医学图像处理期末复习

Posted 2021-07-17 Melody袁

这节主要总结医学图像的增强技术、图像的分割技术。

医学图像增强

基本增强技术

图像是信息可视化的重要手段。一幅医学图像以直观的形式给医生提供辅助诊断和治疗的信息。特别是，有经验的放射专家和临床医生能从这些图像中得到很多有用的信息。

但是，从扫描设备出来的原始图像由于受到成像设备和获取条件等多种因素的影响，可能出现图像质量的退化，甚至伪迹。即使是高质量的图像，在大多数情况下，也很难用肉眼直接得出有用的诊断。

不同能力和背景的人对同一幅医学图像往往会得出不同的结果来。要想对图像有定量的评估就更是不可能的。

因此，用计算机对医学图像做后处理，首要的任务就是对获取的医学图像进行增强信噪比的工作。即滤除图像的噪声和干扰，突出感性趣对象区域或边缘从而为进一步分析和计算奠定基础，从图像得到定量和更深刻的信息。

直方图均衡

直方图均衡的作用是将图像灰度信息分布得尽可能均匀。本质上是一个直方图的变换，即将输入图像的直方图映射成为一个最大平展的直方图。具体的做法是，首先从图像的直方图计算归一化累加直方图。

具有最均匀直方图的增强图像可由下式计算：

图(a)是原始脑图像，对应直方图（图 (b)）中灰度分布很不均匀；图©是归一化累加直方图。图(d)和图(e)是增强后的图像与直方图；图(f)是增强后的归一化累加直方图，接近一条直线。经直方图均衡化处理后MRI脑图像中的细节明显得到增强。

局部区域直方图均衡

将整个图像直方图均衡化的概念应用于小块、彼此重叠的局部图像区域是一种非常有效的图像增强方法。这是一种非线性运算，有利于观察图像的细节。

局部区域直方图定义为 ：

局部区域累加直方图：

相应均衡化后输出图像

滤波器

均值滤波

图像与尺度为 (2K+1)×(2L+1)核的卷积，核的元素值为总元素个数的倒数，例如，当K=L=1时，


均值滤波对噪声有平滑作用，但代价是牺牲图像的边缘的锐度。核的大小对成功滤波极为重要。小于核尺寸的图像细节会明显受到抑制，而大于核尺寸的图像细节受影响较小。

中值滤波

中值滤波是一种常用的抑制噪声的非线性方法，它不是将图像与核系数卷积，而是在核框架的每个位置上（即将核的中心与待处理的图像像素对齐），输出的像素灰度为该核框架范围下图像所有像素灰度的中位数。

一般说来，中值滤波与均值滤波具有不同的平滑特性，比中值滤波核尺寸小于一半的图像特征完全被滤除，而大的不连续性，如边缘或大的图像变化则不受影响，但位置可能移动几个像素。这种滤波器对某些噪声，例如椒盐噪声非常有效。

平滑滤波器

医学图像分割

基本分割技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

阈值分割

待分割图像 f(x,y),分割后图像g(x,y),T :阈值

全局阈值：T 取决于整幅图像
局部阈值：T 取决于局部图像
动态阈值：T 取决于空间坐标(x,y)

人工选择法

通过人眼观察双峰之间的谷底作为分割阈值。
在选择人工阈值后，根据分割效果，不断交互调整，选取最佳阈值。

最大类间方差阈值法

迭代阈值法

聚类方法