本發(fā)明涉及醫(yī)學圖像后處理技術領域，尤其涉及一種對同一類醫(yī)學圖像批量壓縮傳輸及還原的系統(tǒng)及方法。

背景技術：
：

現(xiàn)代醫(yī)學圖像的數(shù)據(jù)量是巨大的，例如在一個中等醫(yī)院，每年產(chǎn)生的圖像數(shù)據(jù)量就超過一百萬幅，如此龐大的數(shù)據(jù)量，給圖像的存儲、傳輸以及讀出技術都提出了嚴峻的挑戰(zhàn)，解決它的關鍵技術之一就是圖像壓縮與傳輸技術。醫(yī)學圖像具有極大的數(shù)據(jù)量，在目前的計算機系統(tǒng)條件下，要想實時處理，若圖像信息不經(jīng)過壓縮，則會占用信道寬，使傳輸成本變得昂貴，傳輸速率變慢，這對圖像存儲、傳輸及使用都非常不利，同時也阻礙了醫(yī)生對圖像的有效獲取和使用。圖像壓縮方法作為醫(yī)學影像的發(fā)展基礎，它的發(fā)展也促使醫(yī)學影像成為醫(yī)學技術中發(fā)展最快的領域之一，從而使得臨床醫(yī)生對人體內(nèi)病變部位的觀察更直觀，更清晰，從而診斷率也更高。

技術實現(xiàn)要素：
：

針對現(xiàn)有技術的缺陷，本發(fā)明提供一種基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)及方法，適用于批量圖像的高效壓縮和傳輸，采用了壓縮感知重構的方法，只傳輸中間數(shù)據(jù)，在大幅提高圖像的壓縮效率的同時，盡可能的保持原圖的完整性，極大的降低了數(shù)據(jù)的傳輸量，提高了圖像的傳輸、存儲效率，為醫(yī)生的診斷提供更多的圖像信息。

一方面，本發(fā)明提供一種基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)，包括基礎圖像獲取單元、差分數(shù)據(jù)計算與傳輸單元和原始圖像還原單元；

基礎圖像獲取單元，用于通過對批量醫(yī)學圖像共性特征的提取，來建立一個最優(yōu)基礎圖像；該單元包括圖像批量輸入模塊和基礎圖像建立模塊；

圖像批量輸入模塊，用于批量地輸入原始醫(yī)學圖像；

基礎圖像建立模塊，用于通過圖像差分、互信息計算及仿射變換的粒子群算法來衡量基礎圖像的實際差距，并對其不斷進行修改，建立與各個原始醫(yī)學圖像之間的差分數(shù)據(jù)相對最小的圖像，即最優(yōu)基礎圖像；基礎圖像建立模塊包括互信息計算模塊、圖像差分模塊和最優(yōu)解計算模塊；

互信息計算模塊，用于計算批量輸入的各個原始醫(yī)學圖像特定的互信息，提取共性特征；

圖像差分模塊，用于計算基礎圖像與各原始醫(yī)學圖像的差異，得到差分數(shù)據(jù)；

最優(yōu)解計算模塊，用于采用粒子群算法，依據(jù)互信息計算結果和差分數(shù)據(jù)，迭代計算出最優(yōu)的仿射變換數(shù)值及利用該仿射變換數(shù)值得到的最優(yōu)基礎圖像；

差分數(shù)據(jù)計算與傳輸單元，用于在最優(yōu)基礎圖像的基礎上，對各原始醫(yī)學圖像進行圖像差分處理，將相同數(shù)據(jù)進行消除，得到最優(yōu)的差分數(shù)據(jù)，并對最優(yōu)的差分數(shù)據(jù)與基礎圖像進行存儲和傳輸；

原始圖像還原單元，用于在最優(yōu)基礎圖像的基礎上，將差分數(shù)據(jù)加載，利用壓縮感知算法重構出原始圖像，包括差分圖像重構模塊和原始圖像重構模塊；

差分圖像重構模塊，用于在基礎圖像的基礎之上，加載差分數(shù)據(jù)，再利用壓縮感知算法重構出差分圖像；

原始圖像重構模塊，用于對重構出的差分圖像進行加載與逆仿射變換處理，重新建立原始醫(yī)學圖像。

進一步地，仿射變換與逆仿射變換處理過程是對醫(yī)學圖像比例、旋轉角和對比度的處理。

另一方面，本發(fā)明還提供一種基于共性特征的批量圖像壓縮傳輸與還原的方法，該方法采用上述的基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)實現(xiàn)，包括以下步驟：

