研究背景一随着计算机技术及数字技术的迅猛发展,直接数字化x射线摄影(Direct Digital Radiography, DR)己成为现代医疗诊断领域中一种先进的医学成像技术。DR系统的成像原理是：在具有图像处理功能的计算机控制下,利用一维或二维的平板探测器将X射线信息转换成电子信号,再进行数字化。从外部看,DR成像的整个过程都是在平板探测器内完成的,因此叫做直接数字化X射线摄影。与传统X射线成像和CR系统相比,DR系统不需要诸如胶片、荧光屏、P等影像载体作为中间介质,在成像过程中提高了X射线的转换效率,减少了成像过程中可能带来的一些噪声干扰等,降低了辐射剂量,成像质量大大提高了。此外,DR系统还具有摄影速度快、图像分辨率高、图像处理功能强、获取信息多、图像保存方便等优点。另外,数字摄影无需胶片和洗片机,能够节省更多的人力、场地等,减少了开支,能够创造更多的经济效益。从DR设备获取的原始图像,由于在成像过程中受到如尖锐噪声、曝光量不当、人体组织太厚、分布不均匀等因素的干扰,导致原始图像存在细节信息被淹没,对比度降低,.细节丰富但湮没不可分辨等缺陷。质量下降的图像容易造成医生的漏诊和误诊,严重影响了DR成像的发展和应用。因此,需要对其进行后处理,而图像增强技术就是DR图像后处理过程中最重要的步骤之一。与此同时,原始DR图像的动态范围很宽,尽管动态范围越大,能表现的层次越丰富,但是大部分常规显示设备只适用于输出小动态范围图像,不能对高动态范围的图片进行显示,人们需要通过影像工作站进行动态调节(如窗宽／窗位的调节)来观察不同组织部位的信息。尤其是近年来,DR设备作为医疗领域不可或缺的影像设备,DR图像增强技术,一直是医学图像处理领域中研究的重要内容。研究方法一国内外现有的DR图像增强方法主要有单一尺度增强方法和多尺度分析增强方法。单一尺度的增强方法主要包括空域增强和频域增强两大类,如灰度变换法、直方图均衡化、局部对比度扩展、自适应直方图均衡化、反锐化掩膜、高频提升滤波法等。多尺度分析增强方法如小波分析法、金字塔多尺度图像增强算法、拉普拉斯金字塔增强方法等。其次还有基于人类视觉特性的增强方法、基于混合优化算法的增强方法等等。这些增强方法都能在一定程度上增强图像的对比度,提高图像的细节信息,但是也存在一些缺陷,如在边缘处引入光晕伪影、放大噪声、模糊细节以及算法运行速度慢等缺点。针对原始DR图像细节淹没、动态范围宽的问题,本论文提出了一种基于加权红-黑小波(weighted red-black wavelets,WRB)变换的增强方法。具有多分辨率分析的经典小波变换能将图像分解到各个子频带上,由于其子带变换系数具有良好的操作性,在图像增强领域得到了长期的发展。但是,经典小波变换属于时频域分析方法,与傅里叶变换一样,虽然存在快速计算方法,仍存在计算量大、存储空间消耗大以及浮点计算的缺点。第二代小波变换(也叫提升小波变换),相比于第一代小波变换,不再依赖于傅里叶变换,但继承了第一代小波多分辨率分析的特征,采用原位运算,计算速度快,无需占用额外存储空间,且对图像的尺寸没有限制。在此基础上,Geert Uytterhoeven提出了基于二维提升方案来构造的不可分离小波—红-黑小波(red-black wavelet, RBW)。该小波由水平／垂直提升和对角提升两个完整的提升小波变换步骤组成,每一个提升小波变换都是由分裂、预测、更新三个步骤组成。本论文在红-黑小波的基础上进行了一定改进,提出了一种新的加权红-黑小波变换,并将其应用到DR图像增强中。经典红-黑小波变换选择的是线性的预测算子和更新算子,但是大部分图像中都包含有不连续的区域(如边缘),在边缘附近的像素灰度值差别很大,利用线性插值公式不能很好地进行预测和更新,应基于图像的局部特征来选择预测算子和更新算子,从而使得预测算子和更新算子与图像数据是相关的。