RU2343538C1 - Способ коррекции цифровых рентгеновских изображений - Google Patents
Способ коррекции цифровых рентгеновских изображений Download PDFInfo
- Publication number
- RU2343538C1 RU2343538C1 RU2007140022/09A RU2007140022A RU2343538C1 RU 2343538 C1 RU2343538 C1 RU 2343538C1 RU 2007140022/09 A RU2007140022/09 A RU 2007140022/09A RU 2007140022 A RU2007140022 A RU 2007140022A RU 2343538 C1 RU2343538 C1 RU 2343538C1
- Authority
- RU
- Russia
- Prior art keywords
- noise
- image
- coefficients
- wavelet transform
- level
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
Изобретение относится к области обработки цифровых рентгеновских изображений. Техническим результатом является одновременное подавление шума и подъем контраста цифровых рентгеновских изображений. Указанный технический результат достигается тем, что входное изображение подвергают гамма-коррекции: извлечению квадратного корня для приближения Пуассоновского шума моделью аддитивного шума, распределенного по нормальному закону; для мультипликативной модели шума производят логарифмическое преобразование; осуществляют одноуровневое вейвлет-преобразование входного изображения, на основе которого производят поблочное разбиение вейвлет-коэффициентов и оценку стандартного отклонения шума для каждого блока; полученные блочные оценки шума сглаживают и интерполируют на размер исходного изображения, что дает непрерывно меняющуюся и локально адаптирующуюся оценку шума для всего изображения; исходное изображение подвергают пакетному стационарному вейвлет-преобразованию на заданное количество уровней разложения; на основе рассчитанной на этапе 2 оценки уровня шума коэффициенты преобразования подвергают обработке адаптивным нелинейным оператором, осуществляющим пороговое подавление шума и выделение деталей изображения; осуществляют обратное стационарное вейвлет-преобразование, при этом получившееся изображение с уменьшенным уровнем шума и подчеркнутыми деталями подвергают обратному гамма-преобразованию. 5 ил.
Description
Изобретение относится к области обработки цифровых рентгеновских изображений и может быть использовано, преимущественно, для обработки полутоновых рентгеновских изображений.
Современные методы подавления шума цифровых изображений, основанные на использовании быстрых дискретных вейвлет-преобразований, позволяют добиться высоких показателей качества как в смысле метрики сигнал/шум, так и в смысле визуального восприятия результирующих изображений [1, 9]. Основная идея таких алгоритмов шумоподавления заключается в следующем: вычисляется вейвлет-преобразование исходного зашумленного изображения, коэффициенты преобразования подвергаются пороговой обработке, и осуществляется обратное вейвлет-преобразование модифицированных коэффициентов для получения изображения с меньшим уровнем шума.
Несмотря на высокие показатели метрики сигнал/шум, большинство вейвлет-ориентированных методов шумоподавления привносят дополнительные, зачастую весьма заметные визуально артефакты, особенно вблизи резких изменений сигнала, что может ограничить их использование при подавлении шума цифровых рентгеновских изображений. Одной из основных причин артефактов считается отсутствие инвариантности по отношению к сдвигу традиционных вейвлет-преобразований с прореживанием [4]. Артефакты такого рода могут быть существенно подавлены в результате использования вейвлет-преобразований, обладающих свойством инвариантности по отношению к сдвигу, к которым относятся вейвлет-преобразования без прореживания и комплексные вейвлет-преобразования [7-9].
Помимо подавления шума, в рентгенодиагностике и других областях также может быть полезно выделение особенностей - повышение локального контраста внутри текстур или подчеркивание границ объектов [10, 11]. Задачи подавления шума и подъема контраста должны рассматриваться совместно, поскольку подъем контраста зашумленного изображения приведет к усилению шума. Решение проблемы очистки изображения от шума, одновременно с увеличением контраста, даст с точки зрения диагностики более информативные снимки с подчеркнутыми деталями и более высокой метрикой сигнал/шум, без привнесения значительных артефактов [5, 6] в результирующее изображение. Одновременное шумоподавление и подъем контраста основывается на следующей идее: в результате применения адаптивных нелинейных операторов к коэффициентам вейвлет-преобразования на верхних уровнях анализа главным образом подавляются мелкомасштабные детали (шум и незначительные особенности), на средних уровнях и далее вниз по иерархии дерева - повышается контраст.
