![cc927e868180dc533ebf2a48e5bee50d.png](https://i-blog.csdnimg.cn/blog_migrate/028b8e663b1e5a025907659bb1582f09.png)
还记得上一篇文章里,我们简单介绍了医学影像数据分析的现状与流程(忘记的同学记得戳下方链接复习哦!)
☞☞☞影像数据分析的路怎么走?
那今天我们就趁热打铁,来讲讲医学图像处理分析中的第一步——图像预处理!
医学图像处理的对象主要有X-射线成像、CT成像、核磁共振成像(MRI)和核医学成像(NMI)等。
不论哪种对象,在图像的产生、传输和存储过程中都会不可避免地出现图像清晰度下降、对比度偏低和包含噪声等降质现象。
因此我们需要进行图像预处理,即采用一些技术和方法优化图像的质量,为图像分析的后续过程打好基础。
下面,就让我为大家介绍几种常用的图像预处理的方法!
![5f73bb877e93cbdf4675e2e78a00bf9a.png](https://i-blog.csdnimg.cn/blog_migrate/4062f04487a14d76646275a428bc3b41.png)
医学图像去噪
想要弄清楚医学图像如何去噪,那我们首先得明白什么是图像噪声。
图像噪声就像是普通照片的上的麻点一样,影响着图像的质量,为图像本身内容带来一定的干扰。
![28f3737f2063fdf361a45b0834eb8a68.png](https://i-blog.csdnimg.cn/blog_migrate/b2353665d19e7a83ee63bae7690c8158.jpeg)
图片摘自文献
在采集的原始医学图像中,大多数都是含噪图像,这些噪声的存在对医学图像分析与处理的影响很大,增加了对图像细节进行识别和分析处理的难度。
因此,我们有必要选择合适的图像去噪技术,消除或减少图像中的噪声,以降低对医学图像后续处理过程中的不利影响。
在医学图像去噪领域,平滑技术是目前最常用的技术,包括空间域去噪法和频域去噪法两大类别。
空间域去噪法
通过采用不同图像平滑模板对原始图像进行卷积处理,在医学图像平面上修改灰度,达到抑制或消除噪声的目的,
空间域滤波方法是直接处理图像中像素的灰度值。
主要包括高斯滤波、算术均值滤波和中值滤波。
在这里,我们就给大家介绍一种常见的基于空间域的去噪方式——中值滤波!
中值滤波是一种邻域运算,分为以下几步!
①确定一个以某个像素为中心点的邻域
②把邻域中的像素按灰度等级进行排序
③选择该组的中间值作为输出像素值
举个栗子吧!
![9666517d5e4e4c7700907bdb57c9bc89.png](https://i-blog.csdnimg.cn/blog_migrate/cc5e898fba87ff51ef9049f42f433efb.jpeg)
光说不练假把式!
现在让我们来看一看利用matlab软件进行中值滤波的实战操作!
![8459ef1445dd72e8d8cdbee93428cb7e.png](https://i-blog.csdnimg.cn/blog_migrate/179dffb64ff67b222237cf828d5bbf20.jpeg)
图片摘自博客 | matlab处理图像
频域去噪法
图像在频域上进行处理,即对相应的系数进行变换,再将处理后的图像进行逆变换。
傅里叶变换和小波变换则是常见的用于图像去噪的变换方法。
此处应当回忆起我们曾经讲过的傅里叶变换。
☞☞☞没有傅里叶变换的世界,你造吗?
在文章中,我们提到了傅里叶变换在降噪耳机中的应用,其实在图像中也是一样的道理。我们可以通过傅里叶变换,滤过图像中一些较高频或者较低频的信息——噪声。
![5f73bb877e93cbdf4675e2e78a00bf9a.png](https://i-blog.csdnimg.cn/blog_migrate/4062f04487a14d76646275a428bc3b41.png)
图像重采样
理解图像重采样就得举个例子!
一鸣给我照了相,打印出来了4×4和2×2大小的两种照片。
我用相同大小的黄色方框圈出我的发夹,我们可以发现4×4的图片中的发夹不能被完全框住,但2×2的方框可以。
![215a13a819ad0ac75732251a6135dd48.png](https://i-blog.csdnimg.cn/blog_migrate/d33f262fbdfd26be32ac2f78d41f2296.png)
是因为我的发夹大小不一样么?
显然不是!
是因为这两幅图像的大小不一样。
这种情况也可能会出现在我们医学图像处理过程中。
由于不同的病人体型不同,但最后数字成像的分辨率是一样的,这就导致了一定程度的失真变形。
所以我们会修改图像的尺寸(改变图像的长和宽),进行重采样来避免因为个体差异带来的图像失真变形。这种方法即为重采样。
get到这个点之后,一鸣就可以把我的照片以3×3大小作为标准,对图像进行处理。
![91aef8b48fac2895067bf86bde28c0d3.png](https://i-blog.csdnimg.cn/blog_migrate/7e6e3cb65e0f4beafc17e4f7255a3678.jpeg)
放大图像称为上采样/插值(upsamping),缩小图像称为下采样(downsampling)。
![5f73bb877e93cbdf4675e2e78a00bf9a.png](https://i-blog.csdnimg.cn/blog_migrate/4062f04487a14d76646275a428bc3b41.png)
医学图像增强
图像增强技术是根据图像特点和处理目的突出图像中感兴趣区域及特征,很好地保留图像边界和结构信息以及突出图像中某些性质等,提高图像的可判读性,改善图像质量,便于医务人员分析医学图像,从中获得更多有价值的信息。
图像增强根据目的不同会采取不同的方法,下面就简单介绍几种常见的方法!
