CN1889125A - 一种医疗放射图像的细节增强方法 - Google Patents

Abstract

本发明公开了一种医疗放射图像的细节增强方法，包括步骤：A.将原始图像逐级进行高斯分解，形成原始图像的多层高斯子图像G_j的高斯金字塔和多层拉普拉斯子图像L_j的拉普拉斯金字塔；B.对拉普拉斯金字塔的各层子图像L_j的拉普拉斯系数进行调整，以增强各层拉普拉斯子图像L_j的细节；C.将增强细节后的拉普拉斯子图像L′_j与其对应的同级高斯子图像G′_j相加直至到达普拉斯金字塔的底层以完成图像重建。经此方法处理后的图像不会偏亮或者偏暗，对比度清晰，层次感明显，解决了放射影像中组织均衡问题，尤其是对空气、脂肪、软组织、骨骼的放射图像密度均衡处理。

Description

一种医疗放射图像的细节增强方法

技术领域

本发明涉及数字图像处理技术领域，尤其是一种医疗放射图像的细节增强方法。

背景技术

X射线诊断用于临床医学已有百余年历史，尽管一些其它先进的影像检查技术，如CT和MRI等对一部分疾病的诊断，显示出了较大的优越性，但它们并不能取代X射线检查。一些部位的检查，例如胃肠道，骨关节及心血管，仍主要使用X射线检查。X线还具有成像清晰、经济、简便等特点，因此，在国内外，X射线诊断仍然是影像诊断中使用最广泛和最基本的方法。

放射图像是X射线束穿透某一部位不同密度和厚度组织结构后的投影总和，是该穿透路径上各层投影相互叠加在一起的影像。重叠的结果使体内某些组织结构的投影因累积增益而得到很好的显示，也可使体内另一些组织结构的投影因减弱抵消而较难或不能显示。

采用化学方法处理X射线放射图像胶片，处理时间长。如果胶片曝光量不够或透照角度错误，必须重新进行所有的程序。虽然胶片的空间分辨率较好，但是，胶片线性不好和对比度范围狭窄，再加上人眼所具有的局限性，辨别能力不能超过100的灰度级别，已经不可能从一个范围宽广的胶片密度来检测和获得更精确的数据。如果使用图像增强器，其应用范围又受其防护体积庞大和视域的限制，而且图像的边沿出现扭曲，只有中心位置的图像对于某些应用才有用。另外，图像增强器的对比度和空间分辨率也不能和其他的技术相提并论。无论胶片还是图像增强器，存档和分发都不方便。

采用计算机化的X射线技术，如CR(Computed Radiography，计算机X射线摄影)、DR(Digital Radiography，数字化X射线摄影)使X射线成像发生了巨大的变化。CR的对比精度是12位或4096灰度，与胶片相仿。尽管其空间分辨率还没有超过胶片，对于大多数医学阅片应用已经足够了，CR的精度是5线对/毫米(即100μm)，由于它的对比度范围很大，CR基本上能够被应用于所有的数字X射线技术，通过一个入口就可以获得多数拍摄对象的全部厚度范围。通过计算机，可以浏览全部厚度范围的任何感兴趣的位置。但是CR所存在的缺点是：存储板老化以后影响照片的质量，需要专门的读取器。DR是通过数字平板提取X射线直接转化成为数字图像，比较胶片和CR而言，DR技术在改善对比度、提高空间分辨率、降低噪音干扰、提高强度和降低成本等都具有明显的优势。

影响放射图像质量的因素有很多，比如数字面板的老化，显示屏的分辨率，技师的拍摄技术等等。好的医学放射影像要求层次分明，有很好的空间层次感。对于观察的对象，要求轮廓清晰，与背景有显著差异。一般从数字医疗设备上采集的医学图像，由于动态范围过大，再加上复杂的人体组织结构，导致图像“朦胧”，细微的病灶隐藏在无用的信息中，比如癌症早期，癌变组织比较细小，但由于医学影像成像质量不高，加大了诊断的难度，病变组织发展到一定的大小才能发现，错过了治疗的最佳时机；而传统的窗宽窗位调节观察影像费时费力，看清了一处组织，别的组织又变得过亮或者过暗，而且无法看清图像的细节信息。

现有的数字图像增强技术分为空间域和频率域两种。“空间域”是以对图像像素直接处理为基础的，比较典型的有灰度变换，直方图均衡，空间滤波方法等等。这些方法的缺点是把图像看成一个个像素的简单组合，没有考虑像素之间的内容关联。由于医学图像的特殊性，每个象素由于所处的位置不一样，导致这些像素对于观察者理解图像的贡献有大有小。比如位于边缘的像素很容易引起注意，那么这些像素的变化所产生的信息量要远远大于位于平滑区域的像素。因此，如果再在单一的全局范围内处理图像，就不能很好的突出细节信息。