Наиболее близким по технической сущности способом того же назначения к заявляемому изобретению является описанный в работе [10] способ коррекции цифровых изображений, в котором осуществляют подавление шума и увеличение контраста. Мелкомасштабные коэффициенты верхних уровней анализа подвергают мягкому пороговому усечению, средние и низкие уровни обрабатывают нелинейным оператором, комбинирующим жесткое пороговое усечение и подъем контраста. Мягкая пороговая обработка мелкомасштабных деталей приводит к значительному подавлению шума и небольшому сглаживанию существенных деталей. Жесткое пороговое усечение средних уровней анализа, когда влияние шумовых составляющих не так сильно, позволяет далее уменьшить уровень шума при сохранении резкости деталей, а в комбинации с повышением контраста - восстановить и даже усилить особенности изображения. С каждым уровнем вниз по иерархии дерева анализа энергия шума уменьшается, поэтому используются пороговые значения, убывающие с ростом номера уровня разложения. Используя антисимметричные вейвлеты без осцилляций, авторы уменьшают отрицательное влияние отмеченных ранее артефактов шумоподавления.
Техническим результатом настоящего изобретения является достижение возможности одновременного подавления шума и подъема контраста цифровых рентгеновских изображений посредством обработки коэффициентов стационарного вейвлет-преобразования единым нелинейным оператором на основе адаптивной оценкой статистики шума по полю снимка, что приводит к более информативным с точки зрения диагностики изображениям без привнесения сколько-нибудь значительных артефактов.
Технический результат достигается тем, что в способе коррекции цифровых рентгеновских изображений, в котором в исходном изображении строят оценку статистики шума на основе детализирующих коэффициентов вейвлет-преобразования первого уровня, осуществляют вейвлет-преобразование с последующим подавлением шума и повышением контраста посредством обработки детализирующих коэффициентов нелинейным оператором и выполнением обратного вейвлет-преобразования, согласно изобретению, исходное изображение с Пуассоновским распределением шума подвергают гамма-коррекции для аппроксимации шума аддитивной моделью шума, распределенного по нормальному закону, строят адаптивную оценку статистики шума в исходном изображении на основе детализирующих коэффициентов биортогонального вейвлет-преобразования первого уровня по формуле
где wij - детализирующие вейвлет-коэффициенты первого уровня каждого блока разбиения, с последующим сглаживанием и интерполяцией блочных оценок на размер исходного изображения, осуществляют стационарное вейвлет-преобразование с последующим подавлением шума и повышением контраста посредством обработки детализирующих коэффициентов единым нелинейным оператором, осуществляющим подавление шума и подъем контраста на основе рассчитанной статистики шума, и выполняют обратное стационарное вейвлет-преобразование и обратное гамма-преобразование, при этом оператор имеет вид
где
- число уровней анализа, х является мерой, характеризующей преобладание сигнала над шумом в данной точке изображения, параметр регулирует степень подавления коэффициентов для каждого уровня преобразования, - задает степень повышения контраста деталей изображения, параметры определяют значения порогов, аi - заданные множители).
В настоящем изобретении, в отличие от работы [10], решается проблема подавления шума и подъема контраста цифровых рентгеновских изображений в случае, когда шум распределен неравномерно по полю снимка. Данная проблема возникает при решении различных физических задач в медицинской радиологии, астрономии в системах, где для формирования изображений используются объективы. В рентгенологии, при использовании плоского детектора и точечного источника излучения, вариация яркости по полю снимка обусловлена переменным расстоянием от рентгеновской трубки до различных областей детектора. В случае, когда снимки используются как измерительное средство, для повышения точности измерений производят выравнивание яркости, что приводит к статистически неравномерному распределению шумов по полю снимка. В настоящем изобретении задача подавления распределенного неравномерно шума решается в два этапа: гамма-коррекция рентгеновского снимка, приводящая приближенно к аддитивному, распределенному по нормальному закону шуму, и построение адаптивной оценки статистики шума по полю снимка.
