医学图像可视化的视觉优化方法

由于受主观意识和经验等因素的影响,医学图像可视化中传递函数的选择和设置会直接影响医学图像可视化效果.为此,提出一种基于视觉优化的医学图像可视化方法.针对三维医学图像绘制,采用基于GPU加速的光线投射体绘制半自动化传递函数,解决了三维图像全局和焦点上下文的优化显示问题;针对二维图像呈现,借助直方图均衡化、图像融合和全变分模型3种图像增强算法,解决了二维医学图像噪声干扰、对比度模糊和边缘丢失等问题.通过与传统方法的实验对比,三维医学图像在绘制时间和绘制效果方面均有改善;引入图像质量评估指标峰值信噪比和平均结构相似性,验证了全变分模型在二维医学图像增强中的有效性.结合视觉优化方法设计开发了医学图像可视化交互系统,包含对医学数据的三维可视化和交互分析功能,有效地拓展算法的应用性.     

一种基于全变分技术和Lp伪范数的椒盐噪声去除方法

针对传统各向同性全变分（Isotropy total variation，ITV）去噪算法容易导致图像边缘模糊、不易保持图像细节信息等问题，提出一种基于L _p 伪范数和各向同性全变分的图像去噪方法。该方法将L _p 伪范数代替ITV模型中的L ₁范数，利用交替方向乘子算法（Alternating direction method of multipliers, ADMM）将能量泛函拆解成若干个子问题，并将差分算子视为卷积算子；然后引入卷积定理和快速傅里叶变换(Fast Fourier transform, FFT)提高算法运算效率；最后通过Matlab进行仿真实验，运用图像质量的客观和主观评价方法进行评价分析。结果表明，本文方法能够较好地保留图像的边缘特性，有效提升去噪效果。     

L0范数约束的全变分图像融合

针对图像融合中传统方法易引起图像细节和边缘丢失的问题,提出了一种L0范数约束的全变分(TV-L0)图像融合方法。对源图像进行均值滤波,根据滤波前后的图像获取源图像的边缘特征,通过特征图的梯度获取源图像对应的权重,基于此权重,由源图像建立目标图像并由源图像的梯度建立目标梯度。进一步基于目标图像建立变分方程的保真项,并基于目标梯度建立方程的正则项。通过引入变量,基于快速傅里叶变换,实现了融合模型的快速求解。实验结果表明:与基于离散余弦谐波小波变换图像融合方法相比,提出的方法多焦点图像融合和红外与可见光图像融合中的平均梯度(AG)分别提高了0. 71%和15. 71%,标准差(SD)分别提高了4. 97%和4. 77%,从源图像转移到融合图像的边缘信息量(QUV/F)分别提高了0. 94%和6. 13%,从源图像到融合图像丢失的边缘信息量(LUV/F)分别降低了5. 47%和17. 37%。提出的方法所获取的融合图像在主观视觉效果和客观评价函数两方面均优于传统方法。     

基于局部坐标二次微分的自适应全变分去噪复原

针对传统TV去噪复原算法以梯度模值作为图像的边缘检测算子,无法清晰地识别边缘和灰度渐变区及去除平坦区内的孤立噪声的问题,提出了一种基于局部坐标二次微分的边缘检测算子对传统模型进行改进。改进后的模型能根据各像素点的新检测算子信息,自适应选取复原模型中决定扩散强弱的参数,并且利用图像局部信息对正则化项和保真项进行加权。同时在数值实现上,采用一种基于梯度矢量的方向变化的方法来实现散度离散化,以更加有效地保留图像的局部细节信息。数值试验表明,该算法在克服灰度渐变区内的阶梯效应和保留图像的细节边缘方面明显优于传统算法。