歡迎登錄中國視覺網!
學術論文頻道
ACADEMIC PAPERS
位置導航:首頁 >> 學術論文 >> 專業論文 >> 基于模糊邏輯和多尺度分解的醫學圖像增強算法

基于模糊邏輯和多尺度分解的醫學圖像增強算法

發布時間:2019-02-21     來源:中國視覺網       訪問次數:3138


摘要:醫學圖像增強處理中需要很好地解決細節增強與噪聲抑制的矛盾。本文提出一種基于模糊邏輯的多尺度醫學圖像細節增強算法(FLBMEM),根據圖像局部特征設計混合濾波器去除脈沖噪聲和非脈沖噪聲,對不同尺度細節的子帶圖像進行增強時,根據中心像素與鄰域像素的相容性自適應計算非線性細節增益函數,最后各子帶圖像重建后得到細節增強的圖像。試驗表明,(FLBMEM)算法增強細節的同時能夠有效抑制噪聲,能夠方便的應用于醫學圖像處理系統中。
關鍵詞:放射圖像;圖像增強;多尺度分解;模糊邏輯

A Fuzzy Logic Based Multi-scale Enhancement Method for Medical Images


Abstract: A main challenge of medical image enhancement is to solve conflicts between Noise resistance and detail sharpening. A Fuzzy Logic Based Multi-scale Enhancement Method (FLBMEM) is presented in this paper. The proposed method can prevent noise increasing during the sharpening of the image details. With this method, the original image is filtered by the hybrid low pass filter which is designed according to local context of the image in order to remove out the impulse noise and no-impulse noise. Then the filtered image is decomposed into several band pass images. Each pixel in band pass image is adaptively assigned a different enhancement factor by evaluating the local feature. The processed band pass images can be composed into an enhanced image by the process opposite to the decomposition process. Experimental results show that the proposed technique achieves good performances while can be easily used in medical image processing systems.
Keywords: radiography, image enhancement, multi-scale decomposition, fuzzy logic


1  引 言
   醫學圖像中經常含有一些重要的低對比度細節,影響醫生的診斷。恰當的圖像增強處理技術可以提高細節的清晰度,因此圖像增強在醫學圖像應用領域有重要的作用。
   一個標準的圖像增強處理方法是反銳化掩模算法(LUM),將圖像分解為高頻和低頻子帶,將高頻部分放大后加到原來的圖像上,得到細節增強的圖像。但這種方法對噪聲非常敏感,對含噪聲的圖像處理會導致噪聲放大,反而使圖像質量降低。為了提高反銳化掩模算法的性能,后來有學者提出了多種改進算法,如[2][3]采用高階多項式濾波器產生非線性反銳化掩模算法的高頻子帶。[4]對這些方法在自然圖像的處理效果作了對比,指出這類方法對于高頻增強系數非常敏感。另外這些方法有一個明顯的缺點是沒有考慮圖像中間尺寸的結構信息。
   多尺度分解能考察信號在不同頻帶的結構細節信息,有利于對所需要的結構信息的增強以及噪聲的抑制。圖像處理中采用的多尺度分解方法主要有小波分解和Laplace金字塔分解,[5]對這兩種多尺度分解在醫學圖像增強中的效果作了對比,指出快速小波變換在醫學放射圖像增強中可能引入一些偽影。這對于醫學圖像處理是不恰當的,[6]提出了一種在Laplace多尺度分解基礎上的醫學圖像增強算法,在增強邊緣信息的同時有比較好的噪聲抑制能力,但是文中的算法需要確定多個參數,如計算每一層的子帶增益系數時,有6個參數需要設置,這在實際應用中帶來很多不便。為了在增強醫學圖像細節的同時克服上述缺點,本文提出了一種新的多尺度抗噪增強算法FLBMEM。本文內容安排如下:第二部分介紹算法的總體思路;第三部分和第四部分是混合濾波器與細節增益系數的計算,第五部分給出實驗結果分析,最后一部分進行總結。

2  算法描述
FLBMEM算法包括四個步驟:
1) 采用混合濾波器去除原始圖像噪聲。
2) Laplace金字塔分解。
3) 計算子帶增益系數,子帶增益系數與細節圖像相乘得到增強的細節圖像。
4) 重構過程得到增強后的圖像。


