜色值可以是组内单个像素颜色值线性或非线性的组合和/或对应统计参数的数值，例如方差等。

可以考虑将组内像素亮度值和/或颜色值的变化作为与时间相关的线性或非线性组合的变化，例如与时间相关的均值或其它统计参数。

在由一定数量，例如四个组内像素构成的最小图像区域的确定或编码向量中，可能包含与如上描述的确定向量类似的一定数量的周围像素的亮度和/或颜色值和/或它们与时间相关的变化。

在这种情况下，将被编码的最小图像区域有两种选择。在第一种选择中，组成最小编码图像区域的组内像素周围的每个所选像素就其本身而言是单独考虑的。

在第二种可供选择的实施例中，周围所选的像素依照与将被编码像素类似的方法聚合，从而组成周围最小图像区域，其中周围图像区域的数值由组成最小图像周围区域的单个像素的亮度值的线性或非线性组合或其它统计函数确定。

上面公开的实施例在像素相对于图像再现的对象较小时具有减少计算时间的优势，所以在仅有一个像素的区域中，表现的对象结构可能不发生变化。

本发明同样涉及一种图像处理的方法，该方法尤其针对在像素编码成确定向量的图像中对对象和/或对象形状进行识别。

这种对数字或数字化图像进行处理的方法包括如下步骤：

将不同的数字或数字化的图像编码成像素确定向量，其中图像对象确定用于已选的类型和特性，并依照预定的不同类型或特性的序列，将每个确定向量与由所述确定向量确定的每个像素实际再现的对应的已知对象的类型或者已知特性关联。

为专家处理系统生成训练数据库，包括由所述确定向量和再现对象的关联的类型或特性组成的二项式；

通过在其中输入训练数据库来实际训练专家处理系统；

通过与每个像素关联的确定向量对未进行其它评测的图像的像素进行编码；

在处理系统中输入所述图像的像素确定向量，以在所述处理系统的输出获得，并作为处理的结果，即由图像像素所表示对象的类型或特性。

识别对象的特性或类型并将其分配给像素确定向量的过程并不复杂，因为这仅仅是一个比较。难度在于像素巨大的数量，因而参与比较的向量数量也相当可观，而且向量也具有相当大数量的分量。当考虑处理时间时，尽管每一步比较将被识别像素的确定向量和基础知识或专家系统的训练数据库中像素的确定向量是比较快的，但是总时间非常长且在实际运用中是不可接受的。本应用尤其适用于特定的处理算法并且正好适用于公知的神经网络。

然而，容易理解，当优选的实施例中采用神经网络作为处理系统时，本发明并不限于所述的算法，而可能采用任何类型的算法对将被处理的图像像素的确定向量和训练数据库进行比较，例如采用单调比较(dull comparison)的离散算法判断确定向量在多种可能性中是否属于其中一种或其它类型的对象或特性。

这之后将显而易见，依照本发明提供的像素编码方法提供了高于现在期望值的相当可靠和精确的结果。

通过考虑相同对象类型或特性的确定向量相当可观的变化，这些算法能迅速向正确的解决方案或者在统计角度而言最有可能的解决方案收敛。

可以通过简单地打印或者显示成列表的方式查看专家处理系统提供的结果。作为其中可选的或与之共存的方式，处理结果也可以通过与每个种类或特性关联的颜色突出显示，并依照专家处理系统确定的结果将所表示对象对应类型或特性的颜色分配给数字化图像中的每个像素，在数字或数字化图像上显示解决方案。

需要注意的是，基于不同时间的相同帧的不同图像，或者基于不同帧的图像或类型或特性是预定选项的对象，训练步骤允许专家处理系统，尤其是所谓的神经网络，学习确定向量对于特定对象或特定特性在哪一方面具有最大的方差。

同样，容易理解，对于再现的对象和/或特性的识别独立于图像的整体处理，并且识别的过程一个一个像素地执行，并与像素集合在图像中所表示的对象无关。

这两个特性具有基本的重要性。通过对表示一定对象类型或特性的像素的确定向量提供尽可能多的差异，允许处理系统对一个确定向量，从而一个像素是否属于特定对象类型或者特定特性的识别更加可靠和准确。

基于像素的处理允许对属于一定对象类型或特性的像素确定向量的识别与图像的对象充分分离。

这种图像处理的方法提供了其它的优点。

第一个附加的优势在于对象类型或特性的列表可以随时更改，也就是可以在不影响以前训练过程的基础上，通过在处理系统的训练数据库中的简单集成对其进行限制或扩展。同样，也可能对图像处理做出限制，使其在不影响任何进一步扩展的基础上，仅对训练数据库里所有的类型或特性中的一些图像对象的类型或特性进行识别。

此外，在使用时，包含有系统获取的知识的数据库可以扩大，因而可以增加知识和专门技能，从而提高处理系统的可靠性和准确性。

像素特性的客观鉴定避免了任何人为的图像识别和分析的错误。

通过对要被识别的对象类型和/或特性进行有目的的选择和生成合适的训练数据库，同样的处理系统可以用于完成不同的功能。

除了简单识别对象类型或特性，还可能生成允许修正散焦图像或正确覆盖具有相同对象的两个数字图像的训练数据库，其中这两个数字图像由不同的成像方法获得，例如核磁共振成像、超声波成像或照相。

本发明识别方法提供的另一个优势在于在获取图像时限定图像的清晰度，因此在鉴定所获图像的可能性方面获得同样或更好的结果，因为与人眼能力相比，本方法提供更好和更精确的识别。这为核磁共振、超声波或其它类似方式缩短成像时间造成的低分辨率提供了重要的便利。这不仅减少了所需的快速成像和图像重构设备的成本，还在安慰病人方面具有积极的作用，即病人不必太长时间保持静止。

本发明图像识别方法的特定应用在于从核磁共振成像、超声波成像和X光线照相术等获得的诊断图像中自动识别组织类型。

在这种情况下，本方法包括如下步骤：

-对公知的数字或数字化诊断图像进行编码获得像素确定向量，基于此像素确定向量生成训练专家处理系统的数据库，其中专家预先将这些诊断图像的像素与组织类型关联，即像素确定向量与对应的已知的组织类型唯一关联；

-在专家系统中输入训练数据库和与处理算法类型对应的模式进行训练；

-依照本发明的方法将图像或相同帧的图像时间序列编码成像素确定向量，其中图像或序列由数字方式获得或者已经数字化但未进行翻译；

-在处理系统中输入未翻译图像的像素编码向量，处理系统对每个像素确定向量处理组织类型或组织特性并显示其结果。

特定地，结果以指定的颜色显示，其中预定的颜色分配给对象的不同类型或者已被检测出属于某种对象类型和/或特性的像素的不同特性。

需要注意的是，在这种情况下，本方法没有诊断功能，但为医师或者负责图像评测的技术人员提供相对值得信赖的提示。该方法并不提供直接的处理建议，只是简单地提供图像中发现的最有可能的一类组织的提示。对于最后诊断结果的实际的和全部的确定需要合格人员对图像的理解和分析以及采用其它诊断方法的反复查对。

