醫(yī)療X光圖像的增強(qiáng)處理技術(shù)研究

蔡睿妍，邱少明，姜 偉

（大連大學(xué) 信息工程學(xué)院, 遼寧 大連 116622）

醫(yī)療X光圖像的增強(qiáng)處理技術(shù)研究

蔡睿妍，邱少明，姜 偉

（大連大學(xué) 信息工程學(xué)院, 遼寧 大連 116622）

針對(duì)X光成像中產(chǎn)生的圖像清晰度不高，不利于醫(yī)療診察的問(wèn)題，提出了空間混合圖像增強(qiáng)方法。將拉普拉斯變換和梯度變換相結(jié)合，分別增強(qiáng)圖像的細(xì)節(jié)和邊緣，同時(shí)避免引入新的噪聲干擾。實(shí)驗(yàn)表明，該方法能夠有效地增強(qiáng)X光圖像的清晰度，在醫(yī)療診察方面具有重要意義。

X光成像；圖像增強(qiáng)；空間混合；拉普拉斯變換；梯度變換

1 引言

現(xiàn)今，X光在醫(yī)療中的廣泛應(yīng)用和其出色的表現(xiàn)已充分證明，X光和我們每個(gè)人的生活息息相關(guān)。它大大提高了醫(yī)療檢驗(yàn)的速度和準(zhǔn)確程度，使我們可以更快更直接地了解身體一些部位的狀況。然而由于拍攝圖像的技術(shù)及水平有限，導(dǎo)致圖像細(xì)節(jié)以及邊緣并不十分清晰；或者在圖像傳送和記錄過(guò)程中，出現(xiàn)圖像退化，圖像的可讀性變差，不利于醫(yī)療診察。因此，有必要通過(guò)圖像增強(qiáng)[1]技術(shù)來(lái)改善圖像的視覺(jué)效果。

為了改善X光圖像的清晰度，增強(qiáng)其對(duì)比度，突出拍攝圖像的細(xì)節(jié)及邊緣，本文利用MATLAB仿真軟件，采用空間混合增強(qiáng)方法對(duì)醫(yī)療X光圖像進(jìn)行增強(qiáng)處理，提高圖像的可讀性。

2 基本原理

由于醫(yī)療X光圖像的灰度變化范圍較窄，并伴隨很高的噪聲，為便于診斷觀察，需要對(duì)圖像的邊緣及細(xì)節(jié)進(jìn)行增強(qiáng)。目前在圖像處理領(lǐng)域?qū)光圖像增強(qiáng)已有許多非常成熟有效的方法，如對(duì)數(shù)變換、Histogram Equalization[2]、局部直方圖均衡化、拉普拉斯算子[3]方法等。由于微分運(yùn)算實(shí)際是求信號(hào)的變化率，有加強(qiáng)高頻分量的作用，能使圖像輪廓變得清晰。而一階、二階微分增強(qiáng)處理分別有利于圖像的邊緣及細(xì)節(jié)增強(qiáng)，因此，本文將兩種增強(qiáng)處理方法相結(jié)合，實(shí)現(xiàn)X光圖像的清晰化處理。為將圖像中任意方向伸展的邊緣和輪廓變清晰，必須保證對(duì)圖像的某種導(dǎo)數(shù)運(yùn)算各向同性（旋轉(zhuǎn)不變性）。

2.1 基于二階微分的圖像增強(qiáng)原理

圖像增強(qiáng)方法中，拉普拉斯算子是常用的邊緣增強(qiáng)算子，拉普拉斯運(yùn)算是二階微分運(yùn)算，也是一種各向同性的線性運(yùn)算，能夠?qū)崿F(xiàn)圖像中任意方向伸展的邊緣和輪廓的清晰化。二元圖像f( x, y)的拉普拉斯變換定義[4]為：

為了適合數(shù)字圖像處理，將該式表示為離散形式?？紤]到有兩個(gè)變量，在X方向上對(duì)二階偏微分定義為：

式（4）可以由圖1（a）所示的掩模實(shí)現(xiàn)。為了增強(qiáng)拉普拉斯變換的效果，將對(duì)角線方向加入到離散拉普拉斯變換的定義中，即在式（4）中添入兩項(xiàng)（對(duì)角線方向各加一項(xiàng)），再?gòu)牟煌较虻捻?xiàng)中總共減去8f( x, y)，由圖1（b）所示的掩模實(shí)現(xiàn)，這種掩模對(duì)45°增幅的結(jié)果是各向同性的。

