医学图像处理实验报告Word文档格式.docx
《医学图像处理实验报告Word文档格式.docx》由会员分享,可在线阅读,更多相关《医学图像处理实验报告Word文档格式.docx(14页珍藏版)》请在冰点文库上搜索。
(1)直方图均衡化
直方图是图像的最基本的统计特征,它反映的是图像的灰度值的分布情况。
直方图均衡化的目的是使图像在整个灰度值动态变化范围内的分布均匀化,改善图像的亮度分布状态,增强图像的视觉效果。
灰度直方图是图像预处理中涉及最广泛的基本概念之一。
图像的直方图事实上就是图像的亮度分布的概率密度函数,是一幅图像的所有象素集合的最基本的统计规律。
直方图反映了图像的明暗分布规律,可以通过图像变换进行直方图调整,获得较好的视觉效果。
直方图均衡化是指:
采用累积分布函数(CDF)变化生成一幅图像,该图像的灰度级较为均衡化,且覆盖了整个范围[0,1],均衡化处理的结果是一幅扩展了动态范围的图像。
直方图均衡化就是通过灰度变换将一幅图像转换为另一幅具有均衡直方图,即在每个灰度级上都具有相同的象素点数的过程。
主要用途是:
将一幅灰度分布集中在较窄区间,细节不够清晰的图像,修正后使图像的灰度间距增大或灰度分布均匀,令图像的细节清晰,达到图像增强的目的。
(2)中值滤波加直方图均衡化
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。
方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。
二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中,f(x,y),g(x,y)分别为原始图像和处理后图像。
W为二维模板,通常为3*3,5*5区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。
(3)直方图均衡化加维纳滤波
维纳滤波也称为最小均方误差滤波器,或最小二乘方误差滤波器。
它是建立在人为图像和噪声是随机过程的基础上,而目标是找一个未污染图像f的估计值
,使它们之间的均方误差最小。
误差度量由下式给出:
其中,
是参数的期望值。
这里假设噪声和图像不相关,其中一个或另一个有零均值,且估计中的灰度级是退化图像中灰度级的线性函数。
基于这些条件,误差函数的最小值在频率域中由如下表达式给出:
式中,
为退化函数,
为其复共轭,
为噪声的功率谱,
为未退化图像的功率谱。
2、Brain_CT
(1)均衡化加巴特沃斯低通滤波
截止频率位于距原点
处的n阶巴特沃斯低通滤波器的传递函数定义为:
巴特沃斯低通滤波器传递函数并没有在通过频率和滤除频率之间给出明显截止的尖锐的不连续性。
对于具有平滑传递函数的滤波器,可在这样一点上定义截止频率,即使得H(u,v)下降为其最大值的某个百分比的点,在上式中,截止频率点是当
的点(即H(u,v)从其最大值1下降为50%)。
(2)空域线性平滑滤波
平滑线性空间滤波器的输出(响应)是包含在滤波器模版邻域内的像素的简单平均值,这些滤波器也称为均值滤波器。
它使用滤波器模版确定的邻域内像素的平均灰度值代替图像中每个像素的值,这种处理的结果降低了图像灰度的“尖锐”变化。
即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度值g(x,y),即
,m为该模板中包含当前像素在内的像素总个数。
(3)高斯滤波
高斯滤波器的二维形式为:
,D(u,v)是距频率矩形中心的距离。
是关于中心的扩展度的度量。
通过令
,该滤波器可表示为:
是截止频率。
当
时,H下降到其最大值的0.607处。
3、BreastCancer_a
(1)同态滤波
同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法,它依靠图像的照度/反射率模型作为频域处理的基础,利用压缩亮度范围和增强对比度来改善图像的质量。
使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性,避免了直接对图像进行傅立叶变换处理的失真。
同态滤波的基本原理是:
将像元灰度值看作是照度和反射率两个组份的产物。
由于照度相对变化很小,可以看作是图像的低频成份,而反射率则是高频成份。
通过分别处理照度和反射率对像元灰度值的影响,达到揭示阴影区细节特征的目的。
同态滤波处理的基本流程如下:
f(x,y)---->
Log---->
DFT---->
频域滤波---->
IDFT---->
Exp---->
g(x,y)
其中f(x,y)表示原始图像;
g(x,y)表示处理后的图像;
Log代表对数运算;
DFT代表傅立叶变换(实际操作中运用快速傅立叶变换FFT);
IDFT代表傅立叶逆变换(实际操作中运用快速傅立叶逆变换IFFT);
Exp代表指数运算。
(2)四八领域均值滤波
均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。
(3)巴特沃斯高通滤波
截止频率为
的n阶巴特沃斯高通滤波器定义为:
。
