[医学]第6章 医学图像基础.ppt

第二节 图像插值技术 图像平滑区包含灰度较接近，粗糙区的灰度变化较大，所以用区域直方图的统计矩描述最好。 一个图像区域有K个灰度等级，灰度均值是u,直方图h(k)，则直方图均值的n阶矩定义为 二阶矩描述图像的视觉粗糙程度相对易于计算。三阶矩反映直方图的不对称性。四阶矩反映直方图的均匀性。 灰度共生矩阵 图像中相距 的两个灰度像素对同时出现的联合频率数可用一个灰度共生矩阵表示。 图像有K个灰度等级，则灰度共生矩阵大小为K*K。 灰度共生矩阵 对更一般的情况，设图象尺寸是M行N列。4个主要方向像素对总数P的值为 归一化灰度共生矩阵元素定义为 基于归一化灰度共生矩阵可以定义一系列的纹理测度。 6.3.2 纹理量化 1 2 3 2 2 0 2 3 2 1 1 2 2 2 0 1 2 3 2 1 0 2 3 2 1 1 2 3 2 1 2 1 3 2 0 1 4 1 0 0 0 9 2 0 0 1 2 3 0 0 3 0 其灰度共生矩阵 为 灰度共生矩阵反映了图像灰度关于方向、相邻间隔及幅度变化的综合信息。从它出发，可以进一步提取描述图像纹理的一系列特征。 断层层片图像间插值 然而线性插值的结果却是如图（d）的两个嵌套的灰度介于黑白之间的椭圆。要想得到如图（c）的结果，应当采用层片间的形态插值。 实际应用中，如果MR扫描图像层片较少，层间距又较大，要想重构内部组织的三维图像用线性插值是不行的。即使用形态插值也会有很大的失真。这一点必须清楚地了解。 样例1：图像插值 1、对图像进行下采样 采样方法如下图所示：红色的圆点表示原图中被采样的像素，其余点被舍弃。 MRI图像 222*222 74*74 原始图像和采样后图像 下采样局部放大 差值得到的最后结果可能会有负数出现，因此要先将负数变为其绝对值，再作图。差值图背景区应为黑底，差值为白色，为了让图像清晰容易识别，用255减去了原来的差值图，得到白底的差值图。 对图像进行三种不同的插值处理，并与原图像进行比较 从上面的结果可以看到，最近邻插值所获得图像质量最差，呈马赛克状；双线性插值获得的图像质量比最近邻插值图像要好；而三次多项式插值获得的图像质量最好，它与原始图像的差值最小。 根据图像T1043和T1077线性插值计算图像T1060， 并与真实图像T1060进行比较 T1043 T1077 T1060 中间位置图像为T1077与T1043线性插值后的图像，右图为插值后的图像与T1060原始图像的差值图像。通过差值图像能够看出，通过两个距离较远的断层直接进行线性插值获得的图像与原始图像差距较大。上下两层相差太远，形态结构有较大变化，适合用形态插值。 6.3 图像形状和纹理量化 形状和纹理是医学图像中最有代表性和诊断启示意义的两种视觉信息。 本节介绍适合临床应用与科学研究的一些常用形状和纹理概念和量化方法。 草编、树皮、光线形和土壤 6.3 图像形状和纹理量化 对分割图像进行形状量化的三种不同方法： 区域致密度与空间矩（Compactness and spatial moments）：对一个闭合区域内全部像素进行几何与统计计算。 径向距离测度、链码、Fourier描述子：仅对边界像素做几何、统计或谱计算得到编码或表示闭合轮廓的机制。 基于骨架的量化方法：当感性趣的结构被拉长或展宽，重要的形状信息包含在中线之中，可以用细化（Thinning）算法提取中线。基于骨架化表示可以得到量化的形状测度，例如长度、角度、曲率或方向等。 纹理测度 对医学图像的检验通常要对组织的外观做解释，例如平滑、粒度、规则性、均匀性等。这些属性都与图像的局部灰度变化有关，可以用纹理(Texture)测度量化： 统计矩：可以直接从图像的灰度直方图计算。 共生矩阵（Co-occurrence matrix）：从2D直方图计算，可以保留空间信息。 谱测度：由图像的Fourier变换得到，特别是当图像有重复的模式时。 分型维（Fractal dimension）：适合多尺度分析。 行程（Run-length）统计：适合分析图像中具有相同数值的像素组成的线性条块。 纹理可以是某一个选定的局部区域，也可以是整幅图像的特性。 区域致密度给出一个物体接近最平滑的形状（圆）的定量描述，这是一个无量纲的测度。由于离散数字化误差，实际的圆的C的值比理想的圆的C值稍大些。例如图(a)中的圆的C=13.6。随着图形的复杂程度增加，C值也增加。但也并非总是如此。图(c)中的长形椭圆从视觉上看性质并不复杂，但C=27.6，远比（b）中图形的C值大。所以使用区域致密度这个形状测度主要是因为计算简单，而且在一定限度内