无线内窥镜系统设计及内窥镜图像压缩编码算法研究

论文摘要

无线内窥镜克服了管道式内窥镜的局限,微型摄像胶囊通过吞咽进入肠道,可以对食道、胃、小肠和大肠进行特定和非特定位置的图像拍摄,从而可以对整个消化道系统进行检测,克服了传统电子内窥镜只能检测胃部及部分肠道的缺陷。开展无线内窥镜系统及其图像相关方面的研究对于人类社会保健普查工作、消化系症状与体征病人的诊查,具有重要意义和明显的社会与经济效益。但是,由于图像的存储、传输以及压缩算法所产生的图像质量问题使无线内窥镜的推广实用受到了很大的影响。无线内窥镜系统采集的图像本身固有的信息冗余和统计特性使内窥镜图像数据压缩成为可能,为图像压缩提供了依据;人类视觉特性为进一步对采集到的图像进行压缩提供了条件。可以利用上述两个条件之一对内窥镜采集到的图像进行有损和无损压缩,或者综合利用上述的两个依据对其进行高效的压缩。具体研究内容及主要工作可以概括为以下几个方面:①在分析、参考国内外相关无线内窥镜系统结构的基础上,确定了本系统的总体设计方案以及无线内窥镜系统组成。设计了摄像模块、无线收发电路以及体外无线收发存储系统。②从BP网络的模型、网络结构、分类及其学习规则等方面展开讨论及深入研究,探讨了BP算法以及数据压缩的原理,深入研究它在图像压缩中的应用及其关键技术。但是在实际应用中,经典的BP神经网络用于图像压缩存在网络训练收敛速度慢、容易陷入局部最小以及全局搜索能力弱的缺点。本文提出基于遗传算法（GA）的BP神经网络,将它用于图像压缩,利用了GA能够在全变量空间以较大概率搜索到全局解和BP算子的各自特点,不仅收敛速度快而且鲁棒性好,图像压缩实验结果显示恢复图像的质量较高。这也是本文的创新性之一。③本文在系统研究了ANN和多小波的基础理论知识,构架了一种以多小波变换为基础的新的图像压缩系统。该系统中,主要采用BP网络技术和Multiwavelet技术。其中,图像处理转换到YCbCr空间,改进了多小波变换的预滤波方法,使得多小波变换后能量更加集中;对多小波变换后的低频和高频部分引入了一种新的压缩编码方法,即对图像低频部分采用JPEG编码进一步增加其压缩率;而对于图像高频,则采用GA-BP网络进行压缩编码,从而获得更好的压缩性能。在整个系统中,最核心部分是多小波混合重构技术的应用,使得图像压缩性能优于其它的编码技术。在三种多小波混合重构实验中,GHM低频+CL高频的混合重构算法用于三种类型图像（光滑、纹理、中性）压缩系统,相对于单独的BP网络或者多小波、小波压缩编码,不仅可以很好的实现图像重构,并且能产生较好的压缩效果。尽管本文的研究基本实现了研究目标,但整个系统距离实用化还有许多工作需要进行,在本文的最后,对整个论文的工作和研究成果进行了总结和展望,并提出了下一步的研究工作。

论文目录

• 中文摘要
• 英文摘要
• 1 引言
• 1.1 无线内窥镜图像压缩的需求与可行性
• 1.1.1 图像的压缩需求
• 1.1.2 图像压缩的可能性
• 1.2 国内外研究现状
• 1.3 研究内容与创新点
• 1.4 论文结构安排
• 2 无线内窥镜系统设计
• 2.1 无线内窥镜的研究现状
• 2.1.1 GivenImaging的PillCam无线内窥镜
• 2.1.2 RF SYSTEM Lab的Sayaka无线内窥镜
• 2.1.3 奥林巴斯的Endo Capsule无线内窥镜
• 2.1.4 韩国科学研究院的MiRO无线内窥镜
• 2.1.5 重庆金山的OMOM无线内窥镜
• 2.2 按需式无线内窥镜的研究意义
• 2.2.1 模拟式无线内窥镜与数字式无线内窥镜的优缺点分析
• 2.2.2 数字式无线内窥镜的结构分析
• 2.3 按需式无线内窥镜的系统设计
• 2.4 按需式无线内窥镜胶囊模块设计
• 2.4.1 图像传感器模块
• 2.4.2 射频通信模块
• 2.4.3 低频接收装置
• 2.4.4 可编程逻辑器件和微控制器模块
• 2.5 低功耗设计
• 2.6 本章小结
• 3 图像压缩技术
• 3.1 信息论基础
• 3.1.1 信息的度量
• 3.1.2 Shannon编码定理
• 3.2 图像压缩系统
• 3.2.1 图像压缩简介
• 3.2.2 图像编解码过程
• 3.3 图像压缩编码的方法
• 3.3.1 传统的图像压缩编码方法
• 3.3.2 现代图像压缩编码方法
• 3.4 图像压缩编码的国际标准
• 3.4.1 标准图像格式简介
• 3.4.2 基于DCT的压缩编码标准
• 3.4.3 基于小波变换的压缩编码标准
• 3.5 图像压缩的评价标准
• 3.6 本章小结
• 4 基于人工神经网络的无线内窥镜图像压缩
• 4.1 人工神经网络系统
• 4.1.1 人工神经网络简介
• 4.1.2 人工神经网络模型
• 4.1.3 人工神经网络的分类
• 4.1.4 人工神经网络的学习规则
• 4.2 BP网络应用于图像压缩
• 4.2.1 BP网络
• 4.2.2 BP网络图像压缩
• 4.3 遗传算法
• 4.3.1 遗传算法的概念、特点及应用
• 4.3.2 遗传算法的特点
• 4.3.3 遗传算法的应用
• 4.3.4 遗传算法的收敛性分析
• 4.3.5 遗传算法优化神经网络
• 4.4 BP网络图像压缩实验及结论
• 4.4.1 训练样本构造
• 4.4.2 训练算法
• 4.4.3 算法流程
• 4.5 本章小结
• 5 多小波算法及其在图像压缩中应用
• 5.1 单小波的发展及特点
• 5.2 多小波理论
• 5.2.1 多小波发展历史
• 5.2.2 多小波
• 5.2.3 离散多小波变换
• 5.2.4 预处理和后处理
• 5.2.5 多小波的性质与应用
• 5.2.6 三种重要的多小波系统
• 5.3 多小波变换在图像压缩中的应用
• 5.3.1 图像预处理
• 5.3.2 图像多小波分解变换算法描述
• 5.3.3 压缩编码
• 5.3.4 图像的多小波重构算法描述
• 5.3.5 后置滤波
• 5.3.6 计算机仿真及结果分析
• 5.4 本章小结
• 6 基于多小波变换的无线内窥镜图像压缩
• 6.1 多小波图像压缩介绍
• 6.1.1 图像彩色空间转换
• 6.1.2 预滤波与后滤波
• 6.1.3 多小波变换与反变换
• 6.1.4 JPEG系统
• 6.1.5 GA-BP ANN
• 6.1.6 霍夫曼（Huffman）编码
• 6.2 多小波图像压缩实验
• 6.2.1 图像压缩系统流程
• 6.2.2 图像压缩编码与解码
• 6.2.3 图像压缩系统结果
• 6.3 本章小结
• 7 总结与展望
• 致谢
• 参考文献
• 附录