Возможность промышленного применения и достижение технического результата показаны на примере конкретного выполнения, проиллюстрированном на фиг.1-5. На фиг.1 показана общая схема алгоритма, на фиг.2 приведен пример дерева пакетного стационарного вейвлет-преобразования (А1, Н1, D1, V1 - вейвлет-коэффициенты первого уровня; АА 12, НА12, DA12, VA12, АН 12, HH12, DH12, VH12, AD 12, HD12, DD12, VD12, AV 12, HV12, DV12, VV12 - вейвлет-коэффициенты второго уровня), на фиг.3 представлен пример оператора пороговой обработки и подъема контраста (Т1, Т2 и Т3 - уровни порогов), на фиг.4 показано тестовое изображение (сигнал/шум = 21.7 внутри рамки размером 64×64 пикселя), на фиг.5 - обработанное изображение (сигнал/шум = 43.1 внутри рамки размером 64×64 пикселя).
Схема работы алгоритма состоит из нескольких этапов (фиг.1):
1) входное изображение (в частности, рентгеновский снимок с Пуассоновским распределением шума) подвергается гамма-коррекции: извлечение квадратного корня для приближения Пуассоновского шума моделью аддитивного шума, распределенного по нормальному закону; для мультипликативной модели шума производится логарифмическое преобразование;
2) осуществляется одноуровневое вейвлет-преобразование входного изображения, на основе которого производится поблочное разбиение вейвлет-коэффициентов и оценка стандартного отклонения шума для каждого блока; полученные блочные оценки шума сглаживаются и интерполируются на размер исходного изображения, что дает непрерывно меняющуюся и локально адаптирующуюся оценку для всего изображения;
3) исходное изображение подвергается пакетному стационарному вейвлет-преобразованию на заданное количество уровней разложения; на основе рассчитанной на этапе 2 оценки уровня шума коэффициенты преобразования подвергаются обработке адаптивным нелинейным оператором, осуществляющим пороговое подавление шума и выделение деталей изображения (повышение контраста);
4) осуществляется обратное стационарное вейвлет-преобразование, при этом получившееся изображение с уменьшенным уровнем шума и подчеркнутыми деталями подвергается обратному гамма-преобразованию.
Согласно вышеописанному алгоритму, в случае поступления на вход изображения, испорченного Пуассоновским шумом, шумоподавление начинают с выполнения гамма-коррекции исходного изображения (извлечение квадратного корня), которое приводит к изображению с аддитивным шумом с нормальным законом распределения. Для мультипликативной модели шума производят логарифмическое преобразование.
Далее изображение подвергают биортогональному вейвлет-преобразованию на один уровень с целью оценки стандартного отклонения шума. Оценку стандартного отклонения шума производят в областях размером 32×32 пикселя коэффициентов разложения первого уровня по формуле
где wij - детализирующие вейвлет-коэффициенты первого уровня каждого блока разбиения [2]. Для каждого блока выбирают значение оценки стандартного отклонения, равное среднему значению σij в блоках горизонтальных, вертикальных и диагональных деталей. Блочные оценки шума сглаживают разложением на один уровень Гауссовой пирамиды изображений, и интерполируют на размер исходного изображения, что позволяет получить непрерывно изменяющуюся оценку, учитывающую локальные особенности распределения шума в изображении. Данный способ оценки шума является отличительной особенностью изобретения и дает возможность получить изображение с равномерной степенью подавления шума по всему полю изображения.
Затем исходное изображение подвергается вейвлет-преобразованию без прореживания. Общая схема дерева пакетного стационарного вейвлет-преобразования приведена на фиг.2. Стационарное вейвлет-преобразование обладает свойством сдвиговой инвариантности, приводящим к меньшему количеству артефактов реконструкции при пороговой обработке вейвлет-коэффициентов [3]. Разработан и реализован алгоритм быстрого вычисления преобразований такого типа.