“频域”处理技术是以修改图像的傅氏变换为基础。频率域滤波的基本步骤如图1所示，由于图像中多数尖锐的细节和噪声具有相同的频率特性，所以采用频率域处理的最大问题就是没有办法区分有用信息和无用信息。目前频域变换最常用的小波变换是基于Mallat的金字塔算法，虽然优点突出，但它具有时移敏感性，该时移敏感性是由下采样造成的。因此，小波变换会产生“振铃效应”，带来人为的伪影，这在医疗影像处理中是不允许的。

发明内容

本发明所要解决的技术问题是针对现有技术存在的上述缺陷，提供一种医疗放射图像的细节增强方法，使经处理后的图像，对比度清晰，层次感明显，解决了放射影像中组织均衡问题，解决了动态大面积平均密度与细节边缘的均衡问题，尽量避免了“振铃效应”。

解决本发明技术问题所采用的技术方案是：一种医疗放射图像的细节增强方法，包括如下步骤：

A、将原始图像逐级进行高斯分解，形成原始图像的多层高斯子图像G_j的高斯金字塔和多层拉普拉斯子图像L_j的拉普拉斯金字塔；

B、对拉普拉斯金字塔的各层子图像L_j的拉普拉斯系数进行调整，以增强各层拉普拉斯子图像L_j的细节；

C、将增强细节后的拉普拉斯子图像L_j′与其对应的同级高斯子图像G′_j相加直至到达普拉斯金字塔的底层以完成图像重建。

所述的步骤A具体包括以下步骤：

A1、以原始图像作为高斯金字塔的第0层，进行5*5低通高斯卷积核低通滤波，经过下采样形成第1层子图像，再以第1层子图像为基准图像，依次操作，操作的次数预先定义为n，即对应高斯金字塔的层数，上一层子图像的水平和垂直分辨率各为下一层子图像的1/2，达到预定义的层次以后，此时的子图像分辨率为原始图像的1/2ⁿ，n为高斯金字塔的层数；

A2、从高斯金字塔的顶端，即第n层高斯子图像G_n开始，对位于这一层的高斯子图像用5*5低通高斯卷积核进行上采样，形成的高斯子图像G_n-1′与原来位于第n-1层的高斯子图像G_n-1具有相同的分辨率，G_n-1′和G_n-1的差值就是第n-1层的拉普拉斯子图像L_n-1，依次类推，形成拉普拉斯金字塔。

所述的步骤B具体包括以下步骤：

B1、将拉普拉斯子图像的灰度值映射到[-1，1]，即对于拉普拉斯子图像中的每个像素P_i，j，都除以最大像素值max|P_i，j|，max|P_i，j|按公式

max|P_i，j|＝max{P_i，j}  0≤i＜m，0≤j＜n  计算

其中，m，n分别为拉普拉斯子图像的行数和列数；

由此得到归一化后的像素值P′_i，j；

$P_{i,j}^{\′}=\frac{P_{i,j}}{\max \left|P_{i,j}\right|}$

B2、对P′_i，j进行^p变换，也就是进行对比度均衡，得到均衡后的像素P_i，j″；

B3、将均衡后的像素P_i，j″乘以一个整体灰度调节系数m，

P_i，j＝P_i，j″×max|P_i，j|×m，

以消除对比度均衡后对图像整体的影响。

所述的高斯金字塔和拉普拉斯金字塔的分解层数取决于原始图像的尺寸和需要增强的部位信息，根据医学影像的要求，对于密度较大的骨骼等部位，分解层数选择5-7层，对于密度较小的软组织等部位，分解层数选择7-10层。

本发明所产生的有益效果是：处理后的图像不会偏亮或者偏暗，对比度清晰，层次感明显，解决了放射影像中组织均衡问题，尤其是对空气、脂肪、软组织、骨骼的放射图像密度的均衡处理。