本论文在提升的过程中根据被预测像素与其邻域像素之间的相似性来定义预测算子,并且定义一个预测权重,将该权重加到预测和更新过程中。本论文的DR图像增强方法的基本步骤是：首先对原始DR图像进行对数变换,然后对变换后的图像利用WRB进行分解,得到各层的系数。再通过设计一个分段非线性子带系数操作函数,分别对各层系数进行处理,最后利用WRB反变换和处理过的子带系数重构出增强后的图像。在这个过程中,最重要的步骤是系数操作过程。图像增强的原理就是对各层系数进行操作的过程。要增大含细节信息部分的系数,减小其它部分的系数,系数操作函数可以采用幂函数、对数函数、开方函数等。虽然这些函数可以对细节进行增强,但是在原点附近的斜率非常大,导致很小的系数会被过度放大,而在这部分系数中可能包含大量噪声的信息。这样,在细节增强的同时,噪声也可能被放大。因此,本论文设计一个分段系数操作函数来避免过度放大原点附近系数的问题,同样可以达到小的系数被放大,大的系数被减弱的目的,从而增强图像细节、压缩图像的动态范围。实验过程和结果—实验过程选取了不同部位的人体真实的原始DR图像作为实验数据,在MATLAB环境下进行编程实现。系数操作函数的参数的不同对增强效果影响明显,其中的参数设定为：αj=max(1.5-(j-1)*0.1),j=1,2,…,J xf=0.004,ε=0.002。其中,已经对分解后的各层系数做了归一化处理。本论文对参数β分别取0.7、0.8、0.9、1.0进行实验,从得到的结果图上可以看出随着β的增大图像细节越来越少,但β过小,细节放大的同时噪声也相应的放大了。综合考虑,β取值为0.8左右较为合适。在上述参数相同的情况下,再设计一组实验分别利用幂函数和本论文设计的分段函数进行系数操作。从结果图上可以看到用幂函数作为系数操作函数时,虽然能增强图像的对比度和细节,但是噪声也被放大了；而用本论文设计的分段非线性函数进行处理,可以很好地抑制噪声得到较好的增强效果。图像增强效果的评价主要是从视觉效果和定量指标两方面进行评价的。在此基础上做了两组实验,并分别与较为常用的增强方法,如空域增强法中的直方图均衡化、频域增强法中的高频提升滤波法、多尺度增强方法中的拉普拉斯金字塔增强法以及传统的红-黑小波变换法进行比较。视觉效果上,直方图均衡化方法使得增强后的图像的一些细节显示出来了,但是大部分细节丢失严重,有“洗白”现象发生,无法清晰看到脊柱形态和肺部纹理细节；高频提升滤波法的结果图虽然在整体的对比度上有了一定的提升,但是整个图像偏暗,细节不够突出,伪影严重。利用拉普拉斯金字塔法进行增强的结果效果较好；传统的红-黑小波变换法虽然能达到增强的效果,但是在边缘处很明显出现了光晕伪影；本论文算法增强后的图像的细节信息如肺部纹理信息、脊柱部位的信息都得到明显增强,尤其是在边缘处,无光晕伪影的产生,图像对比度较高。定量评价上,用信息熵、交叉熵和算法运行时间来进行评价,用本论文算法增强后得到的图像的信息熵比其它方法都高,交叉熵比其他方法低,说明本论文算法较优；其次,本论文方法在MATLAB上平均处理一幅图像的运行时间约为0.6秒,相比其它增强算法具有很明显的优势。研究结论—DR图像增强在实际应用中有重要的理论意义和应用价值。本论文采用的基于加权红-黑小波变换的DR图像增强方法能够很好的增强图像的细节信息,压缩图像的动态范围,抑制噪声的增强和光晕伪影的产生。且该算法的速度较快,基本能满足临床需求。本论文设计的增强方法是针对整幅图像的,针对医生所需要特别关注的部位进行局部化增强也非常重要；同时可以进一步寻找更优化的增强方法,例如与其它增强方法比如直方图均衡化法、数学形态法、滤波法等结合起来完成增强处理；由于临床应用对实时性处理要求较高,因此还可以寻求一些加速算法,比如用CUDA对算法进行加速,提高图像增强算法的速度。这些问题都需要在今后的工作中进一步研究。