Детализирующие вейвлет-коэффициенты полученного дерева анализа подвергаются обработке адаптивным нелинейным оператором, осуществляющим одновременно пороговое подавление шума и выделение деталей изображения (фиг.3). Приведем формулу такого оператора:
Здесь
Величина х, определяемая соотношением (3), является мерой, характеризующей преобладание сигнала над шумом в данной точке изображения. Благодаря описанному выше способу вычисления оценки стандартного отклонения, величина х учитывает локальную статистику шума изображения. Параметр позволяет регулировать степень подавления коэффициентов для каждого уровня преобразования, - задавать степень повышения контраста деталей изображения (выделение текстур и границ объектов). С каждым уровнем вниз по иерархии дерева анализа значения порогов масштабируются по следующему закону:
где аi - заданные априори множители (например, а1=3.0, а2=4.0, a3=9.0), что приводит к сжатию функции оператора. При этом происходит переход от подавления шума на верхних уровнях анализа к преимущественному подъему контраста.
На фиг.4-5 представлены исходный снимок и снимок, обработанный представленным здесь алгоритмом при использовании основанных на вейвлете Хаара фильтров анализа/синтеза, с построением 5-уровневого дерева декомпозиции (с дополнительным одноуровневым пакетным преобразованием второго уровня дерева анализа) и 50-процентным уровнем подавления шума степенью повышения контраста на третьем уровне дерева анализа.
После нелинейной обработки коэффициентов оператором (2) осуществляется реконструкция и обратное гамма-преобразование изображения.
В заявляемом изобретении достигается следующий технический результат:
- используется инвариантное по отношению к сдвигу вейвлет-преобразование, что дает существенное уменьшение артефактов обработки изображения,
- строится непрерывно меняющаяся оценка стандартного отклонения шума по полю снимка, что приводит к адаптивному учету статистики шума исходного снимка,
- подавление шума и подъем контраста осуществляется в результате применения единого адаптивного нелинейного оператора; данный оператор конструируется на основе параметров, задающих уровень подавления шума и степень повышения контраста деталей изображения.
Заявляемое изобретение представляет собой эффективный по скорости и качеству алгоритм совместного подавления шума и повышения контраста, основанный на вейвлет-технологии и предназначенный главным образом для обработки полутоновых рентгеновских изображений.
Литература
1. G.Chang, В.Yu, M.Vetterli. Spatially Adaptive Wavelet Thresholding with Context Modeling for Image Denoising. IEEE Transactions on Image Processing, vol.9, No.9, pp.1522-1531, September 2000.
2. D.Donoho, I.Johnstone. Adapting to Unknown Smoothness via Wavelet Shrinkage. Journal of American Statistics Association, Vol.90, No.432, pp.1200-1224, 1995 с.
3. R.Coifman. Translation invariant de-noising. Published in Wavelets and Statistics, A.Antoniadis and G.Oppenheim, Eds., pp.125-150. Springer-Verlag, 1995.
4. R.R.Coifman, D.L.Donoho. Translation invariant de-noising. Preprint. Yale University.
5. Y.Jin, E.Angelini, A.Laine. Wavelets in Medical Image Processing: De-noising, Segmentation, and Registration. Handbook of Medical Image Analysis: Advanced Segmentation and Registration Models, edited by Jasjit Suri, David L Wilson and Swamy Laximinarayan. Kluwer Academic Publishers, New York NY.
6. A.F.Lain. Wavelets in Temporal and Spatial Processing of Biomedical Images. Annual Reviews of Biomedical Engineering, 2000, vol.02, pp.511-550.
7. A.P.Bradley. Shift-invariance in the Discrete Wavelet Transform. Proceedings of the VII Digital Image Computing: Techniques and Applications, Sun C-, Talbot H., Ourselin S. and Adriaansen T. (Eds.), 10-12 December, 2003, Sydney.
