基于小波变换的混合作用域医学图像增强算法

医学图像对比度低,细节不清晰,要对其进行增强处理才能满足临床诊断的需要,而目前常用的小波增强算法自适应性差,丢失细节,为此提出了一种基于dbN小波变换的混合作用域医学图像增强算法,该算法结合Sobel算子提取的边缘,经过滤波变换,得到原图像的锐化图像,再采用能够扩展其灰度范围的幂次变换,实现图像增强。该算法通过实例验证,与常用的分段小波增强算法比较,自适应性强,增强后的图像细节丰富,具有良好的视觉效果。     

一种基于二维离散小波变换的医学图像增强算法

噪声是影响医学图像质量的最重要的因素之一。去除噪声,增强图像以提高图像质量是医学图像处理的重要课题。传统的图像增强方法在改善图像视觉效果的同时还存在噪声过增强问题,不适于医学图像增强。针对这种情况,文章提出了基于二维离散小波变换的医学图像增强算法。在多尺度分析基础上,该算法对小波分解得到的低频子带图像采用两步提升法进行对比度增强处理,而对小波分解得到的不同方向上的小波系数进行不同程度的去噪并增强。实验结果表明,该方法在提高医学图像对比度改善图像质量的同时有效地解决了传统算法中难以克服的噪声放大问题。处理后的图像更利于医生进行分析诊断和医学影像的后续处理。     

基于尺度相关性的自适应图像增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大问题。实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法。     

基于Laplacian金字塔和小波变换的医学CT图像增强算法

对医学图像进行增强可提高信息的利用率。传统的图像增强方法应用于医学图像时处理效果一般,存在诸多问题,如在增强图像的同时使图像的细节丢失,减弱了图像中目标的边缘信息,降低了图像的对比度。针对上述问题,提出一种基于小波变换和Laplacian金字塔分解的图像增强算法。首先,对原医学图像进行小波变换分解,得到处理结果;然后,对原医学图像进行Laplacian金字塔分解,得到医学图像的高频信息;最后,利用小波变换的结果和Laplacian金字塔分解的结果进行重构,得到增强后的图像。实验结果表明,该方法的增强效果明显优于传统的图像增强算法,对医学图像具有较好的增强效果,同时能更好地抵抗噪声。     

基于第二代Curvelet变换的自适应图像增强

Curvelet是继小波和Ridgelet之后一种新的图像多尺度表示方法,Curvelet具有多尺度,多方向的特性,属于高度各向异性的变换。第二代Curvelet变换克服了第一代Curvelet变换的高数据冗余度问题,特别是基于”Wrapping”方式的第二代离散Curvelet算法,不仅运算快速、几何真实,而且快速可逆。因此,将第二代Curvelet变换用于图像增强,并通过自适应地确定Curvelet分解子带的噪声水平,实现了一种自适应图像增强方法。实验结果表明,同基于小波变换的图像增强方法相比,该方法具有明显的优势。     

基于纹理的自适应提升小波框架的图像增强

经典二维小波变换仅在图像的水平和垂直方向进行变换,对图像的纹理信息表示能力不足,基于小波变换的图像增强的效果还不尽人意。为了更好地表示图像的纹理信息,提出一种基于纹理的自适应提升小波的图像增强方法,根据图像的局部特征预测图像的纹理方向,沿纹理方向应用小波变换,使图像的纹理信息表示更准确,而且小波变换法在抑制噪声方面性能优良,将其应用于图像增强,仿真及实验结果表明该方法具有有效性和实用性。     

基于小波分层的多方向医学CT图像增强算法

结合先进的小波理论,时医学CT图像进行小波多尺度变换,得到具有方向性的分量.把改进的小波阙值法与基于小波的同态滤波结合起来分别与这些分量对应起来进行增强,最后分别得到不同尺度(层次)增强的图像,再进一步合成,得到较好的增强效果.实验结果表明,采用该算法可对图像去除噪声的同时能很好的保留图像的重要特征,达到增强医学CT图像的效果.     

基于小波分解的分层自适应图像增强

针对具有丰富纹理细节的图像的增强,本文提出了一种基于小波低频自适应分层的算法。该算法根据图像小波分解的低频部分计算出相应的对比度信息,以实现自适应分层,然后依据分层的结果确定自适应增强函数,最后达到不同程度的增强效果。通过实际的实验表明,所提出的基于小波分解的分层自适应增强算法对具有丰富纹理细节的图片具有较好的增强效果,能够有效地提高图像质量。     

基于EMD和自适应提升小波分析的图像增强

针对经典和提升小波变换共同的缺陷,提出基于EMD和自适应提升小波分析的图像增强算法。对二维图像信息作EMD分解,提取出图像信息的IMF分量,对此IMF分量进行自适应提升小波分解并重构,得到增强图像。仿真及实验结果表明该方法具有有效性和实用性。     

