论文部分内容阅读
随着近年来各学科研究的飞速发展,人们对医学图像处理的要求也随之增高。虽然目前已经有很多学者针对医学图像的处理目的研究出一些相关的算法,但寻求速度快、精度高的图像处理算法仍是目前医学图像处理的难点和热点。脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)来自于研究人员对哺乳动物视觉皮层细胞的研究成果,通过对其脉冲同步现象进行观察研究,总结出了PCNN的神经元模型。目前,国内外对PCNN的研究还处于起步阶段,还有待于进一步的扩展和深化。本文在借鉴前人经验思想的基础上,经过分析比较现有文献中的PCNN模型,选用了合理的PCNN简化模型。然后将其应用到图像处理中,在每一步处理中对模型中的各个参数进行分析研究,解决了PCNN模型在超声图像处理中的相关应用问题,进一步深化了对PCNN的理解。本文结合PCNN和图像处理的最新理论研究成果,开展了如下的研究工作:(1)针对受混合噪声(脉冲噪声和高斯噪声)干扰的灰度图像,提出了基于简化PCNN模型的综合滤波算法。通过在实验中与传统降噪算法的比较得出,该算法不但能有效滤除混合噪声的干扰,还能保护图像中的边缘和细节信息,降噪后图像的主观视觉效果较好,客观评价指标性能较高,在信噪比和去噪能力方面都有一定的提高。(2)将PCNN引入到医学超声图像的处理领域,针对超声图像的成像特点,通过选择适当的PCNN网络参数,模拟人眼视觉特性,提出了一种基于PCNN的超声图像增强算法。经过计算机仿真表明,使用本文的增强算法能够得到比传统经典算法更好的处理结果,能为临床提供内容清晰的超声图像,便于医生诊断观察以及对超声图像的进一步分析处理。本方法对于后续的医学图像的病灶自动分割有着重要的意义,大大提高计算机辅助诊断的正确率。(3)提出了针对超声图像病灶区域的分割算法。针对以往基于PCNN的分割算法网络参数难以确定的问题,结合粒子群算法的自动寻优能力,同时以改进的最大熵函数作为适应度函数,在熵函数达到最大时,自动终止迭代过程,省去了人工交互和实验的麻烦,自动设置PCNN的网络参数,实现了基于粒子群算法的PCNN自动分割,分割出超声图像的病灶区域。