- 上一篇：新版GMP对旧厂房的改造和设计空调净化系统
- 下一篇：聚季铵盐水凝胶制备工艺的初探
图5. 原图像及自适应中值滤波后的图像
下面的表1中给出的是各种去噪方法的对比情况：
滤波方法 加噪图像的噪声系数 去噪图像的信噪比 程序运行时间
均值滤波 0.05 23.3713 0.310048 s
均值滤波 0.1 17.8724 0.370624 s
均值滤波 0.2 13.3276 0.360842 s
Gauss滤波 0.05 21.7951 0.002729 s
Gauss滤波 0.1 16.1935 0.005209 s
Gauss滤波 0.2 11.6517 0.011372 s
数学形态滤波 0.05 19.9969 0.706762 s
数学形态滤波 0.1 15.1217 0.688738 s
数学形态滤波 0.2 11.0171 0.695162 s
自适应中值滤波 0.05 25.5662 0.370095 s
自适应中值滤波 0.1 19.8207 0.533944 s
自适应中值滤波 0.2 14.7880 0.403743 s
表1. 几种滤波方法的去噪效果对比
无论是从直观的图像去噪效果（见图1——图5）还是从表1中，都可以清晰地看出，自适应中值滤波方法的去噪效果较其它几种滤波方法的效果要好得多。所以，本文选择自适应中值滤波方法对图像进行去噪处理。
2.2 肾脏CT图像的配准
图像配准是指对一幅图像进行一定的几何变换映射到另一幅图像中，使得两幅图像中的相关点达到空间上的一致。配准的结果应该使两幅图像上所有的解剖点，或者至少使所有的具有诊断意义的点达到匹配。图像的配准是图像融合的先决条件与关键，图像配准的精度的高低直接决定融合结果的质量[3,Page37-39]。
目前的配准方法主要有基于形状特征点的配准方法和基于像素相似性的方法。基于形状特征点的方法是用图像分割和模式识别的方法提取图像中稳健的特征点，确定这些特征点之间的对应关系，寻找一个表示相似性测度的能量泛函，以优化求解图像之间的空间变化参数，从而达到两幅图像之间的对应像素在空间位置上的对齐，缺点是特征点（或特征线）复杂难以提取；基于像素特性的配准方法使用很灵活，在配准全过程中使用图像的全部灰度信息，通过优化一个目标函数来计算所有可能的像素对应性，不需要确定特征点，缺点是计算量非常大。
图像配准的基本步骤是：首先，提取出图像的特征信息组成特征空间；然后，根据提取的特征空间得出一种几何变换，使一幅图像在经过该变换后能够达到所定义的相似性测度要求。在确定变换的过程中，还需要采取一定的优化搜索策略，以使相似性测度更快、更好地达到最优值。图像配准的简单流程图如下所示（其中，I1是参考图，I2是浮动图，I2*是对I2实现几何变换后的图像）：
图6. 图像配准的基本步骤流程图
图像配准中常用的空间几何变换有刚体变换、仿射变换、投影变换以及非线性变换[3,Page42-44]。目前，医学图像配准方法大部分使用刚体变换。按照需要配准的两幅图像的来源，可以将图像配准分为两类：单模态配准（图像源自同一个成像设备）和多模态配准（图像源自不同的成像设备）。
2.2.1 基于互信息的配准方法
对于不同的两幅图像Ａ和Ｂ，对它们进行配准就是要定义一个相似性测度，并且寻找一个空间变换，使得经过该变换之后，两幅图像之间的相似性达到最大。互信息量是Shannon在1948年关于信息论的论文中提出的一个重要概念，它来源于概率统计，作为一个统计量被广泛应用。互信息量可用来衡量两个随机变量之间的相关性大小，相关性越大，互信息量越大。因此将互信息量作为相似性测度用于图像配准当中是可行的。近年来互信息用于医学图像配准取得了很大的成功。互信息配准方法被认为是目前最准确、稳健性最高的回溯性配准方法之一。