圖1 拉普拉斯算子掩模

拉普拉斯算子的應(yīng)用強(qiáng)調(diào)圖像中灰度的突變及降低灰度緩慢變化的區(qū)域，這將產(chǎn)生一幅把圖像中的淺灰色邊緣和突變點(diǎn)疊加到暗背景中的圖像。因?yàn)樗褂玫难谀＞哂胸?fù)的中心系數(shù)，將原始圖像減去經(jīng)拉普拉斯變換后的圖像如式（5），可以保護(hù)拉普拉斯銳化處理的效果，同時(shí)又能復(fù)原背景信息。

拉普拉斯變換在圖像細(xì)節(jié)的增強(qiáng)處理方面有明顯的優(yōu)點(diǎn)，式（5）中二者的疊加，將導(dǎo)致相當(dāng)多的噪聲，因此，還需要進(jìn)行中值濾波濾除噪聲。而中值濾波器是一種非線性濾波器，它有可能改變圖像的性質(zhì)，這在醫(yī)療X光圖像中是不能接受的，因此，本文采用一階微分的梯度變換進(jìn)行圖像邊緣處理，并對(duì)其進(jìn)行均值濾波平滑處理。

2.2 基于一階微分的圖像增強(qiáng)原理

在圖像處理中，一階微分是通過(guò)梯度變換實(shí)現(xiàn)的。梯度變換在灰度變化區(qū)域（灰度斜坡或階梯）的響應(yīng)比拉普拉斯變換更強(qiáng)烈，而對(duì)噪聲和細(xì)節(jié)的響應(yīng)要比拉普拉斯變換弱，且可以通過(guò)均值濾波器進(jìn)行平滑處理而進(jìn)一步降低噪聲影響。

圖像f( x, y)在位置(x, y)的梯度通過(guò)二維列向量定義[4]：

Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像。梯度的大?。Ｖ担┛捎上率接?jì)算：

梯度向量的模式也是各向同性的。然而，實(shí)際圖像處理中，無(wú)法獲得一個(gè)準(zhǔn)確的函數(shù)進(jìn)行求導(dǎo)，因此，采用一種替代的方式求導(dǎo)數(shù)，即用一個(gè)3×3的窗口對(duì)圖像進(jìn)行近似求導(dǎo)，如圖2所示。當(dāng)對(duì)X方向求導(dǎo)時(shí)，某一點(diǎn)的導(dǎo)數(shù)為第三行的元素之和減去第一行元素之和，即求得某一點(diǎn)的近似導(dǎo)數(shù)。為了突出中心點(diǎn)的作用而達(dá)到平滑效果，給第二列加了一個(gè)權(quán)重，值為2，而第一列和第三列的權(quán)重為1，如圖3和圖4所示，即為Sobel算子。通過(guò)X方向和Y方向的導(dǎo)數(shù)運(yùn)算，獲得梯度，從而可以找出一幅圖中的邊緣。Sobel法[5]的基本原理是按式（7）計(jì)算圖像3×3區(qū)域的灰度，將其作為變換后圖像f( i, j)的灰度。其中

當(dāng)對(duì)整幅圖像進(jìn)行式（7）的計(jì)算時(shí)運(yùn)算量很大，因此在實(shí)際操作中，常用絕對(duì)值代替平方運(yùn)算和開(kāi)方運(yùn)算，近似求梯度的模值：

在圖像中心點(diǎn)使用絕對(duì)值和3×3掩模的近似結(jié)果為：

圖2 圖像3×3窗口

圖3 梯度掩膜Sobel算子1

圖4 梯度掩膜Sobel算子2

使用Sobel算子不像普通梯度算子那樣使用兩個(gè)像素的差值，這就產(chǎn)生了以下兩個(gè)優(yōu)點(diǎn)。

（1）由于引入了平均因素，因而對(duì)圖像中的隨機(jī)噪聲有一定的平滑作用。

（2）由于它是相隔兩行或兩列差分，故邊緣兩側(cè)元素得到了增強(qiáng)，邊緣顯得粗而亮。

物體的邊緣總是以強(qiáng)度突變形式出現(xiàn)的，原圖經(jīng)過(guò)Sobel梯度變換后（此時(shí)Sobel圖像的邊緣要比拉普拉斯圖像的邊緣突出很多），再經(jīng)過(guò)5×5的均值濾波器進(jìn)行平滑處理，將進(jìn)一步降低圖像噪聲。

3 空間混合增強(qiáng)方法

由于一階、二階微分處理能夠分別增強(qiáng)圖像的邊緣和細(xì)節(jié)，且一階微分處理引入的噪聲可以通過(guò)均值濾波器進(jìn)行處理，因此，本文引入了空間混合增強(qiáng)方法，即圖像增強(qiáng)處理中采用一階、二階兩種微分增強(qiáng)方法（Sobel變換和拉普拉斯變換），算法流程如圖5所示。