直方图均衡化
直方图能给出图像灰度范围、每个灰度的频度和灰度的分布、整幅图像的平均明暗和对比度等概貌性描述。
灰度直方图反映的是图像中具有该灰度级像素的个数,整个坐标系描述的是图像灰度级的分布情况。
在一幅灰度图像中,每一个灰度值出现的概率不是相等的,这样会导致图像的一些细节信息不够突出。
而直方图均衡化使变换后的灰度分布更加的均衡(也就是说,每一个灰度值出现的概率是相同的),这样我们能够发现一些原先肉眼很难发现的细节。
![5d73937a4c3532d19f72155e1a097913.png](https://i-blog.csdnimg.cn/blog_migrate/26e13c591f3e0b1f4e5d66e37db9ca80.png)
理想中的直方图均衡化
有点没懂?别慌!我再来举个例子!
假设我们有四个灰度级a、b、c、d
一般情况下我们得到的直方图可认为是
p(a)=0.4,p(b)=0.4,p(c)=0.1,p(d)=0.1,
而均衡化后的直方图是
p(a)=0.25,p(b)=0.25,p(c)=0.25,p(d)=0.25。
做个类比的话,可以将a、b、c、d理解为四个描述情感的词:喜、怒、哀、乐。
如果我们以均衡化前的词描述人的情感则往往只能看到喜、怒(p(a)=0.4,p(b)=0.4),而均衡化后,我们会发现哀、乐两词原来也是属于人的情绪。
均衡“喜怒哀乐”后,我们能更准确地描述人更细微的情感变化。这也是直方图均衡化之后能够描述更多图像细节的原因。
看个实例吧!
![2643cee2c9d50d9f9b83d0acdbd5a8c3.png](https://i-blog.csdnimg.cn/blog_migrate/87008d57d454889d53e270c906254ed3.jpeg)
图片摘自文献
对比度拉伸
对比度拉伸是基于灰度变换的一种图像增强方法,即为将图像的灰度值从一个很窄的区间“拉伸”到一个较大的区间,使得图像的亮度达到理想的状态。
下面就以这张图给大家举一个例子!
![01358ff3c3e68e776e6c87bd55c27276.png](https://i-blog.csdnimg.cn/blog_migrate/ddbdea8365bac54228b495c6a1a30c72.jpeg)
图片摘自博客
以上图为例,我们可见,在对比度拉伸处理之前的原图非常的灰暗。所有像素的灰度值大部分集中在20~50之间,使得图像总体偏暗,也就是说图像的对比度不高。
这时,我们便可以采用对比度变换,将图像的灰度值拉伸到整个0~255的区间,那么其对比度显然是大幅度增强。
![7866bae17830cd1a099bad3fe2206fd2.png](https://i-blog.csdnimg.cn/blog_migrate/a2a6265dff0167c0cae8e4e67a11f900.jpeg)
图片摘自博客
可以由上图看出,图像变得较原图明亮,对比度提升了很多。直方图中也显示灰度值充满了整个灰度空间。
医学图像的预处理的学问太多太多了,这里为大家做一个小小的总结!
![672c0e4f8fb8945c2101b04495887521.png](https://i-blog.csdnimg.cn/blog_migrate/3a7494e0c8f1ae42e285d03d52ecddb1.jpeg)
提问可以在评论区留言哟!
影像专栏,未完待续
![8c612a923b12cab7cce56194c58651ab.gif](https://i-blog.csdnimg.cn/blog_migrate/fa617d284a446fae78c46ee1636c052f.gif)
First Step
文章仅代表个人观点
作者 | 沉迷影像的司言
排版 | 熬夜作图的司言
参考资料
[1]傅爽,韩广兵.基于小波变换与中值滤波的CT图像去噪研究[J].世界最新医学信息文摘(电子版),2012,12(1):54-56. DOI:10.3969/j.issn.1671-3141.2012.01.013.
[2]https://www.cnblogs.com/haoguoeveryone/p/haoguo_2.html
[3]https://blog.csdn.net/weixin_45003034/article/details/89736884
[4]李越.基于Matlab的医学影像增强与边缘检测算法的实验研究[J].电脑知识与技术,2017,13(14):154-157.
![5cc44360f0bceecde7ca0c4ca163c8c2.png](https://i-blog.csdnimg.cn/blog_migrate/f8680caff60e16c5cf1fbe95234fa66f.jpeg)