然而，从下面可以更加明显地看出，理解和分析诸如x光线照相术的图版，超声波图像或核磁共振图像的诊断图像并不容易，尤其是在图像再现的疾病集中在非常小的范围时。本发明提供的手段可靠地通知潜在的病理元素，同时减少误判的风险，或者防止医师或合格人员对于相同元素的误判或者甚至视而不见。

本发明进一步的改进将组成权利要求的条目。

附图说明

依照下面附图图示的未限制的实施例，本发明的特点以及其中的优点将更加明显，其中：

图1图示了依照本发明在二维空间里简化的数字或数字化图像编码方案。

图2是在三维图像空间中如图1所示的方案。

图3图示了在数字或数字化图像的时间序列中相同像素的确定向量的方案。

图4图示了发明的图像处理方法的模块图，该方法在前面附图所示的像素编码基础上执行。

图5图示了对如图8或图11所示的由核磁共振成像设备获取的图像进行图像处理后结果的数据表格和图表，其中处理系统运行的训练库仅包括两种组织，即良性瘤组织和恶性瘤组织。

图6图示了对如图8或图11所示的核磁共振图像进行图像处理后结果的数据表格和对应的图表，处理系统使用的训练库包含三种组织，即良性瘤组织、恶性瘤组织和正常组织。

图7图示了对如图8或图9所示的核磁共振图像进行图像处理后结果的数据表格和对应的图表，其中处理系统的训练库包含四种组织和一种附加的对象类型，即良性瘤组织、恶性瘤组织、正常组织、肌肉组织和背景图像。

图8图示了第一个核磁共振图像，其中白色的环标示了存在的良性瘤组织的轮廓。

图9图示了如图8所示的相同的图像，但是该图像经过本发明和只识别良性瘤组织模式的处理，其中系统通过给已检测到属于这种或其他肿瘤组织的像素分配不同的外观，在原始获得的图像显示结果。

图10图示了如图8和图9所示的相同的图像，该图像已经依照本发明经过处理且系统已经学习识别四种组织和背景，并且系统通过给已检测到属于不同组织类型和/或背景的像素分配不同的外观，在原始获得的图像上显示提示。

图11和12是包含恶性瘤组织的另一个核磁共振图像和所述包含瘤组织区域的放大图，其中白色的环标示了恶性瘤组织的轮廓。

图13是表示依照本发明图像处理结果的与图11相同的图像，其中图像处理在相同的所获图像上对包含四种组织类型和背景类型的五种不同的对象类型进行识别和区别显示。

图14结合显示像素的步骤图示了发明的处理方法，其中像素对应于人眼下的分辨率和与人眼相当或差于人眼的分辨率。

具体实施方式

图1以非常简单的方式图示了在二维数字或数字化图像，即包含一组像素(图像单元元素)的情况下发明的编码方法。

这个例子图示了像素集合中由5表示的像素，这个像素将按照一定方式编码，从而使其信息可用于任何类型的操作，尤其是处理。

在这种情况下，图像可以包含任意数量的像素，且可以参考图1中像素5所示的方式在图像的每个像素上执行本方法的步骤。在发明的编码方法中，该像素周围的像素用于组成像素5的确定向量。周围的像素可以依照不同的预定规则进行选择，从而得出不同的周围像素的选集作为确定向量的分量，其中包括所选周围像素的数量以及与将被编码的像素(这里是像素5)相关的这些周围的像素的位置作为确定向量的分量。

一种最明显的选择是使用所有与将被编码直接邻近的像素作为确定向量的分量，即依照图1中像素5的周围的像素1，2，3，4和6，7，8，9。

在黑白或灰度图中，每个像素表示的值由对应像素的亮度值给出，即从白到黑经过一定数量的中间级别延伸的灰度等级，这些中间级别依照成像设备的颜色分辨率根据数字图像的品质可能具有不同数量的灰度色调。

在彩色图像中，根据图像的编码类型，每个像素也可能具有表示所分配颜色的变量。

为了更好地解释本方法的步骤，下面图像中的例子将限定在黑白或灰度图。对于本领域技术人员来说，扩展到显示像素颜色的变量是非常明显的步骤，只是最终涉及确定向量中更多数量的分量。

图1参照像素5图示了一个像素的确定向量的结构。

该向量包括，依照像素矩阵中相同的像素索引顺序排列的所有组成向量分量的像素，从像素1开始到像素9结束。在这种情况下，位于像素矩阵中心的像素5在确定向量分量的序列中占据中心位置。

这些设计用于组成将被编码像素的确定向量的像素索引的方式本身是无关的。重要的是，所有编码过程需要一致且精确地遵循这个种方式，否则由于向量分量具有不同的排列顺序，就不可能对两个像素向量进行比较。

因此，需要注意的是，对于编码操作，像素5的确定向量不仅包含灰度等级亮度，即关于将被确定像素的外观信息，还包括周围像素的亮度信息。

这种向量结构基于对如下内容的认同，即基于单个像素的外观是无法辨识图像的内容，而必须基于该元素本身的外观和其周围像素外观之间的关系。实际中，每个图像点本质上并不重要，除非参考周围的点或区域的外观进行评价。甚至从视觉的角度而言，基于图像不同区域之间的相关评价对图像中所示的事物进行识别。

如上所述，没有任何特定的规则决定对生成将被编码的像素的确定向量的周围像素的选择。

例如，有可能增加周围像素的数量生成确定向量，在将被编码的中心像素的渐增距离上，采用将被编码的中心像素周围的像素环的一些或所有像素作为向量分量。

如图示中的例子，有可能考虑像素环的所有或一部分像素，这个像素环在外部环绕着与中心像素5直接邻近的像素，即像素1，2，3，4，6，7，8，9。

在这种情况下，向量分量的数量迅速增加，并使确定向量处理条件超过负荷。例如，如果像素5的确定向量包含所有外部围绕图示3×3像素矩阵的像素，则确定向量分量的数量从9增加到25。

在这种情况下，处理显然可能提供更加精确的结果。

此外，可以对距离将被编码像素较远的所述附加像素赋以合适的权重，也可能以彼此不同的方式赋值，从而削弱其对确定向量的影响。

图2图示了三维图像的情况，其中对中心像素14编码的确定向量具有其周围所有像素及外包3×3×3立方体的值作为分量，从而它包括27个分量。

在二维的实施例中考虑的因素同样适用于三维的实施例。这里更加清楚地显示了当考虑其它像素，例如那些围绕图示立方体的三维立方像素壳(cubic pixel shell)时，对确定向量的处理超过负荷的情况。此时，如果确定向量考虑5×5×5立方体中所有的像素，分量的数量以立方级数增加，即从27个像素增加到125个像素。

