基于神经网络的医学图像无损压缩研究

论文摘要

随着医学科技的飞速发展,越来越多的医学图像设备在临床医学中得到应用,为快速准确的诊断提供了可能。而伴随而来的是海量的医学图片的存贮,交互问题。为了能够节省存贮空间,而又不损失图像中的重要信息,需要对各种医学图像进行无损压缩处理；为了能够适时实现图片的交互传送,还要注意无损压缩要有较低的复杂性。本文正是以此为基础,展开对医学图像的无损压缩研究。首先,在医学图像无损压缩模型的建立上,在分析JPEG-LS压缩模板的基础上,对预测模板进行了改进,在理论和实验的基础上,建立了三点预测模型中的442模板,并利用神经网络中的感知器实现了对预测系数的自适应调整,实验结果表明该预测模型在无损压缩的压缩比及压缩时间上都有较优的表现。其次,在熵编码的选择上,选择了编码效率较高的Rice编码格式,并对编码的长度进行了自适应的调整,进一步实现了对医学图像算法的优化。最后,针对真彩图像的压缩,本文在研究前人彩色空间的线性变换的基础上,提出了抽取颜色分量,顺序压缩的方法。从而在图像预测编码的处理过程中,增强了同一颜色分量上下文间的相关性,提高了图像的压缩比,同时并没有增加同一行预测编码的复杂性。实验表明,该算法在压缩比和压缩时间的性能指标优于常规的方法。本文的全部试验结果均在VC编程实现。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的意义
• 1.2 国内外的研究现状
• 1.3 本文的主要研究内容
• 1.4 论文的章节安排
• 第二章 医学图像无损压缩原理
• 2.1 医学无损图像压缩的概念
• 2.2 医学图像分类和特点
• 2.3 医学图像无损压缩的方法
• 2.4 医学图像压缩的评价标准
• 2.4.1 医学图像压缩的客观标准
• 2.4.2 医学图像压缩的主观评价标准
• 2.5 本章小结
• 第三章 无损压缩的国际标准
• 3.1 JBIG国际标准
• 3.2 JPEG国际标准
• 3.3 JPEG-LS国际标准
• 3.3.1 JPEG—LS压缩模型
• 3.3.2 JPEG—LS预测模板
• 3.3.3 JPEG—LS上下文模型
• 3.3.4 JPEG—LS编码
• 3.4 JPEG2000国际标准
• 3.5 本章小结
• 第四章 基于神经网络的医学图像无损压缩算法研究
• 4.1 医学图像无损压缩的基本步骤
• 4.2 医学图像无损压缩中预测模型的建立
• 4.2.1 脉冲编码调制（DPCM）
• 4.2.2 本文所采用的预测模型
• 4.2.3 基于神经网络感知器的自适应预测算法
• 4.3 医学图像无损压缩中编码处理
• 4.3.1 Rice编码的特点
• 4.3.2 Rice编码中的预处理
• 4.3.3 Rice编码的基本原理
• 4.3.4 Rice编码算法的步骤
• 4.3.5 Rice编码中的自适应调整
• 4.4 本文所用无损压缩算法实验对比讨论
• 4.4.1 本文所用无损压缩算法的结构框图
• 4.4.2 本文所用无损压缩算法和其它无损压缩算法的对比讨论
• 4.4.3 本文所用无损压缩算法压缩效果图
• 4.5 多分量彩色图像的无损压缩
• 4.5.1 本文所用的彩色压缩算法
• 4.5.2 本文所用的彩色压缩算法对比
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 本文的工作总结
• 5.2 未来的工作展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文