本發(fā)明涉及醫(yī)療圖像處理領(lǐng)域，尤其是加強(qiáng)多源醫(yī)學(xué)圖像的成像結(jié)果并適用于在像素級(jí)精準(zhǔn)融合的圖像顯示方法，具體地說是一種能夠增加病灶或感興趣部位的可視性，有助于臨床診斷、放射治療計(jì)劃的制定和評(píng)價(jià)的基于修正的多尺度retinex算法對(duì)MR和CT圖像進(jìn)行增強(qiáng)的方法。
背景技術(shù)：
隨著醫(yī)學(xué)、計(jì)算機(jī)技術(shù)及生物工程技術(shù)的發(fā)展，醫(yī)學(xué)影像為臨床診斷提供了多種模態(tài)的醫(yī)學(xué)圖像，如CT(計(jì)算機(jī)X線斷層掃描)、MRI(磁共振成像)、SPECT(單光子發(fā)射計(jì)算機(jī)斷層成像)、PET(正電子發(fā)射計(jì)算機(jī)斷層掃描)、DSA(數(shù)字減影血管造影技術(shù))、超聲圖像、電阻抗圖像等。
不同的醫(yī)學(xué)圖像提供了相關(guān)臟器的不同信息，比如CT圖像具有很高的分辨力骨骼成像的能力，非常清晰，對(duì)病灶的定位提供了良好的參照，但對(duì)病灶本身的顯示就較差。MRI雖然它空間分辨力比不上CT圖像但是它對(duì)軟組織成像清晰，有利于病灶范圍的確定，可是它又缺乏剛性的骨組織作為定位參照。而PET盡管提供了臟器的新陳代謝功能信息，但對(duì)解剖結(jié)構(gòu)的描畫卻很差。而MRI、CT、X射線成像對(duì)人體解剖結(jié)構(gòu)描畫得很好，卻缺乏人體的功能信息。可見不同模態(tài)的醫(yī)學(xué)圖像都有各自的優(yōu)缺點(diǎn)。如果我們能把它們之間的互補(bǔ)信息綜合在一起，充分顯示形態(tài)成像方法的分辨力高、定位準(zhǔn)確這一優(yōu)勢(shì)，克服功能成像中空間分辨力和組織對(duì)比分辨力低的缺點(diǎn)，最大限度地挖掘影像信息把它們作為一個(gè)整體來表達(dá)，那么在實(shí)際臨床應(yīng)用中，就能為醫(yī)生提供所需要的足夠信息，以便了解病變組織或器官的綜合信息，從 而作出準(zhǔn)確的診斷或制訂出合適的治療方案。
經(jīng)典的色彩視覺理論認(rèn)為:人眼的色彩感覺主要取決于光的波長(zhǎng),不同頻率的光會(huì)給人不同的色彩感覺,物體的顏色是由物體反射光的頻率和強(qiáng)度決定的.然而,美國(guó)物理學(xué)家Edwin Land在20世紀(jì)50年代發(fā)現(xiàn)有些現(xiàn)象是傳統(tǒng)的色彩理論無法解釋的,經(jīng)過近20年的科學(xué)實(shí)驗(yàn)和分析,Land認(rèn)為在視覺信息的傳導(dǎo)過程中人類的視覺系統(tǒng)對(duì)信息進(jìn)行了某種處理,去除了光源強(qiáng)度和照射不均勻等一系列不確定的因素,而只保留了反映物體本質(zhì)特征的信息,如反射系數(shù)等.當(dāng)這些描述物體本質(zhì)特征的相關(guān)信息傳遞到大腦皮層后,經(jīng)過更為復(fù)雜的信息處理,才最終形成人的視覺.基于這樣的認(rèn)識(shí),1977年Edwin Land首次提出了一種被稱為Retinex的色彩理論.Retinex這個(gè)詞本身就是由視網(wǎng)膜Retina和大腦皮層Cortex這兩個(gè)詞組合構(gòu)成的,于是Retinex理論又被稱為視網(wǎng)膜大腦皮層理論。
