医学图像序列的运动估计研究

摘要

医学图像序列压缩是远程医疗系统中的重要技术。运动估计是视频序列压缩中的一项关键技术,其目的是去除视频序列相邻帧间的时间相关性。块匹配是运动估计算法之一,首先将待预测图像分成许多互不交叠的块,然后在一定的搜索范围内对参考图像进行搜索,根据给定的匹配标准找到每一块的最佳匹配块,得到每一块的运动矢量。现有的块匹配算法中,全搜索算法虽然具有最高的精度,但其计算复杂度相当高。如何达到较高的精度和较低的运算复杂度是运动估计技术中亟待解决的问题。迄今为止出现了很多快速的块匹配算法,这些算法在精度和计算复杂度上达到了较好的平衡。其中,基于小波变换的块匹配算法是利用小波子带系数之间的相关性,仅对某部分子带进行匹配运算,进而预测其他子带的运动矢量的一种块匹配方法,它相对其他的快速搜索算法进一步降低了运算复杂度。本文提出了一种改进的正方形-菱形搜索算法来实现医学图像序列的运动估计。这种改进的正方形-菱形算法减少了搜索点数。我们将其应用于小波域的医学图像序列的运动估计,并对数字减影血管造影图像序列(DSA)进行实验。结果表明,改进后的小波域正方形-菱形算法较其他算法精度高。这些快速块匹配算法都是基于一种假设:匹配函数单调变化,即匹配函数值随着搜索点与最优点之间距离的增加而增加。这在实际应用中并不使用,所以这些算法往往会陷入局部最优解。基于自然选择机制的遗传算法则被广泛用于求解全局最优。但标准遗传算法的进化速度决定了它不能直接用于运动估计技术。量子遗传算法是遗传算法与量子计算的结合。算法使用量子比特编码染色体,用量子门变异来进化种群,以当前最优解控制量子的变异使其以大概率向适应度高的模式进化,从而比传统进化策略具有更快的收敛速度和全局寻优能力。本文结合运动矢量的中心偏置特性和量子进化策略,在量子遗传算法中加入初始种群,提出了一种基于改进量子遗传算法的块匹配方法。实验表明,本文算法比三步法精度高,并以较高的概率高于菱形搜索算法的精度。

目录

第一章 绪论

第二章 图像序列的运动估计概述

2.1 研究背景及意义

2.2 图像序列的压缩简介

2.3 运动估计算法简介

第三章 基于小波域的医学图像序列的块匹配算法研究

3.1 块匹配算法

3.1.1 算法机理

3.1.2 几种常用的块匹配搜索方法

3.2 图像的离散小波变换

3.2.1 小波变换的产生与发展

3.2.2 多分辨率分析和二维图像的离散小波变换

3.3 改进的小波域医学图像序列的块匹配方法

3.3.1 算法描述

3.3.2 算法性能测试

3.3.3 算法在医学图像序列运动估计中的应用

3.4 结论

第四章 基于量子遗传算法的医学图像序列的运动估计研究

4.1 遗传算法概述

4.1.1 遗传算法的产生与发展

4.1.2 标准遗传算法及其理论研究

4.1.3 遗传算法的应用

4.1.4 遗传算法设计与执行策略

4.2 遗传算法在图像序列运动估计中的应用

4.3 量子遗传算法

4.3.1 量子比特编码

4.3.2 量子遗传算法的遗传算子

4.3.3 量子进化策略的算法描述

4.3.4 量子遗传算法的收敛性论证

4.4 量子遗传块匹配算法

4.4.1 算法描述

4.4.2 算法性能测试

4.4.3 算法在医学图像序列运动估计中的应用

4.5 结论

第五章 结束语

致谢

参考文献

个人简历及在学期间的研究成果