根据本发明一个附加的特点，当相同帧的图像序列可用时，像素向量编码方法可以持续地将待检查的像素编码成确定向量。

例如，图像序列可以由运动图片的帧组成，或者由在连续时间点获取的相同帧的单个图像组成。连续时间点的相同帧的成像例子是造影剂灌注的诊断超声波成像。在这种情况下，核查时在时间点Tc上往解剖部位注射造影剂，并随后以预定的时间间隔在相同的部位对血管循环流动所推动的造影剂的灌注进行成像。图像的时间变化允许在注射一定时期后对造影剂的存在进行检查。这些图像为检查血管和/或组织疾病提供有用的推断和/或信息。

在上面的情况中，对于再现对象的识别不仅基于它的外观，还基于所述外观随时间的变化。因此，在每个像素的确定向量中，针对所有的表现由图像像素再现的对象的特性或类型的数据的像素向量编码方法必须考虑编码像素随时间的变化。

在这种情况下，依照图1实施例中，预定像素，例如像素5的确定向量包含一组9个分量，这些分量在对应图像采集的每个时间点上涉及正确时间序列中的像素1到9。

图示的实施例说明了在时间点T＝0，T＝1，T＝2，T＝3，T＝4，T＝5获取的相同帧的六个图像。此外，该实施例是在注射造影剂后，在同一解剖部位获取的一个超声波图像序列获得的。造影剂注射的时间点TC由箭头TC标识。

在时间点T＝0，T＝1，T＝2获得的三个图像中确定向量涉及像素1到9且在这些条件下确定向量已经具有27个分量。当考虑到图像序列的所有6个图像，分量将增加到54。而这仅仅涉及到考虑9个像素的矩阵且对中心像素进行编码的编码过程。当编码过程打算包括将被编码像素周围5×5的像素矩阵，即每个时间点确定向量具有25个分量时，对于序列中所有的图像，每个确定向量将有150个分量。

如图2例子所示的三维图像情况中，每个像素及其周围3×3×3立方像素空间的确定向量具有27个分量，对于图像时间序列中的所有6个图像依照图3所示例子的编码向量将包括162个分量。如果编码扩展到5×5×5像素的三维空间，像素的确定向量的分量将增加到750。

需要注意的是，当发明的编码方法遵循简单和快速的方式时，它同样允许依照将被编码像素和周围像素随时间的变化通过此像素的值以及其与周围像素的关系确定图像像素的特性。

更进一步需要注意的是，编码的方法仅涉及充分限制在检查区域的像素，而与图像的对象和编码的目的无关。

显然，图像或图像序列的编码时间严格依赖于图像尺寸，与像素数量有关。

根据现在的像素编码方法更进一步的实施例，出于编码的目的，可以定义由多于一个像素组成的不同大小的最小图像区域，而不是考虑由单个像素组成的图像。

因此参照上面描述的方法，尤其结合图1到图3、图1的5和图2的14，确定的不是单个像素而是由一定数量像素组成的所述最小图像区域，例如四个邻近像素或9个邻近像素的矩阵。

既然这样，由组内邻近像素组成的所述最小图像区域的值可以通过组成所述最小图像区域的单个像素的亮度值和或颜色值的线性或非线性组合以及一个或多个统计函数的值进行计算。

一个简单的例子可以考虑组成最小图像区域的单个像素中亮度值的均值。在此基础上也可以通过均值或方差的方式增加与像素颜色相关的信息。此外，在这种情况下，依照图3如上面公开的方法可以简单地增加与亮度和/或色彩相关的值的时间相关性。在这种情况下，将考虑单个像素亮度和或颜色值的组合和统计函数的时间相关性，即组成最小图像区域的单个像素亮度或彩色值的均值的与时间相关的变化和或统计函数值与时间相关的变化。

在选择邻近的像素作为确定所述最小图像区域的确定向量时，可能有两种可供选择的方法。

在第一种选择中，就其本身考虑邻近的所选像素。

在第二种选择中，邻近的像素聚合在一起组成所选最小图像邻近区域。为了更加清楚地解释这个想法，如果在图1的例子中图片1或2作为由像素1到4和像素6到9标识的图像区域，则该区域并不是如前面例子描述的单个像素而是有一定数量邻近的像素组成。这一定数量的像素可能与定义将被编码的最小区域的像素数量相同，或者也可以是与组成将被编码的最小图像区域不同数量的像素。

这样考虑包含超过一个像素的最小图像区域的编码方法的好处在于，加速编码计算时间且不会增加误差，尤其是在如下情况，即成像的对象在几个像素的区域内没有显示任何结构的变化，或者图像的分辨率足够低从而在组成图像的两个或多个邻近像素的区域内无法察觉和显示结构的变化。

在严格的诊断领域中，例如，由于实用和经济的原因，二维图像的图像像素一般限制在256×256像素，从而编码的速度非常快。在这种情况下，使用参照图1到图3公开的方法进行编码的过程不会太长。

如上公开的包含参照周围像素和/或时间变化的一个像素外观信息的编码方法允许对像素再现的对象类型或特性进行识别的图像处理方法，该方法还允许通过相同的处理系统或软件自动识别对象的类型和/或特性。

图4是一种在前面描述的编码方法基础上对数字或数字化图像进行处理的方法的模块图。

该处理方法包括两个步骤：训练处理系统和处理。

处理本质上由一个算法执行，该算法主要是执行数据库之间的比较，而数据库中包括一定数量的对应于对象类型或特性的像素确定向量以及将被处理的图像的像素确定向量。

这个比较算法将数据库中包含的像素确定向量中最合适或最可能或最接近的对象类型或特性分配给将被处理的图像或者其中预定的部分中的每个像素编码向量，并将此作为将被处理的图像的每个像素的确定向量和数据库中像素的确定向量之间的比较结果。

处理算法可以是一个简单的判别算法，例如LDA算法(线性判别式)(S.R.Searle，1987，Linear Models for unbalanced data，New York，John Wiley & Sons)或者更复杂的算法，如神经网络。该图像处理过程是神经网络中典型的应用，即一种需要大量典型地简单的操作且由于执行相当数量的同样的处理步骤而没有确定数字结果的应用。实际上，乏味地执行比较将被处理的图像像素的确定向量和参考数据库中像素的确定向量的步骤需要的计算时间过长，以至于不可以接受。

可以使用多个那些大家熟知的神经网络，例如：MetaGenl，MetaGen，MetanetAf，MetaBayes，MetanetBp，MetanetCm(M.Buscema(ed)，1998，SUM Special Issue on ANNs and Complex Social Systems，Volume2，New York，Dekker，pp 439-461 and M.Buscema and Semeion Group，1999，Artificial Neural Networks and Complex Social Systems[in italian]，Volume 1，Rome，Franco Angeli，pp 394-413 and M.Buscema，2001，Shellto program Feed Forward and Recurrent Neural Networks and ArtificialOrganisms，Rome，Semeion Software n.12，ver 5.0)，TasmSABp，TasmSASn(M.Buscema and Semeion Group，1999，Artificial NeuralNetworks and Complex Social Systems[in Italian]，Volume 1，Rome，Franco Angeli，pp.440-464)，FF-Bm，FF-Bp，FF-Cm，FF-sn等。(D.E.Rumelhart，G.E.Hinton，and R.J.Williams，1986，Learningrepresentations by back-propagating errors，Nature，23：533-536；M.Buscema，2000，Squashing Theory and Contractive Map Network，Rome，Semeion Technical Paper n.23i-23e；M.Buscema，1995，Self-ReflexiveNetworks.Theory，Topology，Applications，in Quality & Quantity，KluwerAcademic Publishers，Dordtrecht，The Netherlands，vol.29(4)，339-403，November)。描述上面神经网络的出版物将认为是本发明的一部分。