与巴特沃斯低通滤波器一样,高通滤波器更平滑。
四、实验步骤
a、打开计算机,启动MATLAB程序;
程序组中“work”文件夹中应有待处理的图像文件;
b、调入“实验一”中获取的数字图像,并进行计算机均衡化处理;
c、显示原图像和经过均衡化处理过的图像;
d、记录和整理实验报告。
a、将模板在图中漫游,并将模板中心与图中某个像素位置重合;
b、读取模板下各对应像素的灰度值;
c、将这些灰度值从小到大排成1列;
d、找出这些值中排在中间的1个;
e、将这个中间值赋给对应模板中心位置的像素;
f、中值滤波之后的像素值进行直方图均衡化处理;
g、显示原图像和处理后的图像,
h、记录和整理实验报告。
a、读取图像;
b、对数字图像进行直方图均衡化处理;
c、选择滤波器窗口为5*5,对均衡化后的图像进行二维自适应维纳滤波;
d、对滤波之后的图像进行灰度变换;
e、显示原图像和处理后的图像。
c、将图像矩阵转换成double型,对数字图像进行二维傅里叶变换并进行fftshift调整;
d、设计二阶巴特沃斯低通滤波器;
e、频域滤波后,进行傅里叶反变换转换到空域;
f、将数据转换成uint8型,并显示原图像和处理后的图像。
a、读入图像;
c、利用预定义函数fspecial
命令产生平均(average)滤波器
d、分别对其进行10*10、5*5、2*2的均值滤波;
e、显示原图像和选用不同大小模版处理后的图像。
c、选择高斯滤波参数(标准差)sigma为1.6;
d、选择滤波器尺寸为5*5;
e、创建高斯滤波器进行滤波;
f、显示原图像和处理后的图像。
c、转换图像矩阵为双精度型;
d、取对数;
e、对其做傅里叶变换;
f、选择参数,截止频率为10,锐化系数为2,
=1.5,
=2.0;
g、进行高斯同态滤波;
h、滤波之后进行傅里叶逆变换;
i、显示原图像和处理后的图像。
b、转换图像矩阵为双精度型;
c、创建4邻域平均滤波模版[010;
101;
010];
创建8邻域平均滤波模版[111;
111];
d、进行滤波;
e、显示原图像和处理后图像。
d、设计十阶巴特沃斯低通滤波器;
五、实验结果和分析
实验结果:
由图得:
直方图均衡化后,图像对比度增强,血管更加清晰。
3*3中值滤波效果不明显,5*5和7*7滤波之后对比度增加,但是上方亮区过亮,是的上方血管分辨不清,同时中值滤波之后,细节(即图中较细的血管)变得难以分辨。
经过均衡化维纳滤波之后,图像的对比度增强,但上方亮区极度增强,几乎已经难以分辨该区域血管的存在,但细节观察由于中值滤波。
综上:
单纯的直方图均衡化能够对该血管图更好的增加对比度且对于细节的展示得以增强,同时对于上方亮区的血管的分辨影响不大。
表明该图中,不存在太多噪声干扰,仅均衡化增加其对比度即有明显效果。
巴特沃斯低通滤波处理后与清晰的原图像相比,变得更平滑、更柔和。
空域线性平滑滤波会模糊一副图像,能使得较小物体的灰度与背景混合起来,较大物体变得像“斑点”易于检测。
同时,模版尺寸m越大,模糊效果越明显。
高斯低通滤波后,图像同样变得模糊,较大物体得以更好表现。
低通滤波后,能使得图像模糊,看上去更平滑、更柔和,较小物体得以与背景融合,较大物体更易于检查。
直方图均衡化后,对比度明显增加;
同态滤波后,图像中暗区更暗,使得肿瘤更为清晰,可以见到更多的细节。
邻域均值滤波后,图像变模糊,细节不易观察。
巴特沃斯高通滤波后,图像失去了它的灰度色调,因为直流项已被减小为0。
结果是原图像中暗色调为主流被亮色调为主流所代替,同时,由于高频的保留,肿瘤的边缘更加清晰。
对于该肿瘤图像,选择高通滤波器较好,同态滤波能看到更多细节,而巴特沃斯高通滤波使得图像变亮且边界更明显。
六、实验心得
通过这次对数字图像处理之数字图像的增强的实践,让我们这些本来对matlab不太懂的人学会了用matlab对图像进行初步的处理,这是一个很大的进步。
在实践中我们这个小团队遇到了很多的困难,一开始拿到这个题目真的很崩溃,不知道从何下手,但是通过上网找相关的资料,问老师、同学了解了数字图像增强是干什么,知道了数字图像的目的在于改善图像的显示质量,以利于信息的提取与识别。
从方法上说,则是设法摒弃一些认为不必要或干扰的信息,而将所需要的信息得以突现出来,以利于分析判读或进一步处理;
与此同时,我们也了解到了适用于数字图像增强的方法:
空间域增强、频率域增强;
答题方法有:
对比度增强、线性变换、直方图增强、幂次变换、线性对比度、对数对比度、线性滤波、中值滤波、自适应滤波、同态滤波等等。
因此,知道了这些方法后,通过查找相关资料,我们把每一个方法的代码都打了出来,最终通过比较各个代码对图像的处理,比较最终的效果图,最终还是选择了直方图均衡化、同态滤波、巴特沃斯滤波、高斯滤波、邻域滤波、中值滤波等方法,我们这次实验的主要目的是可以突出我们想要突显的内容,所以通过这些方法,最终我们是达到了这个效果,感到很兴奋、激动。
总之,这次实验让我们真的学到了很多知识,而且我想这些知识一定会对我们未来的学习起到很大的帮助,同时也让我们体会到了,只要我们想做一件事,用心去做,并且付出努力,那么我们就一定能做到,这实验也给了我们很大的鼓舞。
七、实验源程序