基于模式分解的医学图像增强方法的研究与实现

摘要

近年来，随着数字成像技术的飞速发展以及医学数字图像处理技术的不断进步，特别是医学图像成像设备的普及，医学影像得到了更加广泛的使用。然而，由于噪声、伪影或医学成像设备本身的问题造成获取的图像不够清晰，这些不良因素会给医生在临床诊断带来困难，干扰正常的读影过程而且医学影像本身不够清晰也会影响医学图像配准、特征提取、器官建模等后续的处理，因此需要利用图像增强的方法对这些对比度较低、纹理不清晰或者边缘模糊的医学影像进行再处理，提高医学影像的辨识度，使其应用价值得到更大的发挥。
　　针对现有的医学图像增强方法在提高图像对比度时无法突出边缘、纹理等局部细节信息且易对噪声敏感的问题，本文提出了将保持细节的直方图均衡化方法和二维经验模式分解方法相结合的医学图像增强方法，同时，将小波变换和线性变换相结合对图像进行重构增强。首先，为了尽量减少图像信息丢失，利用保持细节的直方图均衡化算法对图像对比度进行提升，提高图像整体的对比度。然后，使用二维经验模式分解算法，将医学图像分解成不同频率的多尺度图像信息，再对这些信息利用小波变换和线性变换进行不同程度的提升，有针对性的提高感兴趣器官、组织和结构中的边缘或者纹理的信息。
　　为了验证算法的有效性，将本文方法与传统方法进行了实验比较，验证了本文方法在增强医学图像的细节方面具有良好的效果。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 医学图像的简介

1．2．2 医学图像增强的研究现状以及应用

1．3 本文研究内容和组织结构

第2章 相关技术介绍

2．1 直方图增强

2．1．1 直方图增强基本思想

2．1．2 图像直方图均衡化的实现

2．3 一维经验模式分解原理

2．2．1 一维经验模式理论概述

2．2．2 瞬时频率

2．2．3 本征模式函数

2．2．4 一维经验模式分解过程

2．3 二维经验模式分解原理

2．3．1 二维经验模式分解概述

2．3．2 二维经验模式分解过程

2．3．3 二维经验模式分解实例

2．6 本章小结

第3章 基于模式分解的医学图像增强算法

3．1 保持细节的直方图增强算法

3．1．1 算法简介

3．1．2 实验

3．2 经验模式分解算法

3．2．1 经验模式分解算法流程

3．2．2 边界效应处理

3．2．3 极值点提取

3．2．3 包络面拟合插值

3．3 改进的基于医学图像经验模式分解算法

3．3．1 医学图像极值点选取的改进

3．3．2 筛分停止条件的改进

3．3．3 分解结果的对比分析

3．4 医学图像的重构

3．5 本章小结

第4章 实验结果与分析

4．1 实验环境

4．2 医学图像质量评价方法

4．3 基于医学图像模态分解的实验结果与分析

4．6 本章小结

第5章 总结与展望

参考文献

致谢

攻读硕士学位期间发表论文情况简介