Land首先提出了Retinex作為人眼感知亮度和色度的視覺模型,其定義理想的圖像f(x,y)為：
f(x，y)＝r(x，y)×i(x，y)
即一幅圖像f(x,y)可以用環(huán)境亮度函數(shù)i(x,y)和物體反射函數(shù)r(x,y)的乘積來表示。環(huán)境亮度函數(shù)描述周圍環(huán)境的亮度，與物體無關(guān)；而物體反射函數(shù)是指物體反射能力，與照明無關(guān)，它包含了景物的細(xì)節(jié)信息.基于這種模型,得到的環(huán)境亮度函數(shù)是一種變化緩慢的圖像低頻信息；而反射函數(shù)則包含著圖像中的大部分高頻細(xì)節(jié)信息。
但是，上述單尺度Retinex處理方法無法對(duì)圖像所有灰度范圍取得一致的增強(qiáng)效果，在醫(yī)學(xué)圖像上，簡(jiǎn)單應(yīng)用該方法，無法獲取所需的組織信息和病灶特征。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是針對(duì)人體解剖學(xué)成像和功能性成像采用不同工作原理， 對(duì)人體骨骼和軟組織成像各有優(yōu)缺點(diǎn)的問題，提出一種基于修正的多尺度retinex算法對(duì)醫(yī)療圖像進(jìn)行增強(qiáng)的方法。該方法可以加強(qiáng)多源醫(yī)學(xué)圖像的成像結(jié)果，并適用于在像素級(jí)精準(zhǔn)融合后再次增強(qiáng)，增加了病灶或感興趣部位的可視性，有助于臨床診斷、放射治療計(jì)劃的制定和評(píng)價(jià)。
本發(fā)明的技術(shù)方案是：
一種基于修正的多尺度retinex算法對(duì)醫(yī)療圖像進(jìn)行增強(qiáng)的方法，它包括以下步驟：
S1、采用多種醫(yī)療圖像采集設(shè)備獲取同一病灶或感興趣部位的圖像序列；
S2、采用圖像增強(qiáng)方法分別對(duì)前述各種醫(yī)療圖像采集設(shè)備獲取的圖像序列進(jìn)行處理；
S3、對(duì)增強(qiáng)后的所有圖像序列進(jìn)行像素級(jí)融合獲取融合后的圖像序列；
S4、采用圖像增強(qiáng)方法對(duì)融合后的圖像序列進(jìn)行處理，得到成品圖像序列。
本發(fā)明的步驟S2中，圖像增強(qiáng)算法具體為：
S2.1、對(duì)步驟S1中獲取的各圖像序列的灰度圖像進(jìn)行處理，將各像素點(diǎn)灰度值的數(shù)據(jù)類型轉(zhuǎn)化成float(浮點(diǎn))型；
S2.2、對(duì)各圖像序列的灰度圖像進(jìn)行增強(qiáng)處理，具體步驟如下：
S2.2-1、S2.2-1、獲取前述灰度圖像來源圖像的位數(shù)，如果是8位，則灰度范圍是0～255，如果是16位，則灰度范圍是0～4095，在各自對(duì)應(yīng)的整個(gè)灰度范圍內(nèi)選取n個(gè)尺度因子σ，分別建立對(duì)應(yīng)的高斯環(huán)境函數(shù)： k表示尺度因子σ即環(huán)境函數(shù)的編號(hào)，k＝1、2、...n；S2.2-2、采用下述公式分別各圖像序列中的圖像進(jìn)行處理，得到各自增強(qiáng)后的輸出圖像RMi(x,y)；
