毕业论文论文范文课程设计实践报告法律论文英语论文教学论文医学论文农学论文艺术论文行政论文管理论文计算机安全
您现在的位置: 毕业论文 >> 医学论文 >> 正文

医学图像处理系统平台的研究与开发 第5页

更新时间:2009-5-18:  来源:毕业论文
医学图像处理系统平台的研究与开发 第5页
图2.6小波变换前后图
2.2.4小波降噪处理
这里我们采用小波变换方法对上述带澡声图像进行处理。
由于噪声往往是高频信息,所以在对图像进行小波变换后,与噪声相关的系数处在高频系数区。因此对变换后的小波系数进行低通滤波处理,即高频信号除去,重构后的信号即为降噪后的图像。小波变换进行降噪一般有三种方法:默认阈值消噪处理、给定阈值消噪处理、强制消噪处理。小波分用于图像降噪步骤为:
(1)二文图像信号的小波分解,选取合适的小波和恰当的分解层次,对待分析的图像信号进行N层分解计算。
(2)对分解后的高频系数进行阈值量化,对分解的每一层,选择一个恰当的阈值,并对该层高频系数进行软阈值量化处理。
(3)二文小波重构图像信号,根据小波分解后的第N层近似和经过阈值量化处理后各层细节,来计算二文信号的小波重构。
我们采用默认的阈值对带噪声的图像降噪处理,分解层次N=2,选用sym4小波。
降噪后的图像如下图所示:
     (1) 带有高斯噪声的图像               (2)小波降噪后的图像
        
   
   
   (3)带有乘性噪声的图像                          (4)小波降噪后的图像
图2.7小波降噪前后的图像
表2-2  经过小波变换降噪处理前后的信噪比。
信噪比(SNR) 滤波前(图2.7(1)) 基于小波变换降噪后的图像(图2.7(2))
 19.5855 27.4604
 滤波前(图2.7(3)) 基于小波变换降噪后的图像(图2.7(4))
 18.6628 26.4063
2.3图像处理的结果分析
通过比较,从视觉效果看,带噪声的原图像经过滤波后,噪声信息明显减弱,而对采用中值滤波和小波变换进行滤波的结果对比可以看出,基于小波变换降噪后的图像比采用中值平滑滤波降噪图像更加清晰,信噪比高。小波降噪前后的信噪比如表2-2所示。小波降噪前后的信噪比有一定增加,且增加值比中值滤波的增加值要高。说明小波变换降噪效果要比空域中值滤波效果好。
2.4本章小结
通过MATLAB选择中值滤波窗口,对噪声图像边缘部分进行扩展,将窗口依次从图像上的每个位置扫描过,计算像素的中间灰度值,并以此灰度值代替原图像中的中将位置的像素灰度值,扫描所有像素点完成滤波。对二文图像信号进行小波分解,对分解后的高频系数进行阈值量化,根据小波分解后的第N层近似和经过阈值量化处理后的各层细节,来计算二文信号的小波重构。然后通过计算两种滤波后图像的信噪比,得出基于小波变换的图像降噪方法降噪效果更好。

3、医学图像的分割处理
3.1图像边缘检测
物体的边缘是以图像局部特性的不连续形式出现的,例如,灰度值的突变,颜色的突变,纹理结构的突变等。从本质上来说,边缘就意味着一个区域的终结和另一个区域的开始。图像的边缘信息在图像分析和人的视觉中十分重要,是图像识别中提取图像特征的一个重要属性。
图像的边缘有方向和幅度两个特性。通常边缘走向的像素变化平稳,而垂直于边缘走向的像素变化剧烈。这种变化可能呈现阶跃型、房顶型、凸缘型[5],这种变化分别对应图像中的不同的物理状态。
基于边缘检测的基本思想是先检测图像中的边缘点,再按一定策略连接成轮廓,从而构成分割区域。边缘检测有模板匹配、微分法、统计方法和轮廓线拟合等方法。边缘检测的基本算法有Sobel算子、梯度算子、Log算子、Robert算子、Prewitt算子、拉普拉斯算子、高斯偏导滤波器以及Canny边缘检测器等[6]。
边缘精度和抗噪性是边缘检测的主要性能指标。两者相互制约,若强调边缘精度,则噪声引起的伪边缘会引起不合理的边界;若注重抗噪性,则会造成边缘漏检和轮廓线的位置偏离。
基于边缘检测的分割示意流程图如图3.1所示:

图3.1边缘检测的分割示意流程图
3.1.1常用的边缘检测方法
(1)微分算子法
导数算子具有突出灰度变化的作用,对图像运用导数算子,灰度变化较大的点处算得的值较高,因此可将这些导数值作为相应点的边界强度,通过设置门限的方法,提取边界点集。
函数 在某点的方向导数取得最大值的方向是                ,方向导数
的最大值          称为梯度模。利用梯度模算子来检测边缘是一种

它不仅位移不变性还具有各向同性。为运算简便,实际中采用梯度模的近似形式
如: 等,其它一些常用算子有Roberts算子和Sobel算子。
(2)Robrets算子法
它是2×2 算子,利用局部差分算子寻找边缘,计算沿45°方向的一阶差分。图像的梯度为两个45°方向的梯度向量和,直接计算图像差分,不包含平滑,故不能抑制噪声,对具有陡峭的低噪声图像响应最好。它是一种利用局部差分算子寻找边缘的算子。
      (3-1)
其中,f(x,y)是具有整数像素坐标的输入图像,平方根运算使该处理类似于在人类视觉系统中发生的过程。
(3)Sobel算子法
Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子,也有两个,一个是检测水平边沿的 ,另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性,我们可以发现,处理该类型图像轮廓时,并不需要对梯度方向进行运算,所以程序并没有给出各向同性Sobel算子的处理方法。
由于Sobel算子是滤波算子的形式,用于提取边缘,可以利用快速卷积函数, 简单有效,因此应用广泛。美中不足的是,Sobel算子并没有将图像的主体与背景严格地区分开来,换言之就是Sobel算子没有基于图像灰度进行处理,由于Sobel算子没有严格地模拟人的视觉生理特征,所以提取的图像轮廓有时并不能令人满意。  在观测一幅图像的时候,我们往往首先注意的是图像与背景不同的部分,正是这个部分将主体突出显示,基于该理论,我们给出了下面阈值化轮廓提取算法,该算法已在数学上证明当像素点满足正态分布时所求解是最优的。
Sobel算子的矩阵表达式:
Sobel1=[-1 -2 -1;           %检测水平边沿的Sobel算子
                 0 0 0;
                 1 2 1];
Sobel2=[-1 0 1;              %检测垂直平边沿的Sobel算子
                -2 0 2;
               -1 0 1];
(4)Canny算子法
Canny边缘检测是一种比较新的边缘检测算子,具有很好的边缘检测性能,得到了越来越广泛的应用。Canny边缘检测法利用高斯函数的一阶微分,能在噪声抑制和边缘检测之间取得较好的平衡[7]。
具体算法步骤如下:
(1)用高斯滤波器对图像滤波,可以去除图像中的噪声。
(2)用高斯算子的一阶微分对图像进行滤波,得到每个像素梯度的大小 和方向 。    
                                                                     
                                              (3-2)
                                                                       
                                                (3-3)
  为滤波后的图像。
(3)对梯度进行“非极大抑制”梯度的方向可以被定义为属于4个区之一,各个区用不同的邻近像素来进行比较,以决定局部最大值。这四个区及其相应的比较方向如下图3.2所示:

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >> 

医学图像处理系统平台的研究与开发 第5页下载如图片无法显示或论文不完整,请联系qq752018766
设为首页 | 联系站长 | 友情链接 | 网站地图 |

copyright©751com.cn 辣文论文网 严禁转载
如果本毕业论文网损害了您的利益或者侵犯了您的权利,请及时联系,我们一定会及时改正。