训练步骤在于产生像素确定向量的数据库，其中像素确定向量与按照如上面描述的方法完成编码的数字或数字化图像的像素再现的图像类型或特性唯一关联，且在合格人员可视化操作的基础上进行翻译。每个像素的确定向量与像素再现的对象类型或特性关联，且已经预先定义关注的对象类型或特性的列表，并与用于训练的数字或数字化图像的典型对象保持一致，从而生成用于处理算法的知识数据库。

处理算法依据所选处理算法的特定的训练模式提供或允许访问用于训练算法的知识数据库。

在训练处理算法步骤的结尾，包含图像对象的数字或数字化图像依照上面描述的方法进行编码，且与组成知识数据库和组成包含在处理算法的知识数据库内的定义的那些对象类型或特性的列表的图像使用的编码方法一致。处理算法充分比较由编码过程生成的单个像素的确定向量，并将最有可能的再现对象的类型或特性分配给每个像素。

图像像素的每个确定向量对应的对象类型或特性不同的表示随后由打印列表显示和/或有区别地通过颜色直接在图像上突出显示被处理图像的像素。

选择类型或特性的子集还是选择所有的类型和/或特性取决于像素的总数和单个像素再现对象类型或特性列表要求的精确性。

数字化或数字图像可以是依照已描述编码方法的二维或三维图像，或者可以包括在不同时间点获得的相同帧的图像序列的每个图像。

图4更加详细地图示了两个训练和处理步骤，其中10标识了一组单个和图像序列形式的数字或数字化图像。11标识了将所述图像的每个像素编码成对应的确定向量的过程。12标识了基于预定对象类型或特性列表将每个像素再现的对象特性或类型与对应的确定向量唯一关联的步骤。13和14标识了用于图像处理算法的参考或训练数据库。

在处理步骤，数字或数字化图像，或者一组所述图像，例如18标识的相同帧的图像序列，进入19标识的将像素编码成为确定向量的步骤，且向处理算法17提供确定向量，并辅以包含在列表13中特定寻找的类型或特性列表，同时处理算法17准备访问训练数据库。处理算法将一种对象类型或特性分配给图像/组像素的每个确定向量，并在20将确定向量解码成对应的像素，后者根据其唯一关联的类型分配了任何像素外观上的变化，例如颜色或类似的变化。从而在显示屏上显示标记过的像素，例如在原始图像/组上显示和/或打印被处理的数字图像/组的像素的确定向量列表，和/或打印在显示屏显示的图像。

可选地，在根据本处理算法对单个像素再现的对象特性或类型的识别的基础上，该算法提供的数据可以用于更进一步的处理。

任何对由此算法提供的数据更进一步的处理或操作可以由该算法本身或其它类型的算法进行，并取决于所需的功能或处理目的。

因此，例如，上面的处理方法可以用于简单识别对象或由像素再现的对象的特性或条件或状态。

这种类型的处理方便地应用于医学领域，可以自动支持对诊断图像的理解和分析，尤其是x光图像，超声波图像，核磁共振图像或类似的图像。

可选地或者与之结合，本发明的方法也可以用于在具有相同对象的图像中和不同方法获取或拍摄的相同帧中识别对象的形状或类型。在这种情况下，具有相同对象的每个图像和相同的帧可以依照本发明的处理方法进行处理，于是不同图像中具有同样的位置且与同样的对象类型或对象特性关联的像素在重合的位置显示，从而提供了以三种方法成像的包含同一对象的细节的图像。将仅由一些获取或成像设备或模式识别和再现的细节，与仅由另一些获取或成像设备识别和成像的细节集成在单个图像中将非常有利。

类似地，该处理方法也可以用于图像修正，例如，精确地修正散焦图像。此时，通过提供包含散焦图像的确定向量和由对应像素再现的唯一关联的对象类型或特性的合适的训练数据库，发明的方法可以用于生成聚焦的图像，即通过确定产生散焦边界的像素和删除或修改这些像素获得聚焦图像。

上面描述的两个应用可以明显用于医学领域。

特别地，通过使用该处理方法获得相同对象的相同帧的重合图像，所有由不同成像设备获得的数据，例如由超声波、x光线照相术和MR成像设备获得的数据可以集成在单个图像中。

需要注意的是，对于一个对象不同类型或特性的识别的可能性允许集成由不同成像设备获得的信息，即使当后者提供的是相同对象不同背景的图像，而此时显然考虑所述空间背景的相关排列。

图5到图13图示了发明的方法应用于医学领域和应用于支持医师诊断活动目的的实施例的结果。

特别地，图5到图13所示的例子涉及在诊断核磁共振图像中使用该处理方法对不同类型的组织进行有选择的识别。

例1(图5)

对象	胸部
		成像方法	核磁共振
目的	识别组织类型
		组织类型	1.良性瘤2.恶性瘤
像素编码	3×3像素矩阵编码像素为中心像素
		图像分辨率	256×256像素

例1中，生成用于图像处理算法的训练数据库，该数据库识别两种类型的组织，即胸部区域的良性瘤组织和恶性瘤组织。

预定数量的已经诊断有恶性胸部瘤的患者和良性胸部瘤的患者的胸部区域的核磁共振图像依照上面描述的方法进行像素编码。像素的确定向量具有周围3×3像素矩阵的所有像素作为分量，其中被编码的像素是中心像素(图1)。

将图像中像素再现的组织类型分配给每个像素的确定向量。

因此，用于图像处理算法的训练数据库中包括的图像像素的确定向量涉及两种组织类型，即胸部区域的恶性瘤组织和胸部区域的良性瘤组织。

下面的算法组成了用作处理算法的所谓的神经网络。

处理算法
	MetaGenl
MetaGen
	MetanetAf
FF-Bm
	MetaBayes
MetanetBp
	MetanetCm
FF-Sn
	TasmSABp
TasmSASn
	FF-BP
FF-Cm

并不用于生成训练数据库的不同病人胸部区域的核磁共振图像序列参照图1按照上面公开的方式进行编码，并根据随后的像素编码方法将图像编码，产生用于处理算法的训练数据库。图8图示了这些图像的一个例子。白色的环标识了良性瘤组织的存在。

