醫學圖像處理演算法

① 醫學影像圖像處理的介紹

醫學圖像處理是當今各領域應用和需求廣泛的一門技術學科，它在醫學中應用十分廣泛。作為物醫學工程專業和計算機科學與技術的專業主要課程，要求掌握醫學圖像的相關概念與圖像處理中的圖像變換，增強，恢復，壓縮，圖像的分割及特徵提取等基本理論；掌握醫學圖像處理的基本理論、技術、方法、應用和進展；了解醫學信息三維可視化的技術和基本實現方法；並在此基礎上掌握醫學圖像處理的整體結構框架，逐漸形成觀察、思考、分析和解決有關理論和實踐問題的能力，並通過圖像處理演算法的編程來提高實踐操作能力。

② 醫學圖像處理

圖像分割是前期的工作重點，主要使用了現成的軟體來完成圖像分割任務：3DMed（中國科學院自動化醫學圖像處理研究所）。

該軟體集成了6種分割演算法插件，按照官方文檔的說法，區域生長演算法特別適合於分割小的結構如腫瘤和傷疤，下面是使用3DMed載入的原始29189000016.dcm圖像：

下面是使用區域生長演算法對腫瘤的分割結果：

其中Different Value和Change Value為控制區域增長的兩個參數，通過實驗發現選取2和10效果較好。

下面是分割後的保存結果：

3DMed中會自動將結果文件名保存為29189000016_segmented.dcm。

但是該演算法需要人工交互獲得種子節點，自動化程度不高。同時區域增長演算法對雜訊敏感，導致抽取出的區域有空洞或者無法正確抽取出感興趣區域。

特徵提取就是從分割的區域中提取出描述該區域特徵的一些數據，這一步的工作使用了兩種方法進行探索。

使用MATLAB進行常用的基本統計特徵的提取，該方法可以提取出 一階統計特徵 （描述感興趣區域內各提速參數的分布，通常是基於直方圖進行分析），在MATLAB中簡單的區域描繪如下：

l 周長：區域邊界的長度， 即位於區域邊界上的像素數目．

l 面積：， 區域中的像素總數．

l 緻密性：（周長） 2/面積．

l 區域的質心．

l 灰度均值： 區域中所有像素的平均值．

l 灰度中值： 區域中所有像素的排序中值．

l 包含區域的最小矩形．

l 最小或最大灰度級．

l 大於或小於均值的像素數．

l 歐拉數： 區域中的對象數減去這些對象的孔洞數。

MATLAB中的regionprops(L, properties)函數可以用來計算區域描繪特徵：首先使用bwlabel(I, n)對圖像I進行n（4或者8）連通標號，然後使用regionprops()進行統計計算。

Mazda是一個圖像紋理分析的工具，可以自動對圖像進行特徵提取。下面是使用Mazda載入分割好的結果：

下面是對分割結果進行特徵提取的結果：

對於Feature name的表示現在還沒有完全搞明白，正在研究。

Mazda還可以進行 高階統計量 的提取（就是進一步加入了過濾器），小波分析就是高階統計量的一種，下面是小波分析的結果：

同時可以手動對Features進行feature selection，然後保存選擇的結果。

③ 何謂融合成像它包括哪幾種醫學影像的融合

醫學圖像的配准和融合是醫學圖像處理的一個新的領域,其目的是為醫生提供更多的診斷信息。本文介紹了五種融合顯示的方法,有插入像素式融合顯示演算法、獨立通道融合顯示演算法、圖層融合顯示演算法、邊緣融合顯示演算法以及基於小波變換的融合顯示演算法。

④ 為什麼在醫學圖像處理中要進行圖像灰度強度值的歸一化

您好：不同的醫學成像因素造成相同性質的組織在圖像灰度信息上的不一致。灰度歸一化就是在保留具有診斷價值的灰度差異的同時，減小甚至消除圖像中灰度不一致而進行的圖像轉換方法，以便計算機自動分析處理。當前常見的演算法根據灰度轉換的依據分為基於直方圖的灰度歸一化以及基於圖像內容特徵的灰度歸一化兩大類。針對這兩類處理演算法進行了綜述。

⑤ 數字圖像處理的基本演算法及要解決的主要問題

圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。

圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。

傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]

* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見

[編輯] 解決方案

幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。

從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。

[編輯] 常用的信號處理技術

大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。

圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。

[編輯] 從一維信號處理擴展來的技術和概念

* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)

[編輯] 專用於二維（或更高維）的技術和概念

* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)

[編輯] 典型問題

* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。

[編輯] 應用

* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)

[編輯] 相關相近領域

* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）