8. N.G.Kingsbury. Complex wavelets for shift invariant analysis and filtering of signals. Journal of Applied and Computational Harmonic Analysis, vol.10, No.3, May 2001, pp.234-253.
9. S.G.Mallat. A Wavelet tour of signal processing. 2nd Ed., Academic Press (1999).
10. X.Zong, A.F.Laine, E.A.Geiser, D.C.Wilson. De-Noising and contrast enhancement via wavelet shrinkage and nonlinear adaptive gain. Published in Wavelet Applications III, Proceedings of SPIE, vol. 2762, pp.566-574, Orlando, FL, April 8-12, 1996.
11. X.Zong, E.A.Geiser, A.F.Laine, D.C.Wilson. Homomorphic wavelet shrinkage and feature emphasis for speckle reduction and enhancement of echocardiographic images. Published in Medical Imaging: Image Processing, Proceedings of SPIE, vol.2710, pp.658-667, Newport Beach, CA, February 12-15, 1996.
12. J.Starck, F.Murtagh, A.Bijaoui. Image Processing and Data Analysis: the multiscale approach. Cambridge University Press, Cambridge.
Claims (1)
- Способ коррекции цифровых рентгеновских изображений, заключающийся в том, что строят оценку статистики шума в исходном изображении на основе детализирующих коэффициентов вейвлет-преобразования первого уровня, осуществляют вейвлет-преобразование с последующим подавлением шума и повышением контраста посредством обработки детализирующих коэффициентов нелинейным оператором и выполнением обратного вейвлет-преобразования, отличающийся тем, что исходное изображение с Пуассоновским распределением шума подвергают гамма-коррекции для аппроксимации шума аддитивной моделью шума, распределенного по нормальному закону, строят адаптивную оценку статистики шума в исходном изображении на основе детализирующих коэффициентов биортогонального вейвлет-преобразования первого уровня по формуле
где wij - детализирующие вейвлет-коэффициенты первого уровня каждого блока разбиения, с последующим сглаживанием и интерполяцией блочных оценок на размер исходного изображения, осуществляют стационарное вейвлет-преобразование с последующим подавлением шума и повышением контраста посредством обработки детализирующих коэффициентов единым нелинейным оператором, осуществляющим подавление шума и подъем контраста на основе рассчитанной статистики шума, и выполняют обратное стационарное вейвлет-преобразование и обратное гамма-преобразование, при этом оператор имеет вид
,
где
,
,
,
- число уровней анализа, х является мерой, характеризующей преобладание сигнала над шумом в данной точке изображения, параметр регулирует степень подавления коэффициентов для каждого уровня преобразования, - задает степень повышения контраста деталей изображения, параметры определяют значения порогов, аi - заданные множители.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2007140022/09A RU2343538C1 (ru) | 2007-10-31 | 2007-10-31 | Способ коррекции цифровых рентгеновских изображений |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2007140022/09A RU2343538C1 (ru) | 2007-10-31 | 2007-10-31 | Способ коррекции цифровых рентгеновских изображений |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2343538C1 true RU2343538C1 (ru) | 2009-01-10 |
Family
ID=40374332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2007140022/09A RU2343538C1 (ru) | 2007-10-31 | 2007-10-31 | Способ коррекции цифровых рентгеновских изображений |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2343538C1 (ru) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2448367C1 (ru) * | 2011-04-11 | 2012-04-20 | Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" | Способ повышения визуальной информативности цифровых полутоновых изображений |
RU2586585C1 (ru) * | 2015-04-07 | 2016-06-10 | Закрытое акционерное общество "МНИТИ" (сокращенно ЗАО "МНИТИ") | Способ повышения визуальной информативности цифровых изображений |
RU2608239C1 (ru) * | 2016-04-12 | 2017-01-17 | Общество с ограниченной ответственностью "Аби Девелопмент" | Способ и система определения пригодности изображения документа для оптического распознавания символов и других операций по обработке изображений |