因此向该处理算法提供单个像素的确定向量，对再现的组织类型进行识别。

该算法基于训练数据库将再现的组织类型分配给不同的确定向量，从而分配给对应的像素。

通过对已分配良性或恶性瘤组织的像素适当地和区别地着色显示其结果。

图9图示了依照图8的图像对组织类型进行识别的结果的例子，其中视觉上分析识别出的白色轮廓区域表示良性瘤组织。

在图9中，黑色遮蔽白色的区域表示的是处理算法分配了良性瘤组织类型的像素。

白色包围黑色的区域标识的是处理算法分配了恶性瘤组织的像素。

相比于医师视觉上分析获得的对于恶性或良性瘤组织的识别，该算法对于一些像素提供无相符的指示，从而将其暂时分类成错误。

图5以数据表格和图表的方法图示了运行上面列表中的不同的神经网络获得的识别组织类型的预测可靠性的结果。其中获得的结果以良性或恶性瘤组织的正确识别的百分比、识别敏感度、加权和算术正确识别平均值和绝对误差进行表示。图表仅显示了两种组织类型识别的百分比和误差。

上面的描述清楚地显示了当该处理方法以一种分析诊断图像的方法用于识别和指示组织类型存在的时候，该处理算法获得的较高的组织识别可靠性，从而显示了该处理方法提供的高可靠性。

显然该方法并不是一个纯粹的诊断方法，因为尽管其提供的暗示相当可靠，它们不能提供确诊也不能替代或阻止完全可靠的诊断所需的附加的特定的分析或检查。

为了对图像所表示的特定的组织类型进行更好的定位和识别，本方法为诊断图像的理解和分析提供了充分的支持。无论是MRI和超声波还是x光线照相术类型的图像，对于诊断图像的理解和分析的难度在图8中不言而喻。

显然，改变编码规则可能获得更好的结果，即增加将被编码像素周围像素的数量作为组成所述将被编码像素的确定向量的分量。

增加训练数据库中组织类型的数量也可以获得更好的结果，如下面的例子所示。

例2

例2与例1类似，不过在识别数据库中增加了一种组织类型，即正常组织。因此，当生成训练数据库时，图像像素的编码向量与其中表示的组织类型中的一种唯一关联，即良性瘤组织、恶性瘤组织或者正常组织。

这个附加的类型允许很大数量的像素和对应的确定向量具有确定的含意。在前面的例子中，这些像素确定向量和对应的像素在处理算法中没有含意，而在第二个例子中，处理算法可以分配附加的明确的种类或组织类型。

因为算法可以从分配给确定向量的三个条件或状态中选择，所以附加的可能性减少了误差。

本例的执行可以参照前面例1进行描述和展示。

在这个例子中，只选择了下面的神经网络作为处理算法：

处理算法
	MetaGenl
MetaGen
	MetanetAf
MetaBayes
	MetanetBp
MetanetCm
	FF-Sn
FF-BP
	FF-Cm

数字结果在图6中列表显示。

不同的神经网络对组织类型的识别更加可靠。

例3

例3与上面的例子类似，但是包括5个组织类型，即：良性瘤组织、恶性瘤组织、正常组织、肌肉组织和图像背景。

训练数据库参考前面的例子按照上面描述的方法生成，且包含像素确定向量，其中每个像素确定向量唯一分配了上面五个类型中的一个，即由单个像素表示的类型。

图7图示了每个图像像素的组织类型识别结果，所用算法如下：

处理算法
	MetanetAf
MetaBayes
	MetanetBp
MetanetCm
	FF-Bm
FF-Sn
	FF-BP
FF-Cm
	LDA

除了LDA的所有这些处理算法都是神经网络。LDA是判别算法。

获得的结果显示了非常高的组织类型识别的可靠性。需要进一步注意的是，当在正常条件下比较时，尽管判别算法提供的结果无疑比神经网络获得的结果要差，但是相对于它的性能，该算法也能提供意想不到的结果。

图表显示了每个不同算法的误差。

参照图8的例子，根据所识别的不同类型，通过对像素着色的不同，图10图示了显示结果的例子。

肌肉组织、背景、正常组织和良性瘤组织均被正确识别。对照例1，一些较小部分的错误定位的良性瘤组织在图9中没有显示。

图11，12和13图示了包含一个恶性瘤组织的胸部区域核磁共振数字照片的例子，其中在图11中通过白色的环和局部扩大图突出显示该组织。

依照本发明的方法，在神经网络作为处理算法的帮助下，图13图示了对像素再现的组织类型进行识别的结果。训练数据库与例3相同，包括所有5个组织类型。

图13中显然可以观察到对恶性瘤组织、背景和肌肉组织的正确识别，该图图示了明确显示的识别处理结果的例子。

对于所描述的例子和本发明的处理方法，需要注意的是，当例子中的图像使用相同的背景时，所描述的方法并不需要限定背景的类型。由于根据本发明的编码方法考虑的是编码像素和其周围像素的关系，训练数据库事实上可以鉴别和识别数字图像的像素再现的组织类型，而该图像可以是相同的诊断区域也可能是不同的诊断区域，不管是否在特定的图像背景中。

这样显著地简化了成像过程，因为不需要一直以相同的帧获得图像。

进一步需要注意的是，训练数据库可能随着收集数据的增加和连续处理过程的确认动态地扩大。事实上，一旦算法确认了将组织类型分配给预定的像素和对应的确定向量，形成的确定向量-组织类型配对可能自动装入训练数据库，而训练数据库随着方法的使用扩大，从而使得处理算法更加熟练且减少犹豫不决或误差范围。

还需要注意的是，简单地增加一种欲被识别的组织类型并将其分配给生成训练数据库且能再现所述组织类型的图像的像素确定向量，识别处理过程可能在欲被识别的不同的组织类型的数量方面有所改变。

通过全部改变训练数据库，有可能识别其它类型对象的其它组织类型，还可能修正或覆盖由不同设备获得的相同对象的图像。

针对识别组织类型或特性的图像处理在像素向量编码方法下是可能的，该方法考虑再现特定对象即依照图3编码例子中的类型的像素的时间变化。如上面公开的，这种编码类型允许对图像序列的像素进行编码。

在诊断领域，可以向运动的对象提供识别组织的方法，例如在心脏的超声波成像或类似的成像中。

当前，在控制心电图的基础上，获得了心脏区域的超声波图像序列，并进一步地存储和像电影序列那样连续显示。在此序列中分析图像，尤其是对特定疾病的分析相当不容易而且相对不确定。因此，参照例1、2和3描述的处理方法，再与图3描述的对相同类型的图像序列的图像像素编码的方法结合，可以对图像序列的单个像素再现的组织类型进行自动分析和识别，于是所述类型可以在序列图像中以不同的方式突出显示，从而提高医师或合格人员观看和定位的能力。

数字或数字化图像序列中组织类型识别的处理方法与所述序列图像像素的像素编码方法相结合的简单应用领域在于混合或者不混合造影剂时对组织或者血管或淋巴流动的识别，也应用于造影剂灌注的识别和度量，其中图像序列中每个图像的每个像素的确定向量包括将被编码像素和周围像素的值。

在这种情况下，在注射造影剂之后随着时间获得的图像序列依照图3描述的方法进行编码。处理算法的训练数据库包括行为类型，例如动脉血管流动或淋巴或静脉流动和固定组织和/或脉管壁组织。随后，通过例如对涉及不同类型的像素着色的方法显示识别结果。

