骨发育成熟度(骨龄)自动评判技术的出现得益于现代图像处理技术和模式识别技术的发展.骨龄指标在预防医学、临床医学和体育科学等领域得到广泛的应用,并且日益受到关注.由于准确性和客观性的要求,世界各国均大力发展本国的骨龄自动评判系统,近年来更是取得了长足的进步,得到了大量喜人的技术突破.骨龄识别大致可以分为四个阶段:手骨图像的预处理、图像的增强、图像特征的提取和图像特征匹配.要该文中,我们有针对性的对骨龄评价的前两个阶段进行了算法研究,提出了自己的研究观点,并且致力开发出骨龄评判的自动评价系统.该文针对骨龄系统的图像增强环节进行了初步的探索性研究,涉及了许多图像处理的基本问题,包括图像的滤波、图像的增强、图像的傅里叶变换、图像的Radon变换、图像的小波变换和图像的Curvelet变换等.在该文中,主要的工作和贡献有:1.提出并实现了一个基于频域滤波的同态滤波器.在实现过程中,我们综合了频域低通滤波器和频域高通滤波器的特点,对同态滤波器进行了改进,并且从"振铃效应"、"图像模糊程度"和"噪声平滑效果"这三个方面与其他的经典滤波器进行了比较,取得了较好的效果.2.针对图像的特点,我们通过分析选择使用了Curvelet的方法进行图像增强.首先,我们分析了原来Radon离散算法的一些不足,它会由于采样的不足导致图像重建以后在某些边缘出现"环绕现象".对此,我们提出了改进方法,即首先对其进行图像沿展,再进行计算,最后在重建之后的图像中进行截取,得到所需图像.3.改进了原来的修改Curvelet系数的算法.对于原来的修改Curvelet系数的算法,由于其固有原理的原因,使得有些信号被误判为噪声而被抹去.我们在这里引入"关联系数",通过关联系数和原算法相结合的方法共同修改和选取Curvelet系数,并最后根据这些系数进行重建,改进的方法对于细节的描述和表达比原算法有了一定的高.4.根据以后分割的需要和进行特征匹配的需要,对图像进行后处理,例如姿态调整和手腕部截取等.总得说来,该文在针对手骨图像的图像增强环节进行了有益的探索.