基于图像处理与神经网络的医学图像滤波技术的研究

摘要

数字图像处理(Digital Image Processing)又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
　　 数字图像处理因易于实现非线性处理，处理程序和处理参数可变，故是一项通用性强，精度高，处理方法灵活，信息保存、传送可靠的图像处理技术。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
　　 数字图像处理主要研究的内容之一是图像复原，图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再考虑采用某种滤波方法，恢复或重建原来的图像。从近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像处理中也越来越受到重视。
　　 图像是人类获取和交换信息的主要来源，数字图像处理在生物医学工程中应用十分广泛，而且很有成效。除了CT技术之外，还有一类是对医用显微图像的处理分析，如红细胞、白细胞分类，染色体分析，癌细胞识别等。此外，在X光肺部图像增晰、超声波图像处理、心电图分析、立体定向放射治疗等医学诊断方面都广泛地应用图像处理技术。
　　 结合实际应用的需要，本文围绕医学图像降噪展开工作.主要包括以下内容:
　　 (1)介绍并分析了已有的核方法和扩散算法。运用核方法的程序，其工作的方式是一致的。算法程序被调整为接受输入数据之间的内积，然后核函数被用来计算输入数据映射到特征空间后的内积，从而使得算法程序在高维空间中仍能正常使用。这一流程说明核方法具有模块性，也证实了它本身作为学习算法的可重用性；
　　 (2)深入分析了已有的降噪方法，虽然现有各种降噪方法对于不同噪声模型处理各异，但是对于医学图像处理而言，还是有一些规律可循的。本文主要探讨针对医学图像中的脉冲噪声和高斯噪声，如何进行有效的处理；
　　 (3)在分析了不同的噪声图像模型后，本文提出了更加有效的降噪方法。实验结果证明本文提出的降噪方法，对医学图像噪声处理是比较有效的。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 问题的提出

1.2 选题意义及国内外研究现状

1.2.1 选题意义

1.2.2 研究历史及现状

1.3 论文的研究内容和结构

第二章 支持向量机

2.1 引言

2.1.1 什么是支持向量机

2.1.2 什么是模式

2.2 线性分类问题的支持向量机

2.2.1 分类问题与机器学习

2.2.2 两类可分问题的线性分类机

2.3 求解线性分类问题的优化方法

2.3.1 优化问题的几个基本定义和定理

2.3.2 最优性条件

2.4 对偶理论

2.4.1 原始问题与对偶问题

2.4.2 弱对偶定律

2.4.3 强对偶定理

2.5 Lagrange对偶理论

2.5.1 原始问题与对偶问题

2.5.2 二次规划问题的对偶性

2.6 两类线性可分支持向量机的求解

2.7 本章小结

第三章 核方法与核矩阵

3.1 引言

3.2 内积和Gram矩阵

3.2.1 内积及希尔伯特空间

3.2.2 Gram矩阵

3.3 核矩阵

3.4 非线性支持向量机—核方法(Kernel Method)

3.5 本章小结

第四章 偏微分方程

4.1 引言

4.2 基本概念

4.2.1 偏微分方程

4.2.2 数学物理方程的分类

4.3 偏微分方程的解

4.3.1 线性偏微分方程解的特征

4.4 高斯平滑滤波器(Gaussian Smoothing Filter)

4.4.1 高斯滤波器简介

4.4.2 图像滤波的计算过程分析

4.4.3 高斯平滑滤波器的设计

4.5 本章小结

第五章 一种基于脉冲噪声检测的中值滤波方法

5.1 引言

5.1.1 标准中值滤波

5.2 一种新的图像噪声检测算法

5.2.1 算法的提出

5.2.2 算法设计与实现——图像脉冲噪声的检测与滤波

5.3 实验及结果

5.4 本章小结

第六章 一种改进的PDE图像去噪方法

6.1 引言

6.2 一种新的基于偏微分模型的去噪方法

6.2.1 各向同性与各向异性

6.2.2 各向异性扩散模型

6.2.3 改进的图像各向异性扩散平滑算法

6.2.4 实验结果及分析

6.3 本章小结

致谢

参考文献

附录：作者在攻读硕士学位期间发表的论文