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

一种医疗放射图像的细节增强方法 Download PDF

Info

Publication number
CN1889125A
CN1889125A CNA2006100618796A CN200610061879A CN1889125A CN 1889125 A CN1889125 A CN 1889125A CN A2006100618796 A CNA2006100618796 A CN A2006100618796A CN 200610061879 A CN200610061879 A CN 200610061879A CN 1889125 A CN1889125 A CN 1889125A
Authority
CN
China
Prior art keywords
image
subimage
pyramid
gauss
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.)
Granted
Application number
CNA2006100618796A
Other languages
English (en)
Other versions
CN100410969C (zh
Inventor
蔡春辉
柳伟
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.)
LANWON TECHNOLOGY CO., LTD.
Original Assignee
Jiayitong Medical Science & Technology Co Ltd Shenzhen City
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 Jiayitong Medical Science & Technology Co Ltd Shenzhen City filed Critical Jiayitong Medical Science & Technology Co Ltd Shenzhen City
Priority to CNB2006100618796A priority Critical patent/CN100410969C/zh
Publication of CN1889125A publication Critical patent/CN1889125A/zh
Application granted granted Critical
Publication of CN100410969C publication Critical patent/CN100410969C/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

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Gj的高斯金字塔和多层拉普拉斯子图像Lj的拉普拉斯金字塔;B.对拉普拉斯金字塔的各层子图像Lj的拉普拉斯系数进行调整,以增强各层拉普拉斯子图像Lj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Gj的高斯金字塔和多层拉普拉斯子图像Lj的拉普拉斯金字塔;
B、对拉普拉斯金字塔的各层子图像Lj的拉普拉斯系数进行调整,以增强各层拉普拉斯子图像Lj的细节;
C、将增强细节后的拉普拉斯子图像Lj′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Gn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Gn-1′与原来位于第n-1层的高斯子图像Gn-1具有相同的分辨率,Gn-1′和Gn-1的差值就是第n-1层的拉普拉斯子图像Ln-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Pi,j,都除以最大像素值max|Pi,j|,max|Pi,j|按公式
max|Pi,j|=max{Pi,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 ′ = P i , j max | P i , j |
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Pi,j″;
B3、将均衡后的像素Pi,j″乘以一个整体灰度调节系数m,
Pi,j=Pi,j″×max|Pi,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Ij与基于j+1层的子图像上采样得到的近似估计Ij′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Pj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Pj-1,而Pj-1再经过滤波、上采样时生成的下一级图像Pj′时,由于滤波器的作用,Pj和Pj′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Gn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Gn-1′与原来位于第n-1层的子图像Gn-1具有相同的分辨率。Gn-1′和Gn-1的差值就是第n-1层的拉普拉斯子图像Ln-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)=xp    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Pi,j,都除以最大像素值max|Pi,j|,max|Pi,j|按照如下公式计算:
         max|Pi,j|=max{Pi,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Pi,j′。
P i , j ′ = P i , j max | P i , j | . . . ( 3 )
然后Pi,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Pi,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
Pi,j=Pi,j″×max|Pi,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Lj′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Ln-1。Ln-1经过拉普拉斯系数调整后,输出为Ln-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
Gn-1′=Gn-1+Ln-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Gj的高斯金字塔和多层拉普拉斯子图像Lj的拉普拉斯金字塔;
B、对拉普拉斯金字塔的各层子图像Lj的拉普拉斯系数进行调整,以增强各层拉普拉斯子图像Lj的细节;
C、将增强细节后的拉普拉斯子图像Lj′与其对应的同级高斯子图像Gj′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Gn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Gn-1′与原来位于第n-1层的高斯子图像Gn-1具有相同的分辨率,Gn-1′和Gn-1的差值就是第n-1层的拉普拉斯子图像Ln-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Pi,j,都除以最大像素值max|Pi,j|,max|Pi,j|按公式
max|Pi,j|=max{Pi,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Pi,j′;
P i , j ′ = P i , j max | P i , j |
B2、对Pi,j′进行^p变换,也就是进行对比度均衡,得到均衡后的像素Pi,j″;
B3、将均衡后的像素Pi,j″乘以一个整体灰度调节系数m,
Pi,j=Pi,j″×max|Pj,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。
CNB2006100618796A 2006-07-26 2006-07-26 一种医疗放射图像的细节增强方法 Active CN100410969C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNB2006100618796A CN100410969C (zh) 2006-07-26 2006-07-26 一种医疗放射图像的细节增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB2006100618796A CN100410969C (zh) 2006-07-26 2006-07-26 一种医疗放射图像的细节增强方法

