论文部分内容阅读
随着医学影像技术地不断蓬勃发展,数字医学图像逐渐成为了医学信息解析和传递的主要媒介。随之产生的大量医学图像、数据在计算机的高速处理下不仅可以提高医院救助效率也可以满足实时性要求。现如今,医学图像处理和分析在对疾病的成像诊断中起到辅助医生确定病变局域的重要作用。由于人体的组织结构错综复杂,在成像过程中不免受到各种设备噪声或X射线散射等不良因素影响,从而导致医学图像普遍存在对比度低、动态灰度范围窄、光照分布不均匀、边缘界限不清晰等问题,这将影响诊断结果的准确性。所以,医学图像增强技术在医学领域的应用有着不可或缺的重大意义。本文研究了几种广泛使用的图像增强算法,并将其应用于医学图像,总结增强效果及出现的问题,并在此基础上进行了改进,利用多个数据集进行了验证,主要研究内容如下:(1)将广泛使用的图像增强算法,如直方图均衡化、基于小波变换的图像增强算法、Retinex算法等,应用到医学图像增强中,分析其效果。(2)研究了三种基于变分思想的Retinex算法框架模型,每种方法对于光照分量和反射分量中引入的正则化先验约束各不相同。(3)针对常见图像增强算法中出现的“光晕伪影”、边缘不清晰等问题,结合医学图像特点和光照估计模型提出一种基于Canny算子加权引导滤波的Retinex算法(CWGFR)。首先,利用Canny边缘算子准确估计加权引导滤波器的边缘权重;其次,通过加权引导滤波器对光照进行估计,从而得到入射光分量;最后,根据Retinex算法原理计算出反射光分量从而得到输出图像。对比实验结果表明,本文算法不仅在改善图像对比度方面表现良好,更具有边缘保持特性,能够凸显图像细节信息,有效消除“光晕伪影”现象。(4)针对常见图像增强算法存在的“过增强”现象和对特定医学图像不具有通用性等问题,本文又提出一种新的基于环绕抑制机制的变分Retinex算法(SSVR)。本文算法模仿人类视觉系统,利用具有抑制纹理信息的环绕抑制机制保留边缘信息,加强正则化约束平滑亮度均匀区域,并用分裂Bregman迭代法加速求解。最后将本文算法与多种增强算法在不同数据集上进行对比实验,增强效果突出。