在所有上面的情况中，重要的是生成一个包含特定检查所需的相关的对象类型或特性的合适的训练数据库。

需要注意的是，通过向处理软件提供将被处理图像的正确的训练数据库和对将被处理的图像进行编码，相同的处理单元，即装载处理软件的硬件，可以执行任何上面的识别处理过程。

对于图像修正过程，即针对抑止或识别人为现象和/或识别散焦区域和通过聚焦修正这些区域的图像处理过程，本发明的处理方法并不作大量的变动。

对于人为现象，将生成一个训练数据库，其中对具有人为现象或不具有人为现象的已知图像编码，并将人为现象类型分配给再现人为现象的像素和将正确的像素类型分配给再现正确对象的像素。一旦对图像或图像序列进行了识别，可以通过以下方式非常容易地修正，即抑制与人为现象有关的像素或参考周围的像素对这些与人为现象相关的像素分配它们本身可能具有的组织类型或特性。

散焦可以通过类似的方式修正。

本发明处理的方法也可以用于生成由不同技术(例如核磁共振成像、超声波成像和x光成像)获得的相同对象的单个图像组成的图像。

在这种情况下，训练数据库将包括由三种不同的技术获得的所有三个图像的像素编码向量，以及与所述向量唯一关联的对应于所述像素的组织类型或特性。因此，图像的各部分与特定的类型唯一地关联且所述明确的部分可能在单个图像中在重合的位置或其它结合的排列方式进行显示。

发明的识别方法结合成像的方法，尤其在诊断方面的例如超声波或核磁共振成像方法的附加的应用在于，成像的过程由精确度较低但相对比较快速的成像序列或技术执行，且显示的图像是经过本发明识别方法处理后的图像。

这就在由单个图像像素再现的类型或特性的识别方面获得较高的可靠性，且缩短了诊断成像时间。在超声波或核磁共振成像等在一定条件下需要相对较长成像时间的时候，这种安排尤其有利而且提供明显的便利。

本发明的处理方法为组织类型，例如潜在的疾病组织如早期的瘤组织的识别提供了相当的优势。当前，乳房x线照相术在大约7微米的空间分辨率下进行。因此，对应的这些图像或数据具有同样的分辨率从而可以在非常早的生长等级时在一组细胞中区分不同的组织类型。然而，人眼的空间分辨率仅为100微米。因此现在无法使用这种规模的成像分辨率。

相反地，除了那些可能涉及到图像数字化方法的限制，本发明的方法没有任何空间分辨率的限制。

因此，通过使用合适的图像数字化或数字取样方法，人眼空间分辨率的限制可以降低，从而潜在地达到成像阶段可用的空间分辨率。

因此，通过使用本发明的方法，可能生成数字化的虚拟图像，该图像包括二维、三维或多维集合，其中虚拟图像由低于人眼空间分辨的图像单元点的图像数据组成。

处理的方法本质上包括如上描述的这些步骤，即生成像素编码向量和特性和类型识别处理，尤其对应于如上描述的组织。如这所述，不同的对象类型或对象特性可以通过合适改变与之相关的像素的外观突出显示，例如合适的彼此不同的色彩分配。

从像素确定向量的集合中可以重建像素数据矩阵，且所述数据可以用于控制诸如打印机和/或显示屏。

为了使得单个像素也能够在人眼的分辨率下显示，打印机或显示屏可通过使用图像的变化来控制，即高分辨率图像每个像素的数据用于控制打印机或显示屏的一个单元组的像素，其中高分辨率图像的分辨率在人眼的分辨率之下而打印机或显示屏的像素与对应的显示像素具有相同的外观。图像因此膨胀而不是扩大，每个高分辨率的像素通过显示包含足够数量像素的像素子矩阵进行表示，而此图像子矩阵生成具有与人眼分辨率或更高分辨率相当且顺序和幅度相同的分辨率的图像区域。

当图像由大小对应于7微米的分辨率的像素组成时，可能组成14×14＝196个像素的单元组，因此模仿98微米的分辨率。

这里控制196个像素的单元组呈现与分配给对应的高分辨率像素相同的外观，因而产生人眼可见的图像点。

显然，上面的显示步骤生成高分辨率像素的单元组，其中单元组也可以具有更多或更少数量的像素，从而对应于单个高分辨率像素更大或更小的放大。

放大因子也可以由使用者预设，从而允许对放大显示步骤应用的图像部分进行限定或定义，并对所述将被放大的图像区域采用不同的放大和分辨率因子进行连续的和不同的放大步骤。

上面的描述清楚地显示了，依照本发明基于图像编码技术的识别方法，使得对于这样人眼无法识别的信息，仍然可以处理、评测或提供高可靠的提示。

显然，对于上面描述的方法，可以提供多个应用领域，这里参照了诊断图像的处理和健康或正常组织或患病组织、尤其是良性和恶性瘤组织的识别。

在后面的应用领域中，如上描述的改进使得在早期对在7微米分辨率下由较小数量细胞组成的良性或恶性瘤组织的存在可以分析组织类型并获得相应的提示。

Claims (40)

1.一种对数字或数字化图像的像素进行编码的方法，所述图像包含一组在二维图像中称为像素、在三维图像中称为三维像素的图像点，每一个所述的像素或三维像素由对应于显示屏或打印图像上像素的可视外观的一组值表示，其特征在于，数字或数字化图像中关注的至少一部分像素或三维像素(5，14)或者组成图像的像素组或三维像素组的每个像素或三维像素(5，14)与一向量唯一关联，这个向量由将被编码的像素(5，14)的数据和将被编码的像素周围至少一个或至少一些或所有的像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)的数据给出，并排列在组成图像的整个像素或三维像素组中包括的预定的像素或三维像素子集内。

2.如权利要求1所述的方法，其特征在于，像素或三维像素(5，14)确定向量的分量由选择决定，即选择与所述将被编码像素或三维像素直接邻近的所有的像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)作为将被确定的像素周围的像素或三维像素。

3.如权利要求1或2所述的方法，其特征在于，将被编码的像素或三维像素(5，14)的确定向量的分量也包括包围与所述将被编码的像素或三维像素(5，14)直接邻近的像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)的至少一个或至少一些或全部像素。

4.如前面的一个或多个权利要求所述的方法，其特征在于，对应于将被编码的像素或三维像素(5，14)和周围像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)的确定向量的分量按照一定方式排列，即参照用于组成将被编码的像素或三维像素(5，14)的所述确定向量而选择的周围的像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)的预定的读取序列，与所述像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)彼此间的距离关系以及与将被编码的像素或三维像素(5，14)的距离关系对应。

5.如前面的一个或多个权利要求所述的方法，其特征在于，确定向量的分量按照一定方式排列，即将被编码的像素(5，14)具有对应于从图像像素或三维像素组中取出、与将被编码像素(5，14)周围被选作决定确定向量分量的像素或三维像素(1，2，3，4，6，7，8，9；1，2，3，4，5，6，7，8，9，10，11，12，13，15，16，17，18，19，20，21，22，23，24，25，26，27)相关的中心位置。