Publications (2)

Publication Number Publication Date
CN1889125A true CN1889125A (zh) 2007-01-03
CN100410969C CN100410969C (zh) 2008-08-13

Family

ID=37578400

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2006100618796A Active CN100410969C (zh) 2006-07-26 2006-07-26 一种医疗放射图像的细节增强方法

Country Status (1)

Country Link
CN (1) CN100410969C (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN101853517A (zh) * 2010-05-26 2010-10-06 西安交通大学 一种基于笔划限制和纹理的真实图像油画自动生成方法
CN101366638B (zh) * 2007-08-17 2011-01-26 上海西门子医疗器械有限公司 一种改善图像质量的方法
CN102136138A (zh) * 2011-03-28 2011-07-27 深圳市蓝韵实业有限公司 一种医学图像降噪与增强的处理方法
CN102282572A (zh) * 2009-01-14 2011-12-14 A9.Com有限公司 表示图像块的方法和系统
CN102722871A (zh) * 2012-05-24 2012-10-10 中山大学 一种快速有效的图像增强方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法
CN104715453A (zh) * 2013-12-12 2015-06-17 苏州长风航空电子有限公司 一种分区域处理的图像增强方法及电路
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
CN106570831A (zh) * 2016-10-09 2017-04-19 中国航空工业集团公司洛阳电光设备研究所 一种灰度图像对比度均衡增强的方法
CN107106108A (zh) * 2014-11-21 2017-08-29 株式会社日立制作所 X射线ct装置、投影数据的上采样方法以及图像重构方法
CN109069100A (zh) * 2016-11-09 2018-12-21 深圳市理邦精密仪器股份有限公司 超声成像系统及其方法
CN109801279A (zh) * 2019-01-21 2019-05-24 京东方科技集团股份有限公司 图像中的目标检测方法及装置、电子设备、存储介质
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN111462004A (zh) * 2020-03-30 2020-07-28 北京推想科技有限公司 图像增强方法和装置、计算机设备、存储介质
CN111968045A (zh) * 2020-07-20 2020-11-20 华南理工大学 一种去除x射线图像条纹噪声的方法
CN112053279A (zh) * 2020-09-03 2020-12-08 五邑大学 高光谱图像的降维方法、装置及存储介质
CN114549377A (zh) * 2022-01-11 2022-05-27 上海应用技术大学 医疗影像融合方法
CN114841903A (zh) * 2022-07-05 2022-08-02 黄海造船有限公司 基于图像处理的船体表面腐蚀程度评估方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430787B (zh) * 2008-11-14 2012-07-04 西安交通大学 数字胸片心脏钙化影像增强方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4137499B2 (ja) * 2002-04-23 2008-08-20 富士フイルム株式会社 位相情報復元方法及び位相情報復元装置、並びに、位相情報復元プログラム
CN1405734A (zh) * 2002-10-28 2003-03-26 武汉大学 一种医学图像的边缘增强方法
JP2006510411A (ja) * 2002-12-18 2006-03-30 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 画像ストリップの多重解像処理
FR2854974B1 (fr) * 2003-05-14 2005-07-08 Ge Med Sys Global Tech Co Llc Procede d'amelioration de contraste/luminosite d'images radiographiques