本发明采用高斯-拉普拉斯金子塔方法在不同的层次使用不同的增强系数，很好的解决了如何突出图像细节特征的问题，解决了动态大面积平均密度与细节边缘的均衡问题。

本发明提供对应于每个层次的细节参数调节工具，医生可以根据所观察的部位和个人习惯自己调节参数，直到取得最佳的诊断效果。

附图说明

图1为现有技术的频率域滤波的基本步骤方框图；

图2为建立图像金字塔的方框图；

图3为图像金字塔的结构示意图；

图4为本发明技术方案的主流程图；

图5为高斯金字塔与拉普拉斯金字塔原理图；

图6为^p变换所对应的数学图形；

图7、图8分别为经过本发明细节增强方法前后的效果对比图；

图9、图10分别为经过本发明细节增强方法前后的效果对比图；

图11为本发明的细节增强参数调节界面图。

具体实施方式

本发明是一种全新的医疗放射图像的细节增强方法，针对数字化的放射图像，采用图像金字塔结构提取不同分辨率下的细节信息，根据细节所处的层次采用不同的调节参数，既忠实于原始图像，又改善了细节质量。

本发明采用了与人眼视觉系统相似的图像处理方式，由于人眼具有中央—周围特性，在不同的分辨率下关注的视觉内容是不相同的。比如在低分辨率时，人眼只能分辨目标的大致形状，而在高分辨率时，人眼可以看清目标的线条、纹理等。因此，本发明在不同的分辨率下增强不同的细节。使用层次化的方法表示图像的不同视觉特征。在一幅灰度图像里，每个像素点都对应一定的亮度，对于人眼视觉系统而言，像素的亮度不仅仅是一种信号激励，由于人的大脑具有图像理解功能，因此，这些信号可以进一步描述成底层特征，如边缘、线，也可以描述成高层特征，如纹理、区域和对象边界，对象自身和对象之间的关系等等。一幅数字图像可以看成是由不同频段，不同尺寸的子图像组合而成的。每个子图像包含了一些特定的信息。当采用不同的观察倍数的时候。子图像表现出不同的细节。对每一个子图像进行相应的处理，就可以增强对应尺寸的信息。

当观察医学放射图像时，通常看到的是相连接的纹理与灰度相似的区域，这些区域结合形成物体。如果物体的尺寸很小或对比度不高，需要采用高分辨率；如果物体的尺寸很大或对比度很强，则只需要较低的分辨率。如果物体的尺寸有大有小，对比度有强有暗，那么在不同的分辨率上分析图像就具有优势。

采用多分辨率技术分析图像的一种简单有效的方法就是采用图像金字塔法。所谓的图像金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合，金字塔的低层的图像为原始图像，高层图像来自低层图像。图2表示了一个建立图像金字塔过程的步骤，即如何由第j层产生第j+1层，并产生第j层的残差。

在图2中，j+1层的近似输出用来建立图像金字塔位于第j+1层的近似值，采用不同的滤波器，可以得到原始图像的多个不同的近似值。j层的残差输出用于建立残差金字塔，即拉普拉斯金字塔。对于第j层的子图像而言，在相应近似金字塔第j层的信息I_j与基于j+1层的子图像上采样得到的近似估计I_j′之间是不同的，它们之间的差异构成了第j层的残差。近似值和残差金字塔都是以一种迭代的方式进行计算的。每次迭代由3个步骤组成：

1.计算输入图像的减少的分辨率的近似值。这可以通过对输入的图像进行滤波并以2为步长进行抽样(即下采样)得到。进行滤波方法有：邻域平均，高斯低通滤波或者直接在空间域进行子采样过滤。低分辨率图像用于分析大的结构或者图像的整体内容，而高分辨率图像用于分析单个物体的特性。如果没有滤波器，金字塔上一层会变得很模糊，采样点对于所采样的区域也没有很好的代表性。

2.对上一步的输入图像减少的分辨率的近似值以2为步长进行内插(即上采样)并过滤，生成了与输入等分辨率的预测图像。由于在步骤1的输出像素之间进行插值运算，滤波器的类型决定了预测值与步骤1的输入之间的近似程度。如果忽略插入滤波器，预测值就是步骤1输出的内插形式，复制像素的马赛克效应会很明显。

3.计算步骤2中的预测值与步骤1中的输入之间的差异，以j级残差标识这个差异，这个差异将用于原始图像的重建。在没有量化差异的情况下，预测残差金字塔可以用于生成相应的近似金字塔，包括原始图像。这个过程如图3所示：

第j(1＜j＜J)层的图像P_j经过滤波、下采样生成了上一级子图，即位于金字塔j+1层的图像P_j-1，而P_j-1再经过滤波、上采样时生成的下一级图像P_j′时，由于滤波器的作用，P_j和P_j′之间存在差异，而这个差异只有在不同分辨率的转换过程中才能够提取并表现出来。

