【摘 要】
：
医学图像增强处理中需要很好地解决细节增强与噪声抑制的矛盾.本文提出一种基于模糊逻辑的多尺度医学图像细节增强算法(FLBMEM),根据图像局部特征设计混合滤波器去除脉冲噪声和非脉冲噪声,对不同尺度细节的子带图像进行增强时,根据中心像素与邻域像素的相容性自适应计算非线性细节增益函数,最后各子带图像重建后得到细节增强的图像.试验表明,(FLBMEM)算法增强细节的同时能够有效抑制噪声,能够方便的应用于医
【机 构】
：
浙江大学计算机科学与技术学院,杭州,310027 宁波大学信息工程与科学学院,宁波,315211
论文部分内容阅读
医学图像增强处理中需要很好地解决细节增强与噪声抑制的矛盾.本文提出一种基于模糊逻辑的多尺度医学图像细节增强算法(FLBMEM),根据图像局部特征设计混合滤波器去除脉冲噪声和非脉冲噪声,对不同尺度细节的子带图像进行增强时,根据中心像素与邻域像素的相容性自适应计算非线性细节增益函数,最后各子带图像重建后得到细节增强的图像.试验表明,(FLBMEM)算法增强细节的同时能够有效抑制噪声,能够方便的应用于医学图像处理系统中。
其他文献
在研究流媒体和MPEG-4技术的基础上,本文提出了一种基于MPEG-4技术的流媒体创作系统的改进方案.文中在原有的模块化、多线程的设计方法中加入打包策略改进该系统,从而提供一个创作流媒体的可视平台,有效地提高流媒体系统的整体性能。
在视频压缩技术中,运动估计是视频处理系统的一个重要组成部分,同时也是最耗时的一部分.本文提出了一种结合冗余小波变换的运动估计算法,有效地减少了运动估计的运行时间,并在TI公司的TMS320DM642芯片上验证了该算法的实时性。
本文介绍了H.264解码器结构和解码流程.重点阐述了H.264解码器在ADDSP-BF533上的实现和优化策略.实验结果表明,本文的H.264解码器的实现方法和优化策略较为有效,能够满足DSP实时解码的需求.
在基于包交换的低比特率无线视频传输中,丢包往往会引起整帧图像数据的丢失,传统的差错掩盖方法难以达到较好的掩盖效果.本文提出了一种基于光流场方程估计丢失整帧的差错掩盖方法.实验证明,PSNR比传统的帧拷贝方法提高1个db左右,并且具有更好的视觉流畅性,可以有效地抑制视频差错的扩散,取得较好的差错掩盖效果。
本文描述了一种用于三维脑图像数据远程可视化的新方法,其核心在于将三维脑图像模型分解成一组球谐函数正交基的扩展系数.本方法利用最小二乘法将模型的原始坐标拟合成球谐函数正交基的扩展系数.这些系数可以通过因特网传输到客户端并被利用于重建三维模型.理论与实验的结果表明,本方法的数据压缩比一般可达1:30左右,远高于一些传统的压缩方法,如Progressive Meshes方法.本方法为解决三维脑图像数据在
跟踪系统是实现虚拟现实(VR)和增强现实(AR)的关键环节,跟踪系统的效率取决于系统的实现框架和采用的预测滤波算法.由于贝叶斯滤波(BSF)算法在非线性系统模型的仿真中具有较好的适应性,本文构建了贝叶斯预测滤波框架,且将框架分为预测滤波层和表示层;根据各层的功能,分析了贝叶斯滤波算法的实现过程.通过实验,得到了框架模型的最佳仿真次数.实验结果表明,在非线性系统模型的仿真中,贝叶斯预测滤波框架能够较
本文给出一个基于流体物理模型和粒子系统的快速卡通烟雾模型.通过Navier-Stokes方程建立烟雾流体场的物理模型,以保证运动轨迹的真实感.为粒子属性引入了浓度函数和作用半径,从而只需少量粒子就能快速获得浓度场分布.为了实现卡通化效果,使用卡通图元进行纹理贴图.试验证明该系统高效快速,能实时生成自然生动的卡通烟雾效果.
小波阈值萎缩法能够有效地去除图像中的高斯噪声,其中,去噪阈值在很大程度上影响到去噪的效果,而噪声标准差在小波去噪阈值的确定中又起着至关重要的作用.针对医学图像的特点、基于寻找更合适的噪声标准差估计方法,本文提出了一种新的利用模糊均差代替普通标准方差估计噪声标准差的方法.在各层小波分解的低频图像中利用模糊积分估计噪声标准差.然后确定每一层小波去噪阈值,进行图像去噪.试验结果表明,本文算法在去除噪声的
如何有效地从噪声图象中提取边缘是图象分析领域中的难点,针对现有方法存在的问题,提出了边缘分段自增强算法.该算法首先对噪声图象进行小尺度高斯滤波;再使用本文设计的新型边缘检测算子获取引导信息,此边缘检测算子在定位精度、抑制噪声和虚假边缘方面具有很好的性能;然后对各搜索轨迹进行分段自增强;最后根据自增强累积的程度获取噪声图象的边缘.实验结果表明:此算法能够有效的从噪声图象中提取物体的真实边缘,并能最大
动态SPECT图像(4维)能够提供一段时间内放射性示踪剂在人体内的运动或变化情况.一直以来,重建动态SPECT图像采用的方法是对投影图像的时间序列分别进行重建,完全忽略了它们之间的相关信息.本文提出了一种新的解决办法:通过Karhune-Loève(KL)变换,提取出时间序列上的相关信息分量;利用近年来的数学成果(Novikov求逆变换公式)推导出的解析重建算法对这些信息进行有选择的部分或全部分量