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN101366638B (zh) * 2007-08-17 2011-01-26 上海西门子医疗器械有限公司 一种改善图像质量的方法
US9721182B2 (en) 2009-01-14 2017-08-01 A9.Com, Inc. Method and system for matching an image using normalized feature vectors
US9530076B2 (en) 2009-01-14 2016-12-27 A9.Com, Inc. Method and system for matching an image using normalized feature vectors
US8958629B2 (en) 2009-01-14 2015-02-17 A9.Com, Inc. Method and system for matching an image using image patches
CN102282572A (zh) * 2009-01-14 2011-12-14 A9.Com有限公司 表示图像块的方法和系统
CN102282572B (zh) * 2009-01-14 2014-01-01 A9.Com有限公司 表示图像块的方法和系统
CN101853517A (zh) * 2010-05-26 2010-10-06 西安交通大学 一种基于笔划限制和纹理的真实图像油画自动生成方法
CN101853517B (zh) * 2010-05-26 2011-11-16 西安交通大学 一种基于笔划限制和纹理的真实图像油画自动生成方法
CN102136138B (zh) * 2011-03-28 2013-01-16 深圳市蓝韵实业有限公司 一种医学图像降噪与增强的处理方法
CN102136138A (zh) * 2011-03-28 2011-07-27 深圳市蓝韵实业有限公司 一种医学图像降噪与增强的处理方法
CN102722871A (zh) * 2012-05-24 2012-10-10 中山大学 一种快速有效的图像增强方法
CN102722871B (zh) * 2012-05-24 2015-02-11 中山大学 一种快速有效的图像增强方法
CN104715453A (zh) * 2013-12-12 2015-06-17 苏州长风航空电子有限公司 一种分区域处理的图像增强方法及电路
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
CN107106108B (zh) * 2014-11-21 2020-03-10 株式会社日立制作所 X射线ct装置、投影数据的上采样方法以及图像重构方法
CN107106108A (zh) * 2014-11-21 2017-08-29 株式会社日立制作所 X射线ct装置、投影数据的上采样方法以及图像重构方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法
CN104680495B (zh) * 2015-03-17 2017-12-22 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法
CN106570831A (zh) * 2016-10-09 2017-04-19 中国航空工业集团公司洛阳电光设备研究所 一种灰度图像对比度均衡增强的方法
CN109069100A (zh) * 2016-11-09 2018-12-21 深圳市理邦精密仪器股份有限公司 超声成像系统及其方法
CN109801279A (zh) * 2019-01-21 2019-05-24 京东方科技集团股份有限公司 图像中的目标检测方法及装置、电子设备、存储介质
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110021031B (zh) * 2019-03-29 2023-03-10 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN111462004A (zh) * 2020-03-30 2020-07-28 北京推想科技有限公司 图像增强方法和装置、计算机设备、存储介质
CN111462004B (zh) * 2020-03-30 2023-03-21 推想医疗科技股份有限公司 图像增强方法和装置、计算机设备、存储介质
CN111968045A (zh) * 2020-07-20 2020-11-20 华南理工大学 一种去除x射线图像条纹噪声的方法
CN111968045B (zh) * 2020-07-20 2023-09-05 华南理工大学 一种去除x射线图像条纹噪声的方法
CN112053279A (zh) * 2020-09-03 2020-12-08 五邑大学 高光谱图像的降维方法、装置及存储介质
CN114549377A (zh) * 2022-01-11 2022-05-27 上海应用技术大学 医疗影像融合方法
CN114549377B (zh) * 2022-01-11 2024-02-02 上海应用技术大学 医疗影像融合方法
CN114841903A (zh) * 2022-07-05 2022-08-02 黄海造船有限公司 基于图像处理的船体表面腐蚀程度评估方法
CN114841903B (zh) * 2022-07-05 2022-09-09 黄海造船有限公司 基于图像处理的船体表面腐蚀程度评估方法

Also Published As

Publication number Publication date
CN100410969C (zh) 2008-08-13

Similar Documents

Publication Publication Date Title
CN100410969C (zh) 一种医疗放射图像的细节增强方法
Huang et al. CaGAN: A cycle-consistent generative adversarial network with attention for low-dose CT imaging
Raj et al. Computer aided detection of brain tumor in magnetic resonance images
Chen et al. Thoracic low-dose CT image processing using an artifact suppressed large-scale nonlocal means
CN100461218C (zh) 多尺度自适应对比度变换的医学图像增强方法
Zhao et al. A new approach for medical image enhancement based on luminance-level modulation and gradient modulation
CN101779962B (zh) 一种增强医学x射线影像显示效果的方法
CN112258415B (zh) 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法
CN104616255B (zh) 基于乳腺x线图像的自适应增强方法
CN106683061B (zh) 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法
EP1344188A1 (en) Method for optimizing visual display of enhanced digital images
EP2419859A1 (en) Multi-scale image normalization and enhancement
CN101034473A (zh) 计算机辅助识别断层造影中高对比度对象的方法和系统
CN106530236A (zh) 一种医学图像处理方法及系统
CN102637292B (zh) 一种图像的处理方法和装置
CN103226815A (zh) 一种低剂量ct图像滤波方法
Aosiman et al. Medical image enhancement algorithm based on histogram equalization and dyadic wavelet transform
Das et al. Multimodal classification on PET/CT image fusion for lung cancer: a comprehensive survey
Nazir et al. Recent developments in denoising medical images using deep learning: an overview of models, techniques, and challenges.
Aldoury et al. A new X-ray images enhancement method using a class of fractional differential equation
CN1405734A (zh) 一种医学图像的边缘增强方法
CN101721222A (zh) 一种修正床板和摆位辅助装置对图像质量影响的方法
Wang et al. Locally linear transform based three‐dimensional gradient‐norm minimization for spectral CT reconstruction
Al-Ameen et al. Prevalent degradations and processing challenges of computed tomography medical images: A compendious analysis
Shi et al. Ultrasound image denoising autoencoder model based on lightweight attention mechanism