步驟1：基礎圖像獲取單元批量輸入原始醫(yī)學圖像，并獲取最優(yōu)基礎圖像；

步驟1.1：圖像批量輸入模塊批量輸入N張原始醫(yī)學圖像P_n(n＝1，2，…，N)，并進行互信息計算，提取共性特征；

步驟1.2：依據(jù)互信息計算結果，隨機產(chǎn)生基礎圖像I，利用圖像差分模塊得到差分數(shù)據(jù)，依據(jù)差分數(shù)據(jù)，在最優(yōu)解計算模塊中采用粒子群算法，進行迭代的仿射變換，得到最優(yōu)的仿射變換值及對應的差分數(shù)據(jù)；

步驟1.2.1：依據(jù)互信息計算結果，確定基礎圖像的獲取范圍N′(N′＜N)，在N′張原始醫(yī)學圖像中隨機產(chǎn)生基礎圖像I；

步驟1.2.2：對一張原始醫(yī)學圖像P_n進行值為f_n的仿射變換，調(diào)整P_n的旋轉角度、比例和對比度；

步驟1.2.3：用現(xiàn)有的基礎圖像I與P_n進行圖像差分，得到差分數(shù)據(jù)C_n，對基礎圖像I進行評價；

步驟1.2.4：根據(jù)差分數(shù)據(jù)C_n的評價結果，對仿射變換值f_n進行更新；

步驟1.2.5：判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)的仿射變換值f_n及相應的差分數(shù)據(jù)C_n，進入步驟1.2.6，否則返回步驟1.2.2；

步驟1.2.6：判斷是否完成了對N′張醫(yī)學圖像的仿射變換處理，若完成，則進入步驟1.3，否則返回步驟1.2.2，進行下一張原始醫(yī)學圖像的仿射變換處理；

步驟1.3：在最優(yōu)解計算模塊中根據(jù)仿射變換處理過程的差分數(shù)據(jù)C_n評價基礎圖像I，并進行迭代更新，獲得最優(yōu)基礎圖像I；

步驟1.3.1：將C₁至C_N′進行求和，得到總的差分數(shù)據(jù)C；

步驟1.3.2：判斷總的差分數(shù)據(jù)C的大小，根據(jù)總的差分數(shù)據(jù)C的評價結果，對基礎圖像I進行更新；

步驟1.3.3：判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)基礎圖像I，進入步驟1.3.5，否則返回步驟1.2.2；

步驟1.3.4：保存并輸出最優(yōu)基礎圖像I；

步驟2：在差分數(shù)據(jù)計算與傳輸單元中獲取最終差分數(shù)據(jù)并進行傳輸；

步驟2.1：依據(jù)最優(yōu)基礎圖像，對N張原始醫(yī)學圖像進行仿射變換，利用最優(yōu)解算法得到最優(yōu)仿射變換值；

步驟2.1.1：參照步驟1.2.5中的最優(yōu)的仿射變換值f_n，建立隨機仿射變換值f_n′；

步驟2.1.2：對原始圖像P_n進行值為f_n′的仿射變換，調(diào)整P_n的旋轉角度、比例和對比度；

步驟2.1.3：將步驟1.3.4輸出的最優(yōu)基礎圖像I與醫(yī)學圖像P_n進行差分，得到差分數(shù)據(jù)評價C_n′；

步驟2.1.4：通過評價C_n′的大小，對仿射變換值f_n′進行更新；

步驟2.1.5：判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)仿射變換值f_n′，進入下一步驟，否則返回步驟2.1.2；

步驟2.1.6：保存并輸出最優(yōu)仿射變換值f_n′和仿射變換后的圖像P_n′；

步驟2.2：將仿射變換后的圖像P_n′與最優(yōu)基礎圖像I進行差分，將圖像P_n′上與基礎圖像I相同的數(shù)據(jù)清除或減小，得到差分圖像Y_n；