其中：i表示任一醫(yī)療圖像采集設(shè)備獲取的圖像序列中的圖像編號(hào)；N表示對(duì)應(yīng)醫(yī)療圖像采集設(shè)備獲取的圖像序列中的圖像總數(shù)，k表示環(huán)境函數(shù)的編 號(hào)，n表示環(huán)境函數(shù)的個(gè)數(shù)；Wk表示與Fk對(duì)應(yīng)的權(quán)重系數(shù)，Ii(x,y)是第i幅圖像的灰度；δ是修正系數(shù)(范圍是0-4095)，*代表卷積操作；log為對(duì)數(shù)；Fk(x,y)為步驟S2.2-1所建立的高斯環(huán)境函數(shù)；(本發(fā)明采用高斯函數(shù)作為環(huán)境函數(shù)。其中，卷積操作通過計(jì)算機(jī)的離散傅里葉變換和反變換實(shí)現(xiàn)。實(shí)質(zhì)是將空間域的數(shù)學(xué)操作變換到頻率域簡(jiǎn)化，然后反變換回來。)
本發(fā)明的步驟S2中，圖像增強(qiáng)算法還包括：
S2.3、對(duì)各種醫(yī)療圖像采集設(shè)備增強(qiáng)后的輸出圖像RMi(x,y)分別進(jìn)行圖像灰度矯正，具體為：
S2.3-1、計(jì)算輸出圖像RMi(x,y)的灰度均值avg和標(biāo)準(zhǔn)方差div；
S2.3-2、分別計(jì)算出圖像RMi(x,y)截?cái)嗬斓淖畲笾岛妥钚≈担?/p>
S2.3-3、計(jì)算出圖像RMi(x,y)的平均強(qiáng)度做為偏移量offset，采用下述公式對(duì)圖像RMi(x,y)的直方圖進(jìn)行拉伸；
S2.3-4、采用步驟(b)的方法進(jìn)行重心判定，得到拉伸后圖像直方圖的重心；
用低于該重心的所有灰度即橫坐標(biāo)點(diǎn)數(shù)值乘以相應(yīng)縱坐標(biāo)值即點(diǎn)數(shù)后累計(jì)求和，除以圖像總點(diǎn)數(shù)，得到下限閾值；
用高于該重心的所有灰度即橫坐標(biāo)點(diǎn)數(shù)值乘以相應(yīng)縱坐標(biāo)值即點(diǎn)數(shù)后累計(jì)求和，除以圖像總點(diǎn)數(shù)，得到上限閾值；
將前述上限閾值和下限閾值帶入步驟S2.3-3中，作為截?cái)嗬斓淖畲笾岛妥钚≈担俅螌?duì)圖像直方圖進(jìn)行線性拉伸。
本發(fā)明的步驟S2.3-2和S2.3-3之間，還包括先用gammar拉伸對(duì)輸出圖 像RMi(x,y)做處理，使得暗部的對(duì)比度得以增強(qiáng)，亮部的對(duì)比度受到抑制。
本發(fā)明的S2.3-2中，α為比例系數(shù)，取值1.5～3。
本發(fā)明的步驟S2中，圖像增強(qiáng)算法還包括：
S2.4、對(duì)灰度矯正后的輸出圖像進(jìn)行邊緣增強(qiáng)，具體為：
S2.4-1、采用5×5的高斯模板對(duì)輸出圖像以像素為單位進(jìn)行滑動(dòng)鄰域操作，得到經(jīng)過高斯模糊的圖像矩陣；
S2.4-2、然后用輸出圖像RMi(x,y)的圖像矩陣減去經(jīng)過高斯模糊后的圖像矩陣，得到圖像的邊緣矩陣，給該邊緣矩陣乘以調(diào)整參數(shù)，得到增強(qiáng)的邊緣矩陣；
S2.4-3、將前述增強(qiáng)的邊緣矩陣與輸出圖像RMi(x,y)的矩陣相加，得到經(jīng)過邊緣增強(qiáng)的圖像。
本發(fā)明的滑動(dòng)鄰域操作具體為：利用滑動(dòng)鄰域?qū)叶葓D像做高斯模糊，鄰域塊空白的地方補(bǔ)0，對(duì)輸入圖形的每一個(gè)像素，指定的滑動(dòng)鄰域操作決定輸出圖像相應(yīng)的像素值；即每當(dāng)指定的操作從圖像矩陣的一個(gè)位置轉(zhuǎn)移到另一個(gè)位置時(shí)，滑動(dòng)鄰域也以相同的方向運(yùn)動(dòng)。