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: SHENZHEN LANYUN INDUSTRY CO.,LTD.

Free format text: FORMER OWNER: JIAYITONG MEDICAL SCIENCE + TECHNOLOGY CO., LTD., SHENZHEN CITY

Effective date: 20070323

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20070323

Address after: Futian District King Road Shenzhen city Guangdong province 518000 No. 81 country garden E building 6 floor

Applicant after: Landwind Co., Ltd.

Address before: Shenzhen City, Guangdong Province, 518034 King Road No. 81 Bi garden E building 6 floor

Applicant before: Jiayitong Medical Science & Technology Co., Ltd., Shenzhen City

C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: SHENZHEN LANDWIND NETWORK CO., LTD.

Free format text: FORMER OWNER: LANYUN INDUSTRY CO., LTD.;SHENZHEN CITY

Effective date: 20120810

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 518000 SHENZHEN, GUANGDONG PROVINCE TO: 518034 SHENZHEN, GUANGDONG PROVINCE

TR01 Transfer of patent right

Effective date of registration: 20120810

Address after: Futian District King Road Shenzhen city Guangdong province 518034 green garden building room 410 (only office)

Patentee after: Shenzhen Landwind Network Co., Ltd.

Address before: Futian District King Road Shenzhen city Guangdong province 518000 No. 81 country garden E building 6 floor

Patentee before: Landwind Co., Ltd.

C56 Change in the name or address of the patentee

Owner name: LANWANG TECHNOLOGY CO., LTD.

Free format text: FORMER NAME: SHENZHEN LANDWIND NETWORK CO., LTD.

CP03 Change of name, title or address

Address after: Nanshan District Xueyuan Road in Shenzhen city of Guangdong province 518000 No. 1001 Nanshan Chi Park A3 building 6 floor

Patentee after: LANWON SCIENCE & TECHNOLOGY CO., LTD.

Address before: Futian District King Road Shenzhen city Guangdong province 518034 green garden building room 410 (only office)

Patentee before: Shenzhen Landwind Network Co., Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Medical radiation image detail enhancing method

Effective date of registration: 20150515

Granted publication date: 20080813

Pledgee: Shenzhen high tech investment and financing Company limited by guarantee

Pledgor: LANWON SCIENCE & TECHNOLOGY CO., LTD.

Registration number: 2015990000374

PLDC Enforcement, change and cancellation of contracts on pledge of patent right or utility model
C56 Change in the name or address of the patentee
CP01 Change in the name or title of a patent holder

Address after: Nanshan District Xueyuan Road in Shenzhen city of Guangdong province 518000 No. 1001 Nanshan Chi Park A3 building 6 floor

Patentee after: LANWON TECHNOLOGY CO., LTD.

Address before: Nanshan District Xueyuan Road in Shenzhen city of Guangdong province 518000 No. 1001 Nanshan Chi Park A3 building 6 floor

Patentee before: LANWON SCIENCE & TECHNOLOGY CO., LTD.

PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20160629

Granted publication date: 20080813

Pledgee: Shenzhen high tech investment and financing Company limited by guarantee

Pledgor: LANWON TECHNOLOGY CO., LTD.

Registration number: 2015990000374

PLDC Enforcement, change and cancellation of contracts on pledge of patent right or utility model
PM01 Change of the registration of the contract for pledge of patent right

Change date: 20160629

Registration number: 2015990000374

Pledgor after: LANWON TECHNOLOGY CO., LTD.

Pledgor before: LANWON SCIENCE & TECHNOLOGY CO., LTD.