本发明的技术方案可以分为3个阶段，即高斯金字塔分解，拉普拉斯金字塔系数调整和高斯金字塔的重建，具体流程可以参阅图4。

在高斯分解阶段，以原始图像为基准，也即原始图像位于第0层，进行5*5低通高斯卷积核低通滤波，经过下采样形成第1层子图像。子图像的水平和垂直分辨率各为基准图像的1/2；再以第1层子图像为基准图像，依次操作。操作的次数可以预先定义，即对应高斯金字塔的层数。达到预定义的层次以后，此时的子图像分辨率为原始图像的1/2ⁿ，n为高斯金字塔的层数。然后，从高斯金字塔的顶端，即第n层子图像G_n开始，对位于这一层的子图像用5*5低通高斯卷积核进行上采样，形成的子图像G_n-1′与原来位于第n-1层的子图像G_n-1具有相同的分辨率。G_n-1′和G_n-1的差值就是第n-1层的拉普拉斯子图像L_n-1。依次类推，可以得到拉普拉斯金字塔，原理如图5所示，拉普拉斯金字塔位于第j级的子图像是同级的高斯子图像与第j+1级高斯子图像上采样后再高斯低通滤波形成的子图像的差。根据高斯滤波的特性，拉普拉斯子图像反映了图像的细节信息。

在拉普拉斯系数调整阶段，由于图像的轮廓主要分布在低频部分，噪声主要分布在高频部分，大部分有用信息分布在中频部分，因此图像质量的改善需要抑制低频，高频能量，突出中频。通过研究比较，^p变换正好能够满足这种需求，^p变换的函数描述形式如下：

f(x)＝x^p    其中  x∈[-1，1]，0＜p≤1    (1)

^p变换所以对应的数学图形如图6所示。

从图中可以看出，^p变换方法对子图像中较小的系数增强幅度最大，从而显著提高了相应的细节的可视程度。

本发明通过除最大值方法将拉普拉斯子图像的灰度值映射到[-1，1]，即对于拉普拉斯子图像中的每个像素P_i，j，都除以最大像素值max|P_i，j|，max|P_i，j|按照如下公式计算：

         max|P_i，j|＝max{P_i，j}  0≤i＜m，0≤j＜n    (2)

其中，m，n分别为拉普拉斯子图像的行数和列数。

由此得到归一化后的像素值P_i，j′。

$P_{i,j}^{\′}=\frac{P_{i,j}}{\max \left|P_{i,j}\right|}...\left(3\right)$

然后P_i，j′对进行^p变换，也就是进行对比度均衡，得到均衡后的像素P_i，j″。

如果原始图像过亮或者过暗，那么^p变换后两极分化将更为严重。为了防止这种现象，我们在反变换过程中，加入了一个整体灰度调节系数m，以提高或者降低图像的整体对比度。即

P_i，j＝P_i，j″×max|P_i，j|×m    (4)乘以调节系数m的作用是为了消除对比度均衡后对图像整体的影响，相当于“宏观调控”。

从数学上分析，^p变换的p值越小，曲线越弯曲，即调节的幅度越大。因此，对于不同层次的拉普拉斯子图像，所采用的p的值也不一样。而且，不同种类的医学放射图像在增强时所采取的最优p值方案也不一样。本发明根据实际应用的情况给出了常见的医学放射图像的最优p值方案，如表1所示：

表1实际应用中的图像类别和参数组对照表

在重建阶段，将增强后的拉普拉斯子图像L_j′加回到同一层的高斯子图像中。具体步骤是：

1、从高斯分解阶段可以看出，拉普拉斯金字塔顶端即对应的高斯金字塔的第n-1层，为方便表示，不妨计为L_n-1。L_n-1经过拉普拉斯系数调整后，输出为L_n-1′。

2、将经过增强后的拉普拉斯子图像与同层的高斯金字塔子图像相加，即

G_n-1′＝G_n-1+L_n-1′                                 (5)这样，原来的高斯子图像细节得到增强，而图像的其他部分并没有很大改变。

3、从高斯金字塔的第n-1层逐步向下，重复1-2步操作，直到高斯金字塔的底层，即原始图像。这样的重建过程通过逐步改善图像细节质量的方法，在每个层次上通过系数调节增强幅度，最后加到高斯图像底层，即原始图像时，图像的细节信息已能够充分的表现出来。