圖5 空間混合增強(qiáng)算法流程

空間混合增強(qiáng)方法中，原始圖像通過(guò)乘積運(yùn)算保留兩種增強(qiáng)處理方法的優(yōu)點(diǎn)，即圖像的邊緣和細(xì)節(jié)部分均比原圖像具有更好的可讀性，并且，一階微分采用5×5的均值濾波平滑處理后，能夠明顯降低圖像噪聲，因此，二者相乘并不會(huì)增強(qiáng)系統(tǒng)的噪聲。將兩種變換乘積的圖像與原圖像相加，銳化圖像，提升診察效果。

4 仿真實(shí)驗(yàn)

實(shí)驗(yàn)中對(duì)人體骨骼的X光圖像進(jìn)行了增強(qiáng)處理。原始圖像如圖6所示。圖中，原始圖像骨骼的邊緣和細(xì)節(jié)并不突出，因此，采用拉普拉斯變換增強(qiáng)其細(xì)節(jié)，并與原圖像相減進(jìn)行銳化處理，結(jié)果如圖7所示?？梢?jiàn)，圖中細(xì)節(jié)較原圖像增加，但骨骼邊緣與原圖相比變化不明顯，同時(shí)也增加了噪聲。而圖8是進(jìn)行梯度變換并經(jīng)過(guò)5×5均值濾波的結(jié)果，圖中人體骨骼邊緣清晰可見(jiàn)，但細(xì)節(jié)效果并不理想。圖7與圖8乘積后與原圖像相加的銳化圖像如圖9所示，可見(jiàn)，將平滑后的梯度圖像掩蔽拉普拉斯變換圖像不但突出了邊緣而且使可見(jiàn)的噪聲大大地減少，肋骨、脊椎骨、骨盆以及顱骨乘的操作擴(kuò)大了銳化圖像的灰度動(dòng)態(tài)范圍，并且圖中出現(xiàn)了許多重要的細(xì)節(jié)，特別是手腕、手掌、腳踝和腳掌等區(qū)域。

圖6 全身骨骼掃描圖像

圖7 拉普拉斯變換銳化圖像

圖8 5×5的均值濾波平滑后的Sobel圖像

圖9 增強(qiáng)處理后的圖像

5 結(jié)論

針對(duì)X光醫(yī)療圖像的退化問(wèn)題，本文采用了空間混合增強(qiáng)處理方法，首先用二階微分變換突出圖像的細(xì)節(jié)，然后用一階微分變換突出其邊緣，接著用平滑過(guò)的梯度圖像掩蔽拉普拉斯圖像，再經(jīng)過(guò)濾波得到銳化圖像。通過(guò)該有效的混合圖像增強(qiáng)算法，實(shí)現(xiàn)X光醫(yī)療圖像的增強(qiáng)處理，有助于醫(yī)療診斷。

[1] GONZALEZ R C, WOODS R E. Digital Image Processing [M]. Massachusetts: Publishing House, 2007.

[2] FAYADLM, JIN YINPENG, LA INE A F, et al. Chest CT window settings with multiscale adaptive histogram equalization pilot study [EB/OL]. [2009-04-22]. http: //hbil. bme.columbia.edu/wp-content/themes/HBIL_MJP/publicati ons/164.pdf.

[3] PALAN ISWAMIM, NGUYEN T O, OXBROWR. An efficient filter structure for edge detection [EB /OL]. [2009-04-22]. http://videoprocessing.ucsd.edu/publications/Year_ 1988 /File3.pdf.

[4] 金晟業(yè), 陳圣波, 金麗華, 等. 遙感圖像邊緣提取微分方法及其應(yīng)用[J]. 遙感技術(shù)與應(yīng)用, 2008, 23(6): 729-733.

[5] 莊玉霞. 基于偏微分方程的醫(yī)學(xué)圖像增強(qiáng)系統(tǒng)[D].山東大學(xué), 2008.

Research on Enhancement Processing Technology of Medical X-ray Image

CAIRui-yan, QIU Shao-ming, JIANG Wei

(College of Information Engineering, Dalian University, Dalian 116622, China)

According to the fact that the X-ray image definition is not high and goes against the medical examination, the method of space mixing image enhancement is proposed, which combines Laplace transform and gradient transform, enhances the image edges and details and avoids introducing new noise. The experimental results show that, this method can effectively enhance the definition of the X-ray image and has important significance in the medical field.

X-ray imaging; image enhancement; space mixing; Laplace transform; gradient transform

TP391.41

A

1008-2395(2012)03-0017-04

2012-04-09

蔡睿妍（1979-），女，講師，研究方向：圖像處理、通信與網(wǎng)絡(luò)。