步驟2.3：利用壓縮感知算法，對差分圖像Y_n進行壓縮，進一步減小存儲和傳輸?shù)臄?shù)據(jù)量，得到壓縮后的差分數(shù)據(jù)Y_n′；

步驟2.4：將壓縮后的差分數(shù)據(jù)Y_n′從原始醫(yī)學圖像獲取終端傳輸?shù)结t(yī)療診斷終端；

步驟3：利用原始圖像還原單元還原原始醫(yī)學圖像：

步驟3.1：在差分圖像重構模塊中，利用壓縮感知算法對壓縮后的差分數(shù)據(jù)Y_n′進行重構，得到差分圖像Y_n；

步驟3.2：在原始圖像重構模塊中，將差分圖像Y_n加載在作為底層圖像的最優(yōu)基礎圖像I上，還原得到仿射變換后的圖像P_n′；

步驟3.3：對P_n′進行仿射變換值為f_n′的逆仿射變換，即對參數(shù)旋轉角度、比例和對比度進行還原，最終得到原始醫(yī)學圖像P_n；

步驟3.4：保存并輸出重構還原的原始醫(yī)學圖像P_n；

步驟3.5：判斷是否完成了N張醫(yī)學圖像的重構還原，若完成，則結束步驟，否則返回步驟3.1。

由上述技術方案可知，本發(fā)明提供的基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)及方法，適用于批量圖像的高效壓縮和傳輸，利用醫(yī)學圖像的共性特征，獲取最優(yōu)基礎圖像，得到差分數(shù)據(jù)，采用壓縮感知重構的方法，只傳輸中間數(shù)據(jù)小數(shù)據(jù)量的差分數(shù)據(jù)，在大幅提高圖像的壓縮效率的同時，能更好地保持原圖的完整性，極大的降低了數(shù)據(jù)的傳輸量，使批量醫(yī)學圖像存儲和傳輸過程的占用空間大大降低、處理速度和傳輸速度明顯提高，有效改善醫(yī)學圖像的存儲和傳輸效率，尤其使遠程醫(yī)療的效果得到了極大的改進，能更好地為醫(yī)療診斷服務，為醫(yī)生的診斷提供更多的圖像信息并節(jié)約醫(yī)生寶貴時間。

附圖說明：

圖1為本發(fā)明實施例提供的基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)結構框圖；

圖2為本發(fā)明實施例提供的基于共性特征的批量圖像壓縮傳輸與還原的方法總流程圖；

圖3為圖2中步驟S1的具體方法流程圖；

圖4為圖3中步驟S102的具體方法流程圖；

圖5為圖3中步驟S103的具體方法流程圖；

圖6為圖2中步驟S2的具體方法流程圖；

圖7為圖6中步驟S201的具體方法流程圖；

圖8為圖2中步驟S3的具體方法流程圖。

圖中：1、基礎圖像獲取單元；101、基礎圖像建立模塊；2、差分數(shù)據(jù)計算與傳輸單元；3、原始圖像還原單元。

具體實施方式：

下面結合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

一種基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)，如圖1所示，該系統(tǒng)包括基礎圖像獲取單元1、差分數(shù)據(jù)計算與傳輸單元2和原始圖像還原單元3。

基礎圖像獲取單元1，用于通過對批量醫(yī)學圖像共性特征的提取，來建立一個最優(yōu)基礎圖像；該單元包括圖像批量輸入模塊和基礎圖像建立模塊101。

圖像批量輸入模塊，用于批量地輸入原始醫(yī)學圖像，醫(yī)學圖像大多存在共性，同一斷層位置不同患者的圖像的重合度、同一器官臨近斷層的重合度都很高，批量的圖像輸入是為了提高基礎圖像的準確度，同時也為了將基礎圖像與各個圖像的差異相對最小化。

基礎圖像建立模塊101，用于通過圖像差分、互信息計算及仿射變換的粒子群算法來衡量基礎圖像的實際差距，并對其不斷進行修改，建立與各個原始醫(yī)學圖像之間的差分數(shù)據(jù)相對最小的圖像，即最優(yōu)基礎圖像。其中，仿射變換處理過程是對醫(yī)學圖像的比例、旋轉角和對比度的處理?；A圖像建立模塊101包括互信息計算模塊、圖像差分模塊和最優(yōu)解計算模塊。

互信息計算模塊，用于計算批量輸入的各個原始醫(yī)學圖像特定的互信息，提取共性特征，并衡量他們與基礎圖像的互信息值，借此來判斷數(shù)據(jù)的差異性大小。

圖像差分模塊，用于計算基礎圖像與各原始醫(yī)學圖像的差異，得到差分數(shù)據(jù)，利用差分數(shù)據(jù)的大小來判斷基礎圖像是否合格。

最優(yōu)解計算模塊，用于采用粒子群算法，依據(jù)互信息計算結果和差分數(shù)據(jù)，對各個醫(yī)學圖像之間的協(xié)作和競爭實現(xiàn)全局搜索，在搜索空間的飛行實現(xiàn)尋優(yōu)，迭代計算出最優(yōu)的仿射變換數(shù)值及利用該仿射變換數(shù)值得到的最優(yōu)基礎圖像。

差分數(shù)據(jù)計算與傳輸單元2，用于在最優(yōu)基礎圖像的基礎上，對各原始醫(yī)學圖像進行圖像差分處理，將相同數(shù)據(jù)進行消除，盡可能少的保留數(shù)據(jù)量，得到最優(yōu)的差分數(shù)據(jù)，并對最優(yōu)的差分數(shù)據(jù)與基礎圖像進行存儲和傳輸。