圖 1多尺度圖像增強算法示意圖
Fig1 Flow chart of FLBMEM



3  混合濾波器
  為了在第一步處理中有效去除噪聲,同時避免圖像造成模糊,我們設計了基于模糊邏輯規則的混合濾波器。中值濾波對脈沖噪聲有很好的濾除效果,均值濾波對非脈沖噪聲比較有效,但是圖像如果沒有受到噪聲污染,這兩種濾波器都會對圖像造成模糊。脈沖噪聲的特點是幅值較大,與周圍像素有明顯的差異,尤其是在平坦區域,嚴重影響圖像視覺質量。非脈沖噪聲與周圍像素的差異但不如脈沖噪聲明顯。我們可以根據圖像像素點的局部特征判斷中心像素點是否被噪聲污染,污染噪聲的種類,并按照下面的規則采取濾波措施。
規則1:當前像素是脈沖噪聲,用中值濾波。
規則2:當前像素被非脈沖噪聲污染,用均值濾波。
規則3:當前像素沒有噪聲污染,保持不變。




4 子帶增益系數




5  實驗結果及分析



   圖5給出了原圖及應用上述三種方法(LUM,MLUM, FLBMEM)增強后的直方圖,原圖的灰度分布主要集中在一個有限的區間(gray scale levels compact in limited region)三種增強算法處理后都將原圖像的直方圖作了擴展,LUM算法增強后圖像的直方圖與原圖的直方圖差別最大,FMLUM增強后圖像的直方圖與原圖像直方圖最為相近。
   我們計算圖像細節區域的局部方差(detail variance, DV)和背景區域的局部方差(background variance, BV)來客觀評價增強算法的效果[6],BV越大,表示噪聲越大,DV越大,表示圖像中可見細節就越多。

由表1可以看出FLBMEM有顯著的噪聲抑制效果,雖然LUM的DV是最高的,但由于噪聲的過度放大,圖像的細節信息增強效果并不明顯。FLBMEM的DV值雖然比MLUM稍低,但其BV值只有原圖BV值的兩倍,不到MLUM的BV值的1/4,使MLUM算法增強的圖像有更好的視覺效果。
5  結 論
   本文提出了一種基于模糊邏輯的多尺度醫學圖像銳化增強算法(FLBMEM),試驗表明,從視覺質量上和客觀評價指標上,本文提出的方法對醫學放射圖像的細節有很好的增強效果,而且算法使用簡單,便于在實際系統中應用。

參 考 文 獻

[1] LEE Y H,PARK S Y.“A Study of Convex Concave Edges and Edge-enhancing operators based on the Laplacian”[J]. IEEE Transactions on Circuits and Systems, pp.940-946, 1990,37(7):
[2] G. Ramponi, N. Stroble, S. K. Mitram and T. Yu,“ Nonlinear Unsharp masking methods for imagecontrast enhancement,” J. Electron. Image, Vol.5, pp. 353-366, July 1996.

[3] A. Polesel, G. Ramponi, and V.J. Mathews “Image Enhancement via Adaptive unsharp masking,” IEEE trans. On image proc. Vol. 9,No. 3, March 2000
[4] Sabine Dippel, Martin Stahl, Rafael Wiemker,and Thomas blaffert “Multiscale Contrast Enhancement for Radiographies: Laplacian Pyramid Versus Fast Wavelet Transform”IEEE trans. On Medical imaging proc. Vol.21.No.4, April 2002
[5] M.A.Badamchizadeh,A.Aghagolzadeh,“Comparative Study of Unsharp Masking Methods for Image Enhancement”,ICIG 2004
[6] 張利平,何金其,黃廉卿,“多尺度抗噪反銳化掩模的醫學影像增強算法”,光電工程,第31卷,第10期,2004年10月
[7] Youngsik Chio and Raghu Krishnapuram, “A Robust Approach to Image Enhancement Based on Fuzzy Logic”, IEEE trans. On image processing. Vol.6. No.6. June 1997 p808~p825