论文部分内容阅读
由于医学影像本质上具有模糊性、不均匀性和易受噪声污染等特点,如何对所获得的医学影像进行后处理,得到更有诊疗价值的信息就变得尤为重要。本文研究了一种新的时频分析方法——经验模式分解方法,并将其用于医学图像的后处理当中。经验模式分解(Empirical Mode Decomposition,EMD)方法是Huang等人提出的一种新的信号处理方法,在非平稳信号分析方面有良好的性能,是完全由数据驱动,且具有多尺度特性。由于EMD方法对一维信号处理的良好效果,国内外学者将其推广到二维,提出了二维经验模式分解(Bidimensional Empirical Mode Decomposition,BEMD)方法并应用于二维信号处理。由于二维信号的复杂性,BEMD方法还存在许多问题有待改进。本文在深入研究已有BEMD方法的基础上,针对相关问题给出了相应的改进方案,提出了改进的BEMD方法,并将其用于医学图像的去噪和分割的研究。针对MRI医学图像信噪比低的特点,本文提出了两种基于BEMD方法的医学图像去噪:一种是基于固有模态函数加权阈值的医学图像去噪。该方法主要考虑到图像经过BEMD分解后,其高中频成分是噪声信息的主要分布层,所以采用固有模态函数加权阈值对其实现去噪。另一种是基于BEMD和小波阈值的医学图像去噪,该方法主要是考虑结合小波阈值的方法对各固有模态函数的高中频成分进行去噪处理,最后重构原图像来达到去噪的效果。针对MRI医学图像的组织结构特点,本文提出了一种基于BEMD和灰度共生矩阵的医学图像分割方法。考虑到医学图像分割过程中的数据的光滑性对分割质量的影响,在构造改进的BEMD方法中,采用了由共轭梯度法优化的CSRBF插值方法来构造包络。通过改进的BEMD方法分解图像,得到由高频到低频分布的固有模态函数。然后采用灰度共生矩阵的方法来提取像素特征,并运用核函数优化的聚类方法对得到的特征向量集进行聚类分析,得到医学图像的粗分割结果,最后进行细分割,从而实现该方法在医学图像分割中的有效应用。