原始圖像還原單元3，用于在最優(yōu)基礎圖像的基礎上，將差分數(shù)據(jù)加載，利用壓縮感知算法重構出原始圖像，該算法的核心包括信號的稀疏表示理論、測量矩陣的設計方法以及恢復重構算法。在本實施例中，該壓縮感知算法是基于醫(yī)學圖像的稀疏性和可壓縮性，獲得壓縮后的采樣信號，在基礎圖像的基礎之上，先將差分數(shù)據(jù)加載在上面，再利用恢復重構算法重構出差分圖像，同時需要對該醫(yī)學圖像進行一定的仿射變換處理，通過對醫(yī)學圖像的比例、旋轉角度、對比度等數(shù)值的處理，重新建立原始圖像。原始圖像還原單元3包括差分圖像重構模塊和原始圖像重構模塊。

差分圖像重構模塊，用于在基礎圖像的基礎之上，加載差分數(shù)據(jù)，再利用壓縮感知算法重構出差分圖像；原始圖像重構模塊，用于對重構出的差分圖像進行加載與逆仿射變換處理，重新建立原始醫(yī)學圖像。

采用上述的基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)進行基于共性特征的批量圖像壓縮傳輸與還原的方法，如圖2所示，具體包括如下步驟。

S1、基礎圖像獲取單元1批量輸入原始醫(yī)學圖像，并獲取最優(yōu)基礎圖像，如圖3所示，具體包括以下步驟。

S101、圖像批量輸入模塊批量輸入50張512*512的原始醫(yī)學圖像P_n(n＝1，2，…，50)，并進行互信息計算，提取共性特征，每一張醫(yī)學圖像P_n就是粒子群算法中的一個粒子，在計算過程中通過相互之間的影響來逐步靠近最優(yōu)解。

S102、依據(jù)互信息計算結果，隨機產(chǎn)生基礎圖像I，利用圖像差分模塊得到差分數(shù)據(jù)，依據(jù)差分數(shù)據(jù)，在最優(yōu)解計算模塊中采用粒子群算法，進行迭代的仿射變換，得到最優(yōu)的仿射變換值及對應的差分數(shù)據(jù)，如圖4所示，具體包括以下步驟：

S1021、依據(jù)互信息計算結果，確定基礎圖像的獲取范圍為20，在20張原始醫(yī)學圖像中隨機產(chǎn)生基礎圖像I，在本實施例中使用第一張圖像，即P₁作為隨機產(chǎn)生的基礎圖像I；

S1022、對一張原始醫(yī)學圖像P_n進行值為f_n的仿射變換，調(diào)整P_n的旋轉角度d、比例s和對比度c，則f_n為f_n(d，s，c)，其中，0≤d≤360，0≤s≤1，-1≤c≤1；

S1023、用現(xiàn)有的基礎圖像I與P_n進行圖像差分，得到差分數(shù)據(jù)C_n，對基礎圖像I進行評價；

S1024、根據(jù)差分數(shù)據(jù)C_n的評價結果，對仿射變換值f_n進行更新；

S1025、判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)的仿射變換值f_n及相應的差分數(shù)據(jù)C_n，進入步驟S1026，否則返回步驟S1022；本實施例中的迭代條件依據(jù)經(jīng)驗設為17，若滿足17次迭代，則得到最優(yōu)的仿射變換值f_n及相應的差分數(shù)據(jù)C_n，得到的其中一個最優(yōu)仿射變換值為(8，0.94，-0.11)；

S1026、判斷是否完成了對20張醫(yī)學圖像的仿射變換處理，若完成，則進入步驟S103，否則返回步驟S1022。

S103、在最優(yōu)解計算模塊中根據(jù)仿射變換處理過程的差分數(shù)據(jù)C_n評價基礎圖像I，并進行迭代更新，獲得最優(yōu)基礎圖像I，如圖5所示，具體包括以下步驟：

S1031、將C₁至C₂₀進行求和，得到總的差分數(shù)據(jù)C；

S1032、判斷總的差分數(shù)據(jù)C的大小，根據(jù)總的差分數(shù)據(jù)C的評價結果，對基礎圖像I進行更新；在粒子群的影響下，C₁至C₂₀相對最小，差分數(shù)據(jù)C也是相對最小的；

S1033、判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)基礎圖像I，進入步驟S1035，否則返回步驟S1022；本實施例中的迭代條件依據(jù)經(jīng)驗設為17，若滿足17次迭代，則得到最優(yōu)基礎圖像I；