本發(fā)明的調(diào)整參數(shù)的取值大于1。
本發(fā)明的有益效果：
本發(fā)明通過加強(qiáng)人體器官不同灰階的細(xì)節(jié)，將相近器官更好的區(qū)別開來，提升了人體骨骼、臟器以及病變結(jié)構(gòu)的對(duì)比度。在灰度拉伸階段運(yùn)算速度較快。
由于醫(yī)學(xué)圖像標(biāo)準(zhǔn)DICOM的灰階比較多，本發(fā)明通過計(jì)算直方圖面積和重心，更好選擇了多尺度因子，還原了人體器官不同灰階的細(xì)節(jié)，提升了骨骼、臟器和病變結(jié)構(gòu)對(duì)比度，有利于將人體內(nèi)的病灶和解剖學(xué)結(jié)構(gòu)與背景區(qū)別開來。
本發(fā)明通過改進(jìn)的retinex算法，增加了邊緣強(qiáng)度，有利于人體內(nèi)相近器官的區(qū)分，將腫瘤和臟器進(jìn)一步分別開來?；叶壤焓褂胓amma拉伸和閾值 選定的線性拉伸，運(yùn)算速度較快，更加有利于醫(yī)學(xué)的灰度圖進(jìn)一步增加對(duì)比度。
具體實(shí)施方式
下面結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說明。
一種基于修正的多尺度retinex算法對(duì)醫(yī)療圖像進(jìn)行增強(qiáng)的方法，它包括以下步驟：
S1、采用多種醫(yī)療圖像采集設(shè)備獲取同一病灶或感興趣部位的圖像序列；
S2、采用圖像增強(qiáng)方法分別對(duì)前述各種醫(yī)療圖像采集設(shè)備獲取的圖像序列進(jìn)行處理；
S3、對(duì)增強(qiáng)后的所有圖像序列進(jìn)行像素級(jí)融合獲取融合后的圖像序列；
S4、采用圖像增強(qiáng)方法對(duì)融合后的圖像序列進(jìn)行處理，得到成品圖像序列。
本發(fā)明的步驟S2中，圖像增強(qiáng)算法具體為：
S2.1、對(duì)步驟S1中獲取的各圖像序列的灰度圖像進(jìn)行處理，將各像素點(diǎn)灰度值的數(shù)據(jù)類型轉(zhuǎn)化成float型；
S2.2、對(duì)各圖像序列的灰度圖像進(jìn)行增強(qiáng)處理，具體步驟如下：
S2.2-1、獲取前述灰度圖像來源圖像的位數(shù)，如果是8位，則灰度范圍是0～255，如果是16位，則灰度范圍是0～4095，在各自對(duì)應(yīng)的整個(gè)灰度范圍內(nèi)選取n個(gè)尺度因子σ，分別建立對(duì)應(yīng)的高斯環(huán)境函數(shù)：k表示尺度因子σ即環(huán)境函數(shù)的編號(hào)，k＝1、2、...n；
尺度因子選取方式如下，以n＝5為例；
例如，如果以“面積占比”和“重心判定”方式選擇，如下所述：
(a)、獲取灰度圖像的直方圖，沿直方圖中橫軸方向從左往右獲取起點(diǎn)至橫坐標(biāo)對(duì)應(yīng)位置處的灰度面積，除以直方圖的總灰度面積得到面積占比，在面積占比達(dá)到設(shè)定比例A1、A2時(shí)，選取對(duì)應(yīng)比例的橫坐標(biāo)點(diǎn)作為第一、 二個(gè)尺度因子；(橫軸為0～4095灰度，縱軸為點(diǎn)數(shù)。我們?cè)O(shè)每個(gè)灰度的底邊長(zhǎng)為1，乘以縱軸數(shù)值為該灰度面積。除以圖像點(diǎn)數(shù)為面積占比。然后，在面積占比達(dá)到一定數(shù)值時(shí)，以20％，40％為例選取兩個(gè)橫坐標(biāo)點(diǎn)作為第一、二個(gè)尺度因子。)