6.如前面的一个或多个权利要求所述的方法，其特征在于，它包括对单个对象和涉及所述对象的单个帧的数字或数字化图像序列进行编码的步骤，其中图像序列包括以一定时间间隔获得的至少两个图像，且在组成所述序列图像的像素矩阵中具有相同位置的将被编码的像素或三维像素(5)的确定向量由所述将被编码的像素或三维像素(5)的数值和其周围选择组成每个图像的所述确定向量的像素或三维像素的数值组成，且所述每个图像是所述图像序列的一部分。

7.如权利要求6所述的方法，其特征在于，数字或数字化图像序列中将被编码的像素或三维像素(5)的特征向量包括所述将被编码的像素或三维像素的数值和被选出组成所述序列所有图像的所述确定向量分量的像素或三维像素的数值，其中将被编码像素或三维像素(5)的数值和其周围被选出组成确定向量分量的像素或三维像素的数值参照获得序列单个图像的时间点排列顺序，并针对图像序列的相同的图像或者相同的获得时间点组成确定向量分量的子集。

8.如权利要求7所述的方法，其中，图像序列中不同图像的确定向量分量的子集按照获得图像序列中要被编码的对应图像的时间顺序连续依次排列。

9.一种对数字或数字化图像进行处理的方法，该方法基于如前面权利要求1到8和权利要求35到39的一个或多个权利要求所述的图像像素或三维像素编码方法进行操作，且其特征在于，它包含生成训练数据库和对处理系统进行训练，该方法包括如下步骤：

-将预定数量的数字或数字化图像编码成为像素或三维像素确定向量；

-将每个确定向量与对应的对象类型或对应的特性唯一关联，其中对象类型和特性参照预定的不同的类型或特性的列表由传统图像分析决定，且由对应的确定向量编码的每个像素或三维像素来实际上再现；

-生成用于处理系统的训练数据库，其数据库包含由所述确定向量和由对应的像素或三维像素再现的对象的相关联类型或特性组成的二项式；

-通过在处理系统中输入和装载训练数据库或者允许处理系统访问训练数据库，实际上对处理系统进行训练；

对于不同图像或图像序列可以重复的处理步骤，其不需要重复训练的步骤，且包括如下步骤：

-通过关联于每个像素或三维像素的确定向量对未进行其它评测的图像的像素或三维像素编码；

-在处理系统中输入所述的图像像素或三维像素确定向量，在所述处理系统的输出获得处理的结果，即参照训练数据库中包含的对象类型或特性获得每个图像像素或三维像素表示的对象类型或特性。

10.如权利要求9所述的图像处理的方法，其特征在于，处理系统包含算法，该算法对训练数据库的像素确定向量和将被处理的编码的图像或图像序列的像素确定向量进行比较。

11.如权利要求9或10所述的方法，其特征在于，处理系统包括类型被称作LDA的判别算法。

12.如权利要求9或10所述的方法，其特征在于，处理系统包括被称为神经网络的算法。

13.如前面权利要求9到12中一个或多个权利要求的方法，其特征在于，已处理的图像上已识别出对象类型或特性的像素或三维像素通过与图像不同并且彼此间不同的方式进行显示，例如，每个对象类型或特性选项采用一定的外观，比如预定的不同的颜色或类似的方式。

14.如权利要求13所述的方法，其特征在于，已处理的图像上已识别出对象类型或特性的像素或三维像素通过与图像不同并且彼此间不同的方式、在原始图像上进行显示，例如，每个对象类型或特性选项采用一定的外观，比如预定的不同的颜色或类似的方式。

15.如权利要求14所述的方法，其特征在于，原始图像以单色模式显示，尤其是黑白或灰度图。

16.如前面的权利要求9到15的一个或多个权利要求所述的方法，其特征在于，图像处理的结果存储在用于处理系统的训练数据库中。

17.如权利要求16所述的方法，其特征在于，将训练结果存储在训练数据库的过程前，该结果可通过可视控制和/或其它分析方法确认。

18.如权利要求16或17所述的方法，其特征在于，图像处理结果以已处理图像的像素或三维像素的确定向量的形式存储，且对应于处理之后分配的对象类型或特性。

19.如前面的权利要求9到18的一个或多个权利要求所述的方法，其特征在于，它是一种对图像像素或三维像素再现的对象的类型进行识别的方法。

20.如前面的权利要求1到19和权利要求35到39的一个或多个权利要求所述的方法，其特征在于，它是一种对数字或数字化诊断图像进行处理的方法，针对的是对至少一种类型的组织或者解剖或生理对象或其中的一种特征的识别。

21.如权利要求20所述的方法，其特征在于，它是一种识别和区分良性瘤组织和恶性瘤组织的诊断图像处理方法，其中组织由诊断图像的像素或三维像素再现，训练数据库由表示所述恶性瘤组织和良性瘤组织的图像像素或三维像素的确定向量组成，并与对应的组织类型唯一关联。

22.如权利要求21所述的方法，其特征在于，它是一种识别和区分良性瘤组织、恶性瘤组织和正常组织的方法，其中组织由诊断图像的像素或三维像素再现，训练数据库由表示所述恶性瘤组织、良性瘤组织和正常组织的图像像素或三维像素的确定向量组成，该向量与编码成所述向量的像素或三维像素再现的对应的组织类型唯一关联。

23.如权利要求22所述的方法，其特征在于，它是一种识别和区分良性瘤组织、恶性瘤组织、正常组织和肌肉组织的方法，其中组织由被处理的诊断图像的像素或三维像素再现，训练数据库由表示恶性瘤组织、良性瘤组织、正常组织和肌肉组织的图像像素或三维像素的确定向量组成，该向量与编码成所述向量的像素或三维像素再现的对应的组织类型唯一关联。

24.如权利要求21到23的一个或多个权利要求所述的方法，其特征在于，它是一种识别和区分良性瘤组织和/或恶性瘤组织和/或正常组织和/或肌肉组织和图像背景的方法，其中组织和背景由被处理的诊断图像的像素或三维像素再现，训练数据库由表示恶性瘤组织和/或良性瘤组织和/或正常组织和/或肌肉组织和图像背景的图像像素或三维像素的确定向量组成，该向量与编码成所述向量的像素或三维像素再现的对应的组织类型或背景唯一关联。

25.如权利要求9到20所述的方法，其特征在于，它是一种度量造影剂灌注的方法，其中在患者的预定的解剖部位注射所谓的造影剂之后，对所述部位的一序列超声波或核磁共振图像进行检测，该方法包括如下步骤：

