第四章 医学图像的变换

第四章 医学图像的变换

第一节 傅里叶变换
傅里叶变换是一种正交变换，掌握傅里叶变换可以把空间域中复杂的卷积运算转化为频域中的乘积运算，还能在频率域中简单而有效地实现增强处理和进行特征抽取，应而在图像处理中得到了广泛的应用。

一 一维傅里叶变换

二 二维傅里叶变换

三 傅里叶变换的性质
（1）平均值
傅里叶变换域原点的频谱分量F（0,0）是空间域的平均值的N倍。
（2）变换周期
傅里叶变换是周期性的。
（3）对称共轭性
（4）平移性
函数的移动并不影响它的傅里叶变换的幅度。
（5）线性特性和比例性
（6）可分离性
（7）旋转性质
（8）微分性质

四 快速傅里叶变换（FFT）

五 傅里叶变换的物理意义
傅里叶变换的本质就是将一个时域上的信号转换到频率域。从傅里叶变换可以看出，任何连续测量的时序信号，都可以表示为不同频率的正弦波信号的无限叠加。
在图像方面，傅里叶变换是将图像的灰度分布函数变换为图像的频率分布函数，而图像的频率信息是表征图中灰度变化剧烈程度的指标。

图像的频率是表征图像中灰度变换剧烈程度的指标，是灰度在平面空间上的梯度。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。实际上对图像进行二维傅里叶变换得到的频率图，就是图像梯度的分布图。一般来说，梯度大则该点的亮度强，否则该点的亮度暗。如果频谱图中暗的点数更多，那么实际图像是比较柔和的；反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明切边界两边像素差异是较大的。

六 基于傅里叶变换的频域滤波

第二节 离散余弦变换
离散余弦变换（DCT）是利用傅里叶变换的对称性，采用图像边界褶翻操作将图像变换为偶函数形式，然后对这样的图像进行二维离散傅里叶变换，变换后的结果仅包含余项，所以称为离散余弦变换。离散余弦变换的一个重要的性质就是，有关图像的许多重要可视信息都集中在变换后的一小部分系数当中。
一 一维离散余弦变换
一般公式如下：

那么，一维离散余弦变换（DCT）的正变换核由下述关系式给出：

二 二维离散余弦变换

三 离散余弦变换的MATLAB实现
在MATLAB的图像处理工具中，提供了两种不同的离散余弦变换的计算方法。第一种方法是直接使用dct2函数，该函数是一个基于FFT算法来提高当输入矩阵较大时的计算速度，dct2函数的使用格式如下：
B = dct2（A，[M,N]）；
其中A表示要变换的图像，M、N是可选参数，表示填充后的图像大小，B表示变换得到的图像矩阵，具体程序如下：
A = imread(‘mri2.jpg’);
B = dct2(A);
subplot(1,2,1),imshow(A);
subplot(1,2,2),imshow(log(abs(B)));
第二种方法是使用函数dctmtx得到离散余弦变换的矩阵，这种方法适合于较小的输入方阵，其使用格式为B = dctmtx(A)，其中，A表示要变换的矩阵，B表示变换后得到的矩阵。

四 离散余弦变换的初步使用
在JPEG图像压缩的算法中，输入图像被分为8*8或则16*16块，然后对其中每一块进行二维离散余弦变换，接着再对离散余弦变换的系数进行量化、编码和发送，JPEG的接受者只要通过对离散余弦变换系数进行解码，计算每个块的二维逆变换，然后将所有的块重新组装成一幅图像。对于一般的图像来说，离散余弦变换系数中许多都接近于0值，可以丢弃这些数字系数而不会对图像的重建质量产生重大的影响。代码如下：
A = imread(‘mri2.jpg’);
B = dct2(A);
B[abs(B) < 100] = 0;
K = idct2(B);
figure,imshow(A);
figure,imshow(K,[0 255]);

第三节 小波变换
小波变换是一个时间和频率的局域变换，因而能有效地从信号中提取局部信息。它允许在较宽的时间区域内对低频信号进行全局分析，在较窄时间区域内对所需的高频信号进行精确分析。
小波变换可以通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析。
一 小波变换
小波是一种有限带宽、均值为零的波形，而正弦波是平滑、对称、周期变化的波形，小波变换中的小波一般都是不规则且不对称变化的。

小波变换则将信号分解成各种尺度和平移条件的小波形。对于变换很快的非平稳信号，适合用小波变换。
（1）伸缩函数
一个伸缩函数（尺度函数）是通过对母函数的拉伸和平移得到，定义为：

其中j,k都是整数，j表示伸缩函数沿x轴方向的宽度，k表示它所在的位置，2j/2控制函数的幅值。

（2）小波基函数

（3）伸缩
对于一个小波伸缩，就是对原小波进行扩展或压缩。引入一个伸缩因子a，伸缩因子的作用在于，伸缩因子越小，对小波的压缩越强。

小波变换在时频域中，分辨率都可以随频率变化而变化，就因为在高频时使用小尺度a值，时轴上观察范围小，而频域上相当于用高频小波作细致观察；低频时使用大尺度a，时轴上考察范围大，而频域上相当于用低频小波作概貌观察。虽然分析频率有高有低，但在各分析频率段内分析的品质因数却保持一致。
（4）平移
对小波作平移就是简单地对原信号进行延时。

二 连续小波变换

三 离散小波变换

四 快速小波变换

五 二维小波变换

六 常用小波函数及其特性

七 小波变换与医学图像处理
图像数据经过小波变换后可以使用小波变换系数来描述，小波系数体现出原图像数据性质的性质，图像数据的局部特征可以通过小波系数进行处理而改变。
小波变换在医学图像处理上的应用思路主要采用将空间域上的图像数据变换到小波域上，得到多层次的小波系数，根据所采用的小波基特性，分析小波系数特点，针对不同的需求，即可以结合常规的图像处理方法，也可以提出更符合小波变换的新方法来处理小波系数，然后再对处理后的小波系数进行小波逆变换，得到所需的目标图像。

图像输入 图像输出
小波正变换 图像处理 小波逆变换

（1）基于小波变换的阀值化去噪方法
基于小波变换的去噪方法利用小波变换中的变尺度特性对确定信号具有一种“集中”能力。如果一个信号的能量集中于小波变换域少数系数上，那么对这些系数的取值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的小波系数值。因此，基于小波变换的域值化去噪方法，关键是对小波变换系数进行筛选，它依赖于对小波系数的域值化和域值门限的选取。
小波域值化去噪方法就是在小波系数进行取舍之前，实际上按照一定准则，将小波系数划分为两类：一类是重要的、规则的小波系数；另一类被看做是非重要的或受噪声干扰较大的小波系数。通常以小波系数的绝对值作为小波系数的分类单元，小波系数绝对值趋向零，意味着小波系数所包含的信息量少，并且强烈地受噪声的干扰。因此给定一个小波系数阀值，所有绝对值小于某个阀值得小波系数被划分为“噪声”，它们的数值用零代替；而超过阀值得小波系数的数值用阀值缩减后再重新取值，最后再进行小波逆变换就得到所需要的恢复图像。
（2）小波变换与图像增强
（3）小波变换与图像编码
（4）小波变换与图像融合