在本发明中，高斯-拉普拉斯金字塔的分解层数是可以调节的。分解的层数取决于原始图像的尺寸和需要增强的部位信息。根据医学影像的要求，对于密度较大的骨骼等部位，增强层数可以选择5-7层；对于密度较小的软组织等部位，增强层数可以选择7-10层。由于方法是从金字塔顶端层层运算到底端，所以越接近金字塔顶部的子图像，其系数变化对最终输出图像的影响越大。因此，在非线性调节中，对于接近金字塔顶端的子图像，^P变换的系数越接近1，即弱增强；而越接近金字塔底端的子图像，^P变换的系数可以很小，即强增强。

另外，采用多分辨率的思想生成图像金字塔的方法有很多，也可以使用正交小波变换或者双密度小波变换的方法。由于实现双密度小波变换需采用过采样滤波器，而不是传统小波变换的临界采样，因此在双密度小波分解变换中小波系数是冗余的，并具有近似时移不变性。此外，双密度小波分解变换得到的信息能较好地克服正交小波的马塞克现象，有利于改进图像的边缘信息。由于正交小波变换和双密度小波变换采用了过采样，具有时移不变性，所以增强后的也不会引起伪影，但是计算复杂度要高于本发明所使用的方法。

实践结果证明，采用多分辨率增强细节方法产生的效果优于普通的图像增强方法，不会带来人为的痕迹，忠实于原始医学图像。其效果可以参阅图7、8和图9、10的效果对比图。

医生可以预置增强系数方案，也可以自己在不同的层次(即图中的调节幅度)进行微调，请参阅图11，细节增强后的效果实时显示在图中，直到医生满意为止。医生可以直接选择“完成”，也可以把这一组调节参数以方案的形式储存在文件中，以供下次直接调用。

应当指出，以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1、一种医疗放射图像的细节增强方法，其特征在于，包括如下步骤：

A、将原始图像逐级进行高斯分解，形成原始图像的多层高斯子图像G_j的高斯金字塔和多层拉普拉斯子图像L_j的拉普拉斯金字塔；

B、对拉普拉斯金字塔的各层子图像L_j的拉普拉斯系数进行调整，以增强各层拉普拉斯子图像L_j的细节；

C、将增强细节后的拉普拉斯子图像L_j′与其对应的同级高斯子图像G_j′相加直至到达普拉斯金字塔的底层以完成图像重建。

2、根据权利要求1所述的医疗放射图像的细节增强方法，其特征在于所述的步骤A具体包括以下步骤：

A1、以原始图像作为高斯金字塔的第0层，进行5*5低通高斯卷积核低通滤波，经过下采样形成第1层子图像，再以第1层子图像为基准图像，依次操作，操作的次数预先定义为n，即对应高斯金字塔的层数，上一层子图像的水平和垂直分辨率各为下一层子图像的1/2，达到预定义的层次以后，此时的子图像分辨率为原始图像的1/2ⁿ，n为高斯金字塔的层数；

A2、从高斯金字塔的顶端，即第n层高斯子图像G_n开始，对位于这一层的高斯子图像用5*5低通高斯卷积核进行上采样，形成的高斯子图像G_n-1′与原来位于第n-1层的高斯子图像G_n-1具有相同的分辨率，G_n-1′和G_n-1的差值就是第n-1层的拉普拉斯子图像L_n-1，依次类推，形成拉普拉斯金字塔。

3、根据权利要求1所述的医疗放射图像的细节增强方法，其特征在于所述的步骤B具体包括以下步骤：

B1、将拉普拉斯子图像的灰度值映射到[-1，1]，即对于拉普拉斯子图像中的每个像素P_i，j，都除以最大像素值max|P_i，j|，max|P_i，j|按公式

max|P_i，j|＝max{P_i，j}    0≤i＜m，0≤j＜n计算

其中，m，n分别为拉普拉斯子图像的行数和列数，

由此得到归一化后的像素值P_i，j′；

$P_{i,j}^{\′}=\frac{P_{i,j}}{\max \left|P_{i,j}\right|}$

B2、对P_i，j′进行^p变换，也就是进行对比度均衡，得到均衡后的像素P_i，j″；

B3、将均衡后的像素P_i，j″乘以一个整体灰度调节系数m，

P_i，j＝P_i，j″×max|P_j，j|×m，

以消除对比度均衡后对图像整体的影响。

4、根据权利要求1或2所述的医疗放射图像的细节增强方法，其特征在于：所述的高斯金字塔和拉普拉斯金字塔的分解层数取决于原始图像的尺寸和需要增强的部位信息，根据医学影像的要求，对于密度较大的骨骼等部位，分解层数选择5-7层，对于密度较小的软组织等部位，分解层数选择7-10层。

Images