本發(fā)明涉及圖像處理技術，特別是涉及一種基于DR機器的雙能量減影方法。

背景技術：

雙能量減影技術主要用于胸部的X攝影技術，采用兩次連續(xù)曝光，根據兩次曝光的能量差進行減影得到骨肉分離的骨組織圖片和軟組織圖片，骨組織圖像在肋骨骨折、骨質病變及肺部內鈣化結節(jié)的顯示有著重要的作用，軟組織圖片是去除了骨骼結構的圖片，這樣肺部病變信息能更好的顯示。

雙能量減影技術可提高肺部鈣化灶和肺結節(jié)的檢出率，而肺部的一些鈣化灶和一些結節(jié)性病變是診斷肺部疾病的重要依據，鈣化灶在骨組織圖像有著明顯的影像，不含鈣化灶的結節(jié)全部呈現于軟組織影像上，鈣化灶結節(jié)呈現在在骨組織圖像上，胸部X線雙能量攝影實現了骨組織和軟組織的有效分離，大大的提高了疾病的診斷效率。

然而，現有技術中的雙能量減影技術存在以下的缺陷：(1)對攝影設備要求很高，須在200毫秒的曝光間隔內完成兩幅圖像的曝光；(2)采集到的高低能量圖像有很大移位差異，包括圖像旋轉、尺度縮放、亮度差異、高低劑量拍攝引入的噪聲等；(3)計算速度較慢，對內存的要求較高。

技術實現要素：

發(fā)明目的：本發(fā)明的目的是提供一種能夠解決現有技術中存在的缺陷的基于DR機器的雙能量減影方法。

技術方案：本發(fā)明所述的基于DR機器的雙能量減影方法，包括以下步驟：

S1：獲取曝光間隔為2秒的X射線高能量圖像和低能量圖像；

S2：以高能量圖像為模板，對低能量圖像進行配準，得到相對于高能量圖像未移位的低能量圖像；

S3：對高能量圖像和配準后的低能量圖像取對數變換，進行減影處理并顯示。

進一步，所述步驟S2包括以下步驟：

S2.1：提取特征點；

S2.2：計算特征描述符向量；

首先，計算待配準圖像上每個特征點分別在8個方向上的方向導數，得到待配準圖像在8個方向上的導數矩陣，如式(1)所示：

$G_k=\frac{\∂I}{\∂\stackrel{\→}{l_k}}---\left(1\right)$

式(1)中，G_k為第k個方向上的導數矩陣，I為待配準圖像，l_k為第k個方向上的方向向量，k＝0,…,7；

然后，設以任意一個特征點(u,v)為中心的4x4個子領域的編號分別為A₁₁,A₁₂,…,A₄₄，子領域A_ij對應權重子矩陣W_ij，選取特征點子領域窗口寬度的1.5倍作為高斯標準方差，計算特征描述符向量FDes(u,v)，如式(2)所示：

$FDes(u,v)={\[G_{W_{11}}^1(x_1,y_1),...,G_{W_{11}}^8(x_1,y_1),...,G_{W_{44}}^1(x_4,y_4),...,G_{W_{44}}^8(x_4,y_4)\]}^T---\left(2\right)$

式(2)中，(x_i,y_j)為子領域A_ij的中心點，是以(x_i,y_j)為中心的4x4個子鄰域內每個點在k方向上的方向導數加權和，可以根據子鄰域的位置從對應的中獲得，如式(3)所示；

$G_{W_{ij}}^k=W_{ij}*G_k---\left(3\right)$

式(3)中，i＝1,…,4；j＝1,…,4；k＝0,…,7；

S2.3：利用步驟S2.2中獲得的特征描述符向量進行特征點匹配，采用最近鄰與次近鄰距離比值法作為特征點匹配的相似度度量，當最近鄰距離和次近鄰距離的比值小于設定的閾值時，最近的匹配特征點為正確的匹配特征點；

S2.4：利用S2.3中正確的匹配特征點求解待配準圖像間的變換矩陣：采用RANSAC算法將誤差大于閾值的匹配特征點和錯誤的匹配特征點剔除，確定出最終匹配的特征點集合，從而求得初始變換矩陣，然后采用最小二乘法對初始變換矩陣進一步求精，得到精確的變換矩陣，最后得到配準后的低能量圖像。

進一步，所述步驟S2.1中采用如下的方法進行特征點提?。?/p>

S2.11：將高能量圖像、低能量圖像分別與不同尺度的卷積核函數進行卷積生成不同尺度的圖像，這些不同尺度的圖像構成了原始圖像的多尺度空間；

S2.12：在多尺度空間上檢測特征點，將高斯差分尺度空間上檢測到的極值點作為初步特征點，采用高斯差分函數的二階泰勒展開式對初步特征點求精，并根據沿著高斯差分尺度空間邊緣方向的第一曲率與垂直高斯差分尺度空間邊緣方向的第二曲率之間的比值是否大于臨界閾值來確定是否為邊緣點，如果大于設定的臨界閾值，則視為邊緣點，剔除該邊緣點；否則，則保留該初步特征點；

