小波分析在医学图像处理中的应用研究

论文摘要

随着科技的发展,医学影像技术在临床诊断和治疗方面发挥着越来越重要的作用。医学图像(如CT,B超,MRI等)能给医生提供较客观的数据,能及早的发现疾病,辅助医生进行手术治疗。然而,医学图像本身有着许多缺陷,边界不明显或者模糊不清,此外图像在成像过程中因为设备的成像机理、传输过程的干扰或显示设备等因素的限制,其质量会受到一定的影响,使得人眼很难对得到的图像做出准确的判断,给医生的诊断和治疗带来一定的困难。为了提高医学图像的可读性,有效的观察病情,进行正确的诊断和治疗,对医学图像要进行处理。传统的图像处理方法容易放大噪声,丢失边缘或细节信息,不适合医学图像的处理。小波分析是继傅立叶分析之后新的时频分析工具,由于它具有良好的时频局部特性以及多分辨率分析特性,能很好的实现信噪分离,在医学图像处理方面显出了独特的优势。本文主要研究了基于小波变换的医学图像去噪和增强算法,主要做了以下工作:首先,介绍了医学影像存档与传输系统(PACS)的几个主要模块。介绍了小波变换以及图像分解与重构的基本理论,为后续的图像处理提供理论基础。其次,分析了小波变换的模极大值去噪,相关性去噪以及阈值萎缩去噪,针对软硬阈值函数的缺点,提出一种新的阈值函数,并通过仿真实验证明此新阈值函数效果较软硬阈值函数好。进一步分析了NeighShrink阈值去噪,由于NeighShrink阈值去噪在对小波系数进行处理时,考虑了其邻域的小波系数,减少了重要的细节丢失,较好的保留了图像的边缘及细节,克服了软、硬阈值去噪的缺点。然而,它在去噪的同时将所有的小波系数都收缩了,使图像的边缘或细节被削弱了,针对该问题提出了其改进的方法,在去噪的同时能增强图像的边缘、细节信息。仿真实验结果表明改进的算法比小波强制消噪,小波软阈值去噪,小波硬阈值去噪,NeighShrink阈值去噪效果好。最后,研究了基于小波变换的图像增强方法,重点介绍了小波高频子带增强算法,在此基础上提出了基于新阈值函数的小波增强算法,并将小波增强后的图像再进行空域的Laplacian增强,通过实验证明小波加Laplacian增强的方法既突出了图像的边缘细节特征,又抑制了噪声的放大,效果较单一方法好。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究背景及意义
• 1.2 小波理论在国内外的发展
• 1.3 小波在图像处理中的发展与现状
• 1.4 本文的主要工作
• 2 医学图像处理系统及分析
• 2.1 医学图像处理系统的基本结构
• 2.2 医学图像数据的采集
• 2.2.1 图像的采样
• 2.2.2 图像的量化
• 2.3 医学图像的传输与存储
• 2.4 医学图像的处理
• 2.5 本章小结
• 3 小波分析的理论基础
• 3.1 傅立叶变换到小波变换
• 3.2 连续小波变换
• 3.3 离散小波变换
• 3.4 多分辨率分析
• 3.5 小波分解与重构—Mallat 算法
• 3.6 图像的二维离散小波变换
• 3.7 本章小结
• 4 小波在医学图像去噪中的应用
• 4.1 图像去噪效果评价指标
• 4.2 小波去噪的原理
• 4.3 小波去噪的方法
• 4.3.1 小波变换模极大值去噪
• 4.3.2 小波系数的相关性去噪
• 4.3.3 小波阈值去噪
• 4.4 影响小波去噪的因素
• 4.4.1 小波基的选取
• 4.4.2 小波分解层数的选择
• 4.4.3 噪声方差的估计
• 4.5 小波阈值去噪的改进
• 4.5.1 阈值的选取
• 4.5.2 阈值函数的选取
• 4.5.3 一种改进的阈值函数
• 4.5.4 实验结果及分析
• 4.6 NeighShrink 去噪算法
• 4.6.1 NeighShrink 去噪算法
• 4.6.2 NeighShrink 算法的进一步分析
• 4.6.3 NeighShrink 算法的改进
• 4.6.4 实验结果及分析
• 4.7 本章小结
• 5 小波在医学图像增强中的应用
• 5.1 图像增强的评价指标
• 5.2 图像增强的基本方法
• 5.2.1 空域的增强方法
• 5.2.2 频率的增强方法
• 5.3 基于小波变换的图像增强原理
• 5.4 小波的图像增强算法
• 5.4.1 基于小波的子带增强算法
• 5.4.2 新阈值函数的小波增强算法
• 5.4.3 小波域增强与Laplacian 增强的结合
• 5.5 实验结果及分析
• 5.6 本章小结
• 6 总结和展望
• 致谢
• 参考文献
• 附录