S1034、保存并輸出最優(yōu)基礎圖像I，在本實施例中，最優(yōu)基礎圖像I大小為107.8KB。

S2、在差分數(shù)據(jù)計算與傳輸單元2中獲取最終差分數(shù)據(jù)并進行傳輸，如圖6所示，具體包括如下步驟。

S201、依據(jù)最優(yōu)基礎圖像，對50張原始醫(yī)學圖像進行仿射變換，利用最優(yōu)解算法得到最優(yōu)仿射變換值，如圖7所示，具體包括以下步驟：

S2011、參照步驟S1025中的最優(yōu)的仿射變換值f_n，建立隨機仿射變換值f_n′；

S2012、對原始圖像P_n進行值為f_n′的仿射變換，調(diào)整P_n的旋轉角度d、比例s和對比度c；

S2013、將步驟S1034輸出的最優(yōu)基礎圖像I與醫(yī)學圖像P_n進行差分，得到差分數(shù)據(jù)評價C_n′；

S2014、通過評價C_n′的大小，對仿射變換值f_n′進行更新；

S2015、判斷是否滿足預設迭代條件，若滿足，則得到最優(yōu)仿射變換值f_n′，進入下一步驟，否則返回步驟S2012；本實施例中的迭代條件依據(jù)經(jīng)驗設為17，若滿足17次迭代，則得到最優(yōu)仿射變換值；

S2016、保存并輸出最優(yōu)仿射變換值f_n′和仿射變換后的圖像P_n′，50張醫(yī)學圖像相對基礎圖像的最優(yōu)仿射變換值為f₁′至f₅₀′，在之后的逆仿射變換中需要再次利用。

S202、將仿射變換后的圖像P_n′與最優(yōu)基礎圖像I進行差分，將圖像P_n′上與基礎圖像I相同的數(shù)據(jù)清除或減小，降低數(shù)據(jù)的占用空間，得到差分圖像Y_n。

S203、利用壓縮感知算法，對差分圖像Y_n進行壓縮，進一步減小存儲和傳輸?shù)臄?shù)據(jù)量，得到壓縮后的差分數(shù)據(jù)Y_n′，本實施例中，醫(yī)學圖像P₁的壓縮比為31.26。

S204、將壓縮后的差分數(shù)據(jù)Y_n′從原始醫(yī)學圖像獲取終端傳輸?shù)结t(yī)療診斷終端，基于小數(shù)據(jù)量的存儲或傳輸?shù)男实玫斤@著提高。

S3、利用原始圖像還原單元3還原原始醫(yī)學圖像，如圖8所示，具體包括以下步驟：

S301、在差分圖像重構模塊中，利用壓縮感知算法對壓縮后的差分數(shù)據(jù)Y_n′進行重構，得到差分圖像Y_n；

S302、在原始圖像重構模塊中，將差分圖像Y_n加載在作為底層圖像的最優(yōu)基礎圖像I上，還原得到仿射變換后的圖像P_n′；

S303、對P_n′進行仿射變換值為f_n′的逆仿射變換，即對參數(shù)旋轉角度d、比例s和對比度c進行還原，最終得到原始醫(yī)學圖像P_n；

S304、保存并輸出重構還原的原始醫(yī)學圖像P_n；

S305、判斷是否完成了50張醫(yī)學圖像的重構還原，若完成，則結束步驟，否則返回步驟S301。

本實施例提供的基于共性特征的批量圖像壓縮傳輸與還原的系統(tǒng)及方法，原始圖像平均大小為115.03KB，重構原始圖像平均大小為114.18KB，基本還原了原始醫(yī)學圖像的全部信息，適用于批量圖像的高效壓縮和傳輸，利用醫(yī)學圖像的共性特征，獲取最優(yōu)基礎圖像，得到差分數(shù)據(jù)，采用壓縮感知重構的方法，只傳輸中間數(shù)據(jù)小數(shù)據(jù)量的差分數(shù)據(jù)，在大幅提高圖像的壓縮效率的同時，能更好地保持原圖的完整性，極大的降低了數(shù)據(jù)的傳輸量，使批量醫(yī)學圖像存儲和傳輸過程的占用空間大大降低、處理速度和傳輸速度明顯提高，有效改善醫(yī)學圖像的存儲和傳輸效率，尤其使遠程醫(yī)療的效果得到了極大的改進，能更好地為醫(yī)療診斷服務，為醫(yī)生的診斷提供更多的圖像信息并節(jié)約醫(yī)生寶貴時間。

最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明權利要求所限定的范圍。