-为专家处理系统生成训练数据库，包括当造影剂存在、关联于不同的典型的灌注类型或特性中的灌注行为的一种特性或类型时获得的像素或三维像素或图像序列的确定向量；

-通过输入或处理训练数据库中的数据来实际上训练处理系统；

-在注射造影剂之后获得解剖部位的一序列图像，并按照前面的权利要求1到8所述、将所述序列的图像的像素或三维像素编码成所述图像序列像素的确定向量；

-以确定向量处理算法进行处理，基于训练数据库将灌注行为类型或灌注特性与每个确定向量相关联，因此与图像序列的每个像素或三维像素相关联；

-显示图像序列，通过关联于不同灌注行为特性或类型的像素或三维像素的唯一的可视外观特色来突出显示所述像素或三维像素。

26.如前面的权利要求9到20中一个或多个权利要求所述的图像处理方法，包括依照权利要求1到8所述的编码方法的图像像素或三维像素的编码方法，其特征在于，它是一种识别和显示部分活动器官或生理结构、尤其是心脏的方法，其中，获取的是一序列心脏或任何其它器官或生理结构的超声波或x光线照相术或核磁共振图像，该方法包括如下步骤：

-生成训练数据库，其中向心脏或任何其它器官或生理结构的依照权利要求1到8中一个或多个权利要求所述的方法进行编码的多个图像序列的像素或三维像素的每个确定向量分配对应像素或三维像素再现的类型或特性；

-通过输入或处理处理数据库中的数据来实际上训练处理系统；

-采用权利要求1到8中一个或多个权利要求所述的方法，对心脏或任何其它器官或生理结构的一序列图像进行编码，用于进一步的处理；

-处理所述已编码的图像序列，从而处理算法可以基于训练数据库分配已编码图像序列的每个像素或三维像素再现的类型或特性；

-显示结果，并根据每个特定的类型或特性通过唯一地改变对应于特定类型或特性的像素的外观来可视地突出显示这些像素。

27.结合如权利要求1到8中一个或多个权利要求所述的图像编码方法、如权利要求9到20中一个或多个权利要求所述的方法，用于识别图像瑕疵或偏差，其中包括如下步骤：

-通过如权利要求1到8中一个或多个权利要求所述将图像像素或三维像素编码成确定向量来生成训练数据库，其中将依照对应的像素或三维像素是否再现或具有所述瑕疵或所述偏差来定义图像存在或不存在瑕疵或偏差的类型或特性分配给所述图像的像素或三维像素的每个确定向量；

-通过输入或处理训练数据库中的数据来实际上训练数据库；

-采用权利要求1到8和权利要求35到39中一个或多个权利要求所述的方法来编码图像；

-处理所述已编码的图像，从而处理算法可以基于训练数据库为已编码图像的每个像素或三维像素分配定义了存在或不存在图像瑕疵或偏差的类型或特性；

-显示结果并通过不同的外观排列可视地突出显示这些已完成类型分配的像素或三维像素，其中分配的类型定义了瑕疵或偏差的存在，并且通过与不同瑕疵或偏差特性唯一关联的像素或三维像素进一步的外观上的差别来区别于分配给其它像素或三维像素的特性，进而指出分配给该像素或三维像素的偏差或瑕疵的特性，

28.如权利要求27所述的方法，其特征在于，它进一步包括瑕疵消除，步骤如下：

-在训练数据库中增加已编码的图像对，这些图像具有或不具有图像瑕疵或偏差，这是通过将确定向量与定义图像偏差存在与否的对应类型相关联而完成的；

-对图像的像素或三维像素编码并将后者进行处理，为图像的每个像素或三维像素分配定义了图像偏差或瑕疵存在与否的类型和可能的所述偏差或瑕疵的特性；

-对于已发现存在瑕疵或偏差的像素或三维像素，通过为它们分配图像中无瑕疵或偏差像素或三维像素的外观修正它们的外观，而此图像在训练数据库中与具有所述偏差或瑕疵的对应图像相配对。

29.如权利要求27或28所述的方法，其特征在于，之前或随后对已处理的图像进行处理，从而对像素表示的对象类型进行特定的识别。

30.如权利要求27到29中一个或多个权利要求所述的方法，其特征在于，瑕疵或偏差的类型是散焦瑕疵和/或人为现象和/或错误曝光和/或有缺陷的冲洗。

31.结合如权利要求1到8和/或权利要求35到39中一个或多个权利要求所述的图像像素或三维像素编码方法、如前面的权利要求9到20中一个或多个权利要求所述的方法，其特征在于，它是一种覆盖相同对象的数字或数字化图像的方法，其中图像由不同的成像技术获取，该方法包括如下步骤：

-依照权利要求1到8和/或权利要求35到39中一个或多个权利要求所述的方法对通过不同成像技术获取的相同对象的每个图像进行编码；

-对通过不同成像技术获取的相同对象的每个图像进行处理，用于如权利要求9到26中一个或多个权利要求所述识别对象类型或特性；

-将不同图像中的分配给相同对象类型的像素提供的信息混合在单个图像中。

32.如权利要求27到31中一个或多个权利要求所述的方法，其特征在于，它结合如权利要求9到26中一个或多个权利要求所述的方法提供。

33.如前面权利要求中一个或多个权利要求所述的方法，其特征在于，数字化图像的像素尺寸对应于人眼分辨率下较高的分辨率，其中依照权利要求9到32所述进行处理、用于识别的像素数据用于控制高分辨率像素单元组的所有像素，其中所述像素单元组具有一定数量的像素，从而每个像素单元组的所有像素的外观与相关联的高分辨率像素的外观一致，且所述像素单元组的显示或打印的图像可以在人眼分辨率或更差分辨率下观看或检测。

34.如权利要求33所述的方法，其特征在于，组成像素单元组的高分辨率像素的数量是可调的且可以定义不同的放大级别。

35.如权利要求1到8中一个或多个权利要求所述的方法，其特征在于，出于编码的目的，可定义不同尺寸的最小图像区域而不是考虑单个像素组成的图像，其中最小图像区域由预定数量的邻近中心的像素组成，且通过组成所述最小图像区域的单个像素的亮度和或彩色值的线性或非线性组合和/或一个或多个统计函数的值计算由所述一定数量邻近中心像素组成的所述最小图像区域的值。

36.如权利要求34所述的方法，其特征在于，它采用组成最小图像区域的单个像素的亮度的均值和/或其方差值和/或附加的单个像素的色彩值的均值和或方差值作为最小图像区域的值。

37.如权利要求35或36所述的方法，其特征在于，增加与组成最小图像区域的单个像素的亮度和/或彩色相关的值的时间相关性，也可以使用单个像素的亮度和或彩色值的组合和或统计函数的时间相关性。

38.如前面的权利要求35到37中一个或多个权利要求所述的方法，其特征在于，将被编码的最小图像区域具有明确的最小邻近图像区域，其中每个最小邻近图像区域可以由将被编码的最小图像区域邻近的单个所选像素组成，也可以由将被编码的所述最小图像区域邻近的一定数量的所述像素组成。

39.如权利要求38所述的方法，其特征在于，将被编码的最小图像区域的最小邻近图像区域中每个区域具有一定数量的像素，且该数量与组成将被编码的最小图像区域的像素数量相同或不同。

40.如前面的权利要求9到34所述的一个或多个权利要求所述的方法，其特征在于，数字化图像根据权利要求35到39中一个或多个权利要求所述的编码方法进行编码。

Images