X光图像增强

冷不防 2021-12-22 02:11 207阅读 0赞

X光拍摄出的原始图像，一般都比较模糊不清，而在医学应用上，这些被模糊的细节又非常有用，因此，X光图像的增强一直是人们研究的重点。下面，给大家介绍一种非常有用的增强方法：Gauss Laplacian Pyramid算法

关于该方法，已有不少文献对其进行了介绍和阐述，但一般都比较晦涩难懂，本人做了一个比较清晰的实现步骤，以此供大家参考。而关于分解的细节图像如何进行增强（后文会提到），不是本文介绍的重点，在这只做些基础介绍，有更高要求的朋友，可以去查查专业文献来实现。

先上图，看下效果：

![2012081518503079.jpg][] ![2012081518523157.jpg][]

原始图像

![2012081518503873.jpg][] ![增强效果][2012081518524027.jpg]

增强效果

实现步骤：

**一： 图像分解：**

1.  输入原始图像I，大小为m\*n。因为该算法是金字塔分解，我们设图像尺寸为m\*n时为第一层；
2.  对I进行5\*5的高斯滤波，得到结果为F；
3.  对F进行下采用，具体操作是将F隔行和隔列采集，得到图像R,大小为m/2\*n/2；
4.  对图像R进行5\*5的高斯滤波，并将图像插值放大尺寸至m\*n，得到图像E；
5.  图像I减去图像E，得到细节图像D，大小为m\*n。这里需要对细节图像进行增强处理，以使得后面重建的图像为一增强图像；
6.  将第三步的下采样图像R赋值到第一步中的I，m更新为m/2，n更新为n/2，然后在顺序执行1~6，直到F图像尺寸为1\*1。

## 二 重建部分 ##

1.  设分解的最后一层（设为k层）的下采样图像R尺寸为m\*n，将R进行高斯滤波并上采样得到图像E，尺寸变为2\*m \* 2\*n，设2\*m = M，2\*n = N；
2.  将E和分解的第k-1层的细节图像D（因为是第k-1层，所以其大小也为2\*m \* 2\*n）相加，得到2\*m \* 2\*n的增强图像En;
3.  将En赋值到第一步的R，然后顺序执行1~2，并将m更新为M，n更新为N。直至加到第一层的细节图像，得到最终的重建图像。

需要注意的是，如果我们按照以上的分解和重建步骤来做，不对分解过程中的细节图像做增强，那么重建后的图像和原始输入图像应该是完全一样的。

## 三　细节图像增强方法　　 ##

细节图像增强方法主要分为两部分，一个是针对分解过程中每一层的细节图像特点，给予不同的增益权重。另外，针对细节图像特点，要保证其在最终的重建图像不失真要求，本人采用了指数函数对其增强：

![2012081519083311.jpg][]

参数a就是根据不同层设置不同的增益权重，下图显示的就是不同参数p的不同增强效果。

![2012081519095223.jpg][]

在图像分解过程中发现，一般在第四层是个分水岭，前三层图像细节较小，后面开始细节相对来说比较明显，因此可以对前三层图像乘以一个较大的系数，而对后面几层乘以一个相对小一点的系数。

关于细节图像的增强，相关文献中有很多更详细的解释，在此不一一介绍了。另外，大家还可以通过Gauss卷积后的图像做下光照调整，可以使得最终的重建效果更加完美。

转载于:https://www.cnblogs.com/ImageVision/archive/2012/08/15/2640679.html

[2012081518503079.jpg]: https://pic002.cnblogs.com/images/2012/383933/2012081518503079.jpg
[2012081518523157.jpg]: /images/20211220/03818aee7fd44ff8b2513d95807b4996.png
[2012081518503873.jpg]: https://pic002.cnblogs.com/images/2012/383933/2012081518503873.jpg
[2012081518524027.jpg]: https://pic002.cnblogs.com/images/2012/383933/2012081518524027.jpg
[2012081519083311.jpg]: /images/20211220/5e88ee051cb949b3be9ac724a0bf15b5.png
[2012081519095223.jpg]: /images/20211220/0db787df0a494780add250f26bd0ea74.png