(b)在灰度圖像的直方圖中，將所有橫坐標(biāo)點(diǎn)的灰度值乘以對(duì)應(yīng)位置的縱坐標(biāo)值，然后進(jìn)行求和，除以圖像總點(diǎn)數(shù)，得出圖像重心作為第三個(gè)尺度因子；(第三個(gè)尺度因子選擇比較特殊，采用的是“重心判定”的方法，先用每個(gè)橫坐標(biāo)灰度乘以該坐標(biāo)下的縱坐標(biāo)值，求出0～4095范圍內(nèi)的總和(實(shí)際計(jì)算中要把橫坐標(biāo)值加一位，也就是1～4096)，然后除以圖像總點(diǎn)數(shù)，得出的數(shù)值即為圖像重心。)
(c)、在灰度圖像的直方圖中，沿直方圖中橫軸方向從右往左獲取起點(diǎn)至橫坐標(biāo)對(duì)應(yīng)位置處的灰度面積，除以直方圖的總灰度面積得到面積占比，在面積占比達(dá)到設(shè)定比例A3、A4時(shí)，選取對(duì)應(yīng)比例的橫坐標(biāo)點(diǎn)作為第四、五個(gè)尺度因子；
在實(shí)際工程環(huán)境下，可以采用控件的方法目視不同尺度因子選擇產(chǎn)生的增強(qiáng)效果，以最優(yōu)化輸出結(jié)果；A1的范圍是15％-25％，；A2的范圍是35-45％；A3的范圍是35％-45％；A4的范圍是15-25％。
圖像F(x,y)與高斯函數(shù)卷積的本質(zhì)在于特殊灰階段通透濾波。高斯濾波器的特性。
S2.2-2、采用下述公式分別各圖像序列中的圖像進(jìn)行處理，得到各自增強(qiáng)后的輸出圖像RMi(x,y)；(用來控制環(huán)境函數(shù)范圍的尺度；R Mi(x,y)是綜合i幅圖像的多尺度Retinex算法的輸出結(jié)果.實(shí)驗(yàn)表明對(duì)于醫(yī)療圖像,在平衡負(fù)載的前提下，為圖像序列多選取幾個(gè)尺度,賦予每個(gè)尺度經(jīng)驗(yàn)權(quán)重，可以取得較好增強(qiáng)效果)
其中：i表示任一醫(yī)療圖像采集設(shè)備獲取的圖像序列中的圖像編號(hào)；N表示對(duì)應(yīng)醫(yī)療圖像采集設(shè)備獲取的圖像序列中的圖像總數(shù)，k表示環(huán)境函數(shù)的編號(hào)；Wk表示與Fk對(duì)應(yīng)的權(quán)重系數(shù)，Ii(x,y)是第i幅圖像的灰度；δ是修正系數(shù)(范圍是0-4095)，*代表卷積操作；log為對(duì)數(shù)；Fk(x,y)為步驟S2.2-1所建立的高斯環(huán)境函數(shù)；(本發(fā)明采用高斯函數(shù)作為環(huán)境函數(shù)。其中，卷積操作通過計(jì)算機(jī)的離散傅里葉變換和反變換實(shí)現(xiàn)。實(shí)質(zhì)是將空間域的數(shù)學(xué)操作變換到頻率域簡(jiǎn)化，然后反變換回來。)
進(jìn)一步的，所述的步驟S2中，圖像增強(qiáng)算法還包括：
S2.3、對(duì)各種醫(yī)療圖像采集設(shè)備增強(qiáng)后的輸出圖像RMi(x,y)分別進(jìn)行圖像灰度矯正，具體為：