基于自适应分数阶微分的医学图像增强算法

针对图像增强过程中,分数阶微分的阶数往往由经验或大量的实验来选择较优的值,不能实现自适应性,没有充分发挥分数阶微分的优良特性的问题,提出了一种基于图像局部梯度、信息熵和方差等3个与图像纹理相关的参数的自适应分数阶微分图像增强算法,并应用于一些相关的医疗图像中。依据信息熵和平均梯度等纹理分析的定量评定标准,对增强后的图像做了实验比较分析。实验结果表明,相对于所比较的算法,自适应分数阶微分算法能够在增强图像的边界和纹理部分的同时,能保留平滑区域的信息细节,同时获得较好的视觉效果。     

基于小波融合的射线图像增强算法*

提出一种基于小波融合的射线图像增强算法,利用射线成像的特点,对射线成像系统采集信号作分段灰度变换,将变换得到的多幅图像利用小波变换进行图像融合,以增强射线图像的显示效果。融合中采用低频图像的小波系数均值作为融合后的低频系数,高频图像根据梯度和一致性检测确定融合规则,调整高频小波系数大小,很好地将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,且优于传统的射线图像增强方法。     

一种新的基于小波变换的自适应MRI增强算法

提出了一种新的基于小波变换的自适应MRI增强算法。该新算法采用两个非线性自适应规则分别增强低频和高频的小波系数,并且在增强图像信号的同时抑制、减小其中的噪声。实验结果表明新算法增强后的图像具有很好的对比度,且结果图像中的噪声要比其他基于小波变换的自适应增强算法得到的增强后的图像中的噪声要少很多。     

基于Bandelet变换域的图像自适应增强算法

提出了基于Bandelet变换域的图像自适应增强的新算法,利用Bandelet变换在表示二维图像线、面奇异性时的优越性,实现了抑制噪声和凸显细节间的有效均衡。按照最小化逼近误差原则,寻找出二进剖分块的几何方向,在最小化均分误差(MMSE)的原则下合并二进剖分块,寻找出图像增强的方向。根据图像增强方向将Bandelet块分为两类:有几何方向的Bandelet块和无几何方向的Bandelet块,并分析了这两类Bandelet块系数的不同特征,从而区分出噪声和信号、清晰边缘和脆弱边缘。在此基础上提出了一种新的增强函数,在抑制噪声的同时,增强较弱细节并保护图像中的清晰边缘不失真。实验结果表明,与传统的图像增强算法相比,该算法在抑制噪声和放大细节特征两方面均有明显改进。     

基于脊波融合的射线图像增强算法

提出一种基于脊波变换的射线图像增强算法,根据射线成像的特点,对射线成像系统采集信号做分段灰度变换,得到多幅图像,每幅图像含有被测工件的某种细节,再将这些图像分别做有限脊波变换,对得到的变换系数进行融合,再对融合后的系数进行有限脊波逆变换从而得到增强了的射线图像。在融合中低频系数采用基于区域方差和邻域像素相关性分析的融合策略,高频部分采用脊波变换系数绝对值最大的作为融合的高频系数,此法可以将来自不同图像的特征与细节融合在一起并且可以有效地抑制噪声。文中对融合图像质量进行了对比评价,实验结果表明,这种方法能够有效地提高图像的清晰度,在保留图像微小细节方面获得满意的结果。     

一种X射线图像增强新方法

针对X射线图像对比度不高,图像偏暗,边缘模糊,噪声大的问题,提出了一种小波变换和模糊理论相结合的图像增强新方法.首先,将射线图像进行小波分解获得低频子带和高频子带,然后,对含有图像基本面貌特征和主要能量信息的低频子带采用广义模糊算子进行处理,能较好地提升图像对比度和局部亮度,对含有噪声和细节信息的高频子带利用软阈值去噪方法进行去噪处理,同时定义了一种新的增强算子,在去噪的同时进行细节增强,最后,对处理后的图像进行小波重构.实验结果表明:该方法可以有效去除图像噪声,提升图像对比度和清晰度,视觉效果良好.     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。     

基于小波变换的图像增强新算法

传统的小波增强算法应用于光照不足或不均匀的图像时处理效果一般,针对该问题提出了基于小波变换的图像增强新算法。首先,对图像进行多级小波分解,得到尺度系数和多个层次的小波系数;然后,对不同层次的小波系数采用不同的增强算法进行处理,同时,对图像的尺度系数采用多尺度方法进行处理;最后,利用得到的小波系数和尺度系数进行小波逆变换。实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法,同时对光照不足或不均匀的图像具有较好的处理效果。