RU2623898C2 (ru) * | 2015-12-01 | 2017-06-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тульский государственный университет" (ТулГУ) | Способ устранения шума на растровых изображениях на основе полной вариации |
-
2007
- 2007-10-31 RU RU2007140022/09A patent/RU2343538C1/ru not_active IP Right Cessation
Non-Patent Citations (2)
Title |
---|
XULI Z. et al, Speckle reduction and contrast enhancement of echocardiograms viamultiscale nonlinear processing, IEEE Transactions on Medical Imaging, vol.17, Issue 4, August 1998 c.532-540. Eero P. Simoncelli and Edward H.Adelson, NOISE REMOVAL VIA BAYESIAN WAVELET CORING, Proceedings of 3rd IEEE International Conference on Image Processing, Vol.I, Lausanne, 16-19 September 1996, c.379-382. * |
XULI Z., ANDREW F.L., De-Noising and contrast enhancement via wavelet shrinkage and nonlinear adaptive gain, Published in Wavelet Applications III, Proceedings of SPIE, vol.2762, Orlando, April 8-12, 1996, c.566-574. Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению, 22.05.2005, найдено на http://cgm.graphicon.ru/content/view/74/64/. * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2448367C1 (ru) * | 2011-04-11 | 2012-04-20 | Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" | Способ повышения визуальной информативности цифровых полутоновых изображений |
RU2586585C1 (ru) * | 2015-04-07 | 2016-06-10 | Закрытое акционерное общество "МНИТИ" (сокращенно ЗАО "МНИТИ") | Способ повышения визуальной информативности цифровых изображений |
RU2623898C2 (ru) * | 2015-12-01 | 2017-06-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тульский государственный университет" (ТулГУ) | Способ устранения шума на растровых изображениях на основе полной вариации |
RU2608239C1 (ru) * | 2016-04-12 | 2017-01-17 | Общество с ограниченной ответственностью "Аби Девелопмент" | Способ и система определения пригодности изображения документа для оптического распознавания символов и других операций по обработке изображений |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Choi et al. | Despeckling images using a preprocessing filter and discrete wavelet transform-based noise reduction techniques | |
CN103369209B (zh) | 视频降噪装置及方法 | |
US7831097B2 (en) | System and method for image reconstruction | |
Vishwakarma et al. | Color image enhancement techniques: a critical review | |
Kumar et al. | A new exponentially directional weighted function based CT image denoising using total variation | |
CN103295190A (zh) | 数字x射线图像降噪方法 | |
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 | |
CN108932699A (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
EP3072104B1 (en) | Image de-noising method | |
Kaur et al. | Survey of despeckling techniques for medical ultrasound images | |
RU2343538C1 (ru) | Способ коррекции цифровых рентгеновских изображений | |
Xu et al. | An image-enhancement method based on variable-order fractional differential operators | |
Su et al. | Multi-spectral fusion and denoising of RGB and NIR images using multi-scale wavelet analysis | |
Ashwini et al. | Image and video dehazing based on transmission estimation and refinement using Jaya algorithm | |
Mohamadi et al. | A new hybrid denoising model based on PDEs | |
Kerouh et al. | Wavelet-based blind blur reduction | |
Ma et al. | Hybrid variational model for texture image restoration | |
Cheng et al. | Fast iterative adaptive reconstruction in low-dose CT imaging | |
CN103839237A (zh) | 基于svd字典和线性最小均方误差估计的sar图像去斑方法 | |
Mu et al. | Color image enhancement method based on weighted image guided filtering | |
Ponomarenko et al. | Blind denoising of dental X-Ray images | |
Sawan et al. | Novel filter designing for enhancement of medical images using Super-resolution | |
Daniel et al. | Retinal image enhancement using wavelet domain edge filtering and scaling | |
Romanenko et al. | Block matching noise reduction method for photographic images applied in Bayer RAW domain and optimized for real-time implementation | |
Mishra et al. | Block based enhancement of satellite images using sharpness indexed filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20191101 |