S2.3-1、計(jì)算輸出圖像RMi(x,y)的灰度均值avg和標(biāo)準(zhǔn)方差div；
S2.3-2、分別計(jì)算出圖像RMi(x,y)截?cái)嗬斓淖畲笾岛妥钚≈担?/p>
α為比例系數(shù)，取值1.5～3；
S2.3-3、計(jì)算出圖像RMi(x,y)的平均強(qiáng)度做為偏移量offset，采用下述公式對(duì)圖像RMi(x,y)的直方圖進(jìn)行拉伸；
S2.3-4、采用步驟(b)的方法進(jìn)行重心判定，得到拉伸后圖像直方圖的重心；
用低于該重心的所有灰度即橫坐標(biāo)點(diǎn)數(shù)值乘以相應(yīng)縱坐標(biāo)值即點(diǎn)數(shù)后累 計(jì)求和，除以圖像總點(diǎn)數(shù)，得到下限閾值；
用高于該重心的所有灰度即橫坐標(biāo)點(diǎn)數(shù)值乘以相應(yīng)縱坐標(biāo)值即點(diǎn)數(shù)后累計(jì)求和，除以圖像總點(diǎn)數(shù)，得到上限閾值；
將前述上限閾值和下限閾值帶入步驟S2.3-3中，作為截?cái)嗬斓淖畲笾岛妥钚≈?，再次?duì)圖像直方圖進(jìn)行線性拉伸。
所述的步驟S2.3-2和S2.3-3之間，還包括先用gamma拉伸對(duì)輸出圖像RMi(x,y)做處理，使得暗部的對(duì)比度得以增強(qiáng)，亮部的對(duì)比度受到抑制。
進(jìn)一步的，所述的步驟S2中，圖像增強(qiáng)算法還包括：
S2.4、對(duì)灰度矯正后的輸出圖像進(jìn)行邊緣增強(qiáng)，具體為：
S2.4-1、采用5×5的高斯模板對(duì)輸出圖像以像素為單位進(jìn)行滑動(dòng)鄰域操作，得到經(jīng)過高斯模糊的圖像矩陣；
S2.4-2、然后用輸出圖像RMi(x,y)的圖像矩陣減去經(jīng)過高斯模糊后的圖像矩陣，得到圖像的邊緣矩陣，給該邊緣矩陣乘以調(diào)整參數(shù)，得到增強(qiáng)的邊緣矩陣；
S2.4-3、將前述增強(qiáng)的邊緣矩陣與輸出圖像RMi(x,y)的矩陣相加，得到經(jīng)過邊緣增強(qiáng)的圖像。
滑動(dòng)鄰域操作具體為：利用滑動(dòng)鄰域?qū)叶葓D像做高斯模糊，鄰域塊空白的地方補(bǔ)0，對(duì)輸入圖形的每一個(gè)像素，指定的滑動(dòng)鄰域操作決定輸出圖像相應(yīng)的像素值；即每當(dāng)指定的操作從圖像矩陣的一個(gè)位置轉(zhuǎn)移到另一個(gè)位置時(shí)，滑動(dòng)鄰域也以相同的方向運(yùn)動(dòng)。
普通圖像是自然光反射圖像，灰度變化范圍從0-255，一般采用RGB三尺度處理。醫(yī)療圖像主要是照射圖像，工業(yè)上主要采用了dicom、HL7標(biāo)準(zhǔn)，多為12位圖像，其灰度達(dá)到了0---4095，我們?cè)诙喑叨冗x擇上根據(jù)運(yùn)算負(fù)荷，自適應(yīng)的調(diào)整尺度因子和各尺度權(quán)重。
我們采用不同于分段灰度拉伸的方法，取得了更好的對(duì)比度和細(xì)節(jié)。
在灰度矯正之后，我們引入基于高斯模糊模板的邊緣檢測(cè)，并將邊緣增 強(qiáng)效果疊加至原圖，進(jìn)一步優(yōu)化人體解破學(xué)結(jié)構(gòu)。
本發(fā)明未涉及部分均與現(xiàn)有技術(shù)相同或可采用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。