S2.13：特征點提取完畢后，為每個特征點指定一個特征點主方向。

進一步，所述步驟S3中，取對數變換之前，對高能量圖像和配準后的低能量圖像進行處理，如式(4)和式(5)所示：

I’_H＝ln(I_H+1) (4)

I’_L＝ln(I_L+1) (5)

其中，I_H為高能量圖像，I’_H為處理后的高能量圖像，I_L為配準后的低能量圖像，I’_L為處理后的已配準的低能量圖像。

進一步，所述步驟S3中的減影處理包括在圖像中消除軟組織而保留骨組織減影數據，以及消除骨組織而保留軟組織減影數據這兩種方式，其中，消除軟組織后得到的骨組織減影數據I’_bone如式(6)所示，歸一化的骨組織減影圖像I_bone如式(7)所示，消除骨組織后得到的軟組織減影數據I’_soft如式(8)所示，歸一化的軟組織減影圖像I_soft如式(9)所示：

$I_{bone}^{,}={\exp }^{(I_H^{,}-W_b{I}_L^{,})}---\left(6\right)$

式(6)中，W_b為骨組織減影的消除因子，W_b<1；

$I_{soft}^{,}={\exp }^{(I_H^{,}-W_s{I}_L^{,})}---\left(7\right)$

式(7)中，W_s為軟組織減影的消除因子，W_s<W_b<1；

I_bone＝MaxGray·(I’_bone-Min_b)/(Max_b-Min_b) (8)

式(8)中，MaxGray為圖像的最大灰階值，Max_b為I’_bone中數據的最大值，Min_b為I’_bone中數據的最小值；

I_soft＝MaxGray·(I’_soft-Min_s)/(Max_s-Min_s) (9)

式(9)中，Max_s為I’_soft中數據的最大值，Min_s為I’_soft中數據的最小值。

有益效果：與現有技術相比，本發(fā)明具有如下的有益效果：

(1)本發(fā)明對攝影設備的要求較低，射線曝光間隔可以延長至2秒；

(2)本發(fā)明采用改進的配準方法，有效的校正了因病人移位、旋轉、圖像亮度不一致、噪聲等帶來的運動偽影；

(3)本發(fā)明在高低能量減影計算方面，根據射線衰減特性，對高能量圖像及配準后的低能量圖像取對數變換，在低能量圖像上乘以一個消除因子來消除軟組織或者骨組織，大大提高了計算速度，有效的降低了計算復雜度及對計算機內存的需求。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明的采用高能量圖像對低能量圖像進行配準的流程圖；

圖3為本發(fā)明具體實施方式的胸部X射線減影效果圖；

圖3(a)為本發(fā)明具體實施方式的胸部X射線的高能量圖像；

圖3(b)為本發(fā)明具體實施方式的胸部X射線的低能量圖像；

圖3(c)為本發(fā)明具體實施方式的胸部X射線的軟組織圖像；

圖3(d)為本發(fā)明具體實施方式的胸部X射線的骨組織圖像。

具體實施方式

下面結合附圖和具體實施方式，對本發(fā)明的技術方案作進一步的介紹。

本具體實施方式公開了一種基于DR機器的雙能量減影方法，如圖1所示，包括以下步驟：

S1：獲取曝光間隔為2秒的X射線高能量圖像和低能量圖像，如圖3(a)和圖3(b)所示；

S2：以高能量圖像為模板，對低能量圖像進行配準，得到相對于高能量圖像未移位的低能量圖像，如圖2所示；

S3：對高能量圖像和配準后的低能量圖像取對數變換，進行減影處理并顯示，如圖3(c)和圖3(d)所示。

其中，步驟S2包括以下步驟：

S2.1：提取特征點；

S2.2：計算特征描述符向量；

首先，計算待配準圖像上每個特征點分別在8個方向上的方向導數，得到待配準圖像在8個方向上的導數矩陣，如式(1)所示：

$G_k=\frac{\&part;I}{\&part;\stackrel{\&RightArrow;}{l_k}}---\left(1\right)$

式(1)中，G_k為第k個方向上的導數矩陣，I為待配準圖像，l_k為第k個方向上的方向向量，k＝0,…,7；

然后，設以任意一個特征點(u,v)為中心的4x4個子領域的編號分別為A₁₁,A₁₂,…,A₄₄，如式(2)所示，子領域A_ij對應權重子矩陣W_ij，如式(3)所示，選取特征點子領域窗口寬度的1.5倍作為高斯標準方差，計算特征描述符向量FDes(u,v)，如式(4)所示：

$FDes(u,v)={\&lsqb;G_{W_{11}}^1(x_1,y_1),...,G_{W_{11}}^8(x_1,y_1),...,G_{W_{44}}^1(x_4,y_4),...,G_{W_{44}}^8(x_4,y_4)\&rsqb;}^T---\left(4\right)$

式(4)中，(x_i,y_j)為子領域A_ij的中心點，是以(x_i,y_j)為中心的4x4個子鄰域內每個點在k方向上的方向導數加權和，可以根據子鄰域的位置從對應的中獲得，如式(5)所示；

$G_{W_{ij}}^k=W_{ij}*G_k---\left(5\right)$

式(5)中，i＝1,…,4；j＝1,…,4；k＝0,…，7；

S2.3：利用步驟S2.2中獲得的特征描述符向量進行特征點匹配，采用最近鄰與次近鄰距離比值法(Nearest-Neighbor with Distance Ratio，NNDR)作為特征點匹配的相似度度量，當最近鄰距離和次近鄰距離的比值小于設定的閾值時，最近的匹配特征點為正確的匹配特征點；

S2.4：為了提高變換矩陣的精度，使得求解出的變換矩陣能滿足大部分正確的匹配特征點，以此來消除匹配誤差或者錯匹配帶來的影響，利用S2.3中正確的匹配特征點求解待配準圖像間的變換矩陣：采用隨機采樣一致性(RANSAC)算法將誤差大于閾值的匹配特征點和錯誤的匹配特征點剔除，確定出最終匹配的特征點集合，從而求得初始變換矩陣，然后采用最小二乘法對初始變換矩陣進一步求精，得到精確的變換矩陣，最后得到配準后的低能量圖像。

步驟S2.1中采用如下的方法進行特征點提取：

S2.11：將高能量圖像、低能量圖像分別與不同尺度的卷積核函數進行卷積生成不同尺度的圖像，這些不同尺度的圖像構成了原始圖像的多尺度空間；

S2.12：在多尺度空間上檢測特征點，將高斯差分尺度空間上檢測到的極值點作為初步特征點，采用高斯差分函數的二階泰勒展開式對初步特征點求精，并根據沿著高斯差分尺度空間邊緣方向的第一曲率與垂直高斯差分尺度空間邊緣方向的第二曲率之間的比值是否大于臨界閾值來確定是否為邊緣點，如果大于設定的臨界閾值，則視為邊緣點，剔除該邊緣點；否則，則保留該初步特征點；

S2.13：特征點提取完畢后，為每個特征點指定一個特征點主方向。

步驟S3中，取對數變換之前，還可以對高能量圖像和配準后的低能量圖像進行處理，如式(6)和式(7)所示：

I’_H＝ln(I_H+1) (6)

I’_L＝ln(I_L+1) (7)

其中，I_H為高能量圖像，I’_H為處理后的高能量圖像，I_L為配準后的低能量圖像，I’_L為處理后的已配準的低能量圖像。

步驟S2.11中，采用卷積運算來替換原SIFT算法中的特征點子領域直方圖，大大縮短了計算時間。

步驟S3中的減影處理包括在圖像中消除軟組織而保留骨組織減影數據，以及消除骨組織而保留軟組織減影數據這兩種方式，其中，消除軟組織后得到的骨組織減影數據I’_bone如式(8)所示，歸一化的骨組織減影圖像I_bone如式(9)所示，消除骨組織后得到的軟組織減影數據I’_soft如式(10)所示，歸一化的軟組織減影圖像I_soft如式(11)所示：

$I_{bone}^{,}={\exp }^{(I_H^{,}-W_b{I}_L^{,})}---\left(8\right)$

式(8)中，W_b為骨組織減影的消除因子，W_b<1；

$I_{soft}^{,}={\exp }^{(I_H^{,}-W_s{I}_L^{,})}---\left(9\right)$

式(9)中，W_s為軟組織減影的消除因子，W_s<W_b<1；

I_bone＝MaxGray·(I’_bone-Min_b)/(Max_b-Min_b) (10)

式(10)中，MaxGray為圖像的最大灰階值，Max_b為I’_bone中數據的最大值，Min_b為I’_bone中數據的最小值；

I_soft＝MaxGray·(I’_soft-Min_s)/(Max_s-Min_s) (11)

式(11)中，Max_s為I’_soft中數據的最大值，Min_s為I’_soft中數據的最小值。

從圖3(c)和圖3(d)的減影結果可以看出，本發(fā)明可將胸部X線攝影中骨組織和軟組織清晰的分離開來，提高了疾病的診斷效率。