B超图像处理设计说明书.docx

B超图像处理设计说明书.docx

《B超图像处理设计说明书.docx》由会员分享，可在线阅读，更多相关《B超图像处理设计说明书.docx（17页珍藏版）》请在冰豆网上搜索。

B超图像处理设计说明书

燕山大学

课程设计说明书

题目：

B超图像识别技术研究

学院（系）：

电气工程学院

年级专业：

09医疗仪器

学号：

学生姓名：

指导教师：

孟辉赵勇

教师职称：

讲师讲师

燕山大学课程设计（论文）任务书

院（系）：

电气工程学院基层教学单位：

电气工程系

学号

学生姓名

专业（班级）

医疗仪器与康复工程1班

设计题目

基于MATLAB的B超图像处理技术研究

设

计

参

数

中直滤波：

k1=medfilt2（I2）;

自适应滤波k2=wiener2（I2,[5,5]）

小波降噪法k3=wdencmp（'gbl',I2,'sym4',2,thr,sorh,keepapp）

全局门限值subplot（2,2,3）;

二值化分割阈值：

level=graythresh（I2）

设

计

要

求

熟悉MATLAB软件；

掌握B超图像的图像灰度化、截图、值值滤波、自适应滤波、小波降噪法等程序编写

工

作

量

学习概念基本知识；

编写相应软件；

完成课程设计报告一份。

工

作

计

划

1天：

查资料，确定题目；2天：

编写任务书及审定；3天:

编写及调试程序;4天:

编写说明书；5天答辩。

参考资料

阮秋琦.数字图像处理学[M].北京：

电子工业出版社，2001.

苗凤君.B超图像数据采集及其计算机图像处理技术.中原工学院学报,2002,12

朱晓荣.数字图像处理及其应用研究[D].河海大学，2001年

指导教师签字

孟辉赵勇

基层教学单位主任签字

徐永红

说明：

此表一式四份，学生、指导教师、基层教学单位、系部各一份

目录

1课题背景1

1.1B超图像识别技术研究意义1

1.2图像识别技术研究现状2

2B超图像处理步骤及基本原理2

2.1图像灰度化处理2

2.2截图5

2.3图像去噪6

2.4图像二值化处理9

2.5图像增强11

3总结14

参考文献14

摘要：

数字图像处理的研究目的是将原图像的灰度分布作某种变换，使图像中的某部分信息更加突出，以便其适应于某种特殊的需求。

本文针对B超图像的识别技术作简要阐述，并对图像处理的各部分用MATLAB软件进行编程运行，给出各部分处理后图像。

关键词：

B超图像；图像识别技术；图像预处理

1课题背景

1.1B超图像识别技术研究意义

数字图像处理（DigitalImageProcessing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。

在数字图像处理过程中，输入的是质量低的图像，输出的是改善质量后的图像。

数字图像处理技术研究内容很多，主要包括以下几个方面：

图像变换、图像编码压缩、图像增强和复原、图像分割、图像描述图像识别等。

数字图像处理具有再现性好、处理精度高、适用面广、灵活性高、成本低等优点。

在图像研究领域中图像特征的研究是一重要的研究方向。

人们观察图像时主要通过观察图像纹理、亮度、几何等关键特征，从而来识别理解图像。

实际上通过图像特征的提取匹配不仅用于图像识别，还可以用于图像分割、配准、拼接等各个方面。

对图像特征的研究已经取得了很多研究成果，随着人们探知世界的深入，对图像特征的研究将更加重要。

B超成像的基本原理就是：

向人体发射一组超声波，按一定的方向进行扫描。

根据监测其回声的延迟时间，强弱就可以判断脏器的距离及性质。

经过电子电路和计算机的处理，形成了现在的B超图像。

B超的关键部件就是超声探头（Probe），其内部有一组超声换能器，是由一组具有压电效应的特殊晶体制成。

这种压电晶体具有特殊的性质，就是在晶体特定方向上加上电压，晶体会发生形变，反过来当晶体发生形变时，对应方向上就会产生电压，实现了电信号与超声波的转换。

超声成像技术由于其无损伤、非侵入性、重复性好，且对软组织有较高的灵敏度和分辨率而获得了广泛的应用，但B超图像和CT、X光及核磁共振等其它医学图像相比，具有分辨率差，灰度级别少，灰度分布范围窄，有一定噪声干扰，各组织和器官之间没有明显的灰度变化等不利因素。

而近年来，利用工程方法分析图像的研究取得了明显的效果。

MATLAB是一款强大的图像处理工具，在MATLAB环境中可以方便、快速、有效地实现复杂图像处理算法，既是一种直观、高效的计算机语言，同时又是一个科学计算平台。

它为数据分析和数据可视化、算法和应用程序开发提供了最核心的数学和高级图形工具。

根据它提供的500多个数学和工程函数，工程技术人员和科学工作者可以在它的集成环境中交互或编程以完成各自的计算。

1.2图像识别技术研究现状

图像处理作为一门学科大约形成于20世纪60年代初期。

早期的图像处理的目的是改善图像的质量,它以人为对象,以改善人的视觉效果为目的。

图像处理中,输入的是原始的质量低的图像,输出的是改善质量后的高质量的图像。

从20世纪70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展。

很多国家投入更多的人力、物力到数字图像处理的研究中,并取得了丰硕的成果。

数字图像处理技术的应用领域遍及众多行业、各学科,已经渗透到工业、医疗保健、航空航天、军事等各个领域。

最典型的应用是在军事公安方面的应用。

例如将来自卫星的图像用于军事侦察,以地形匹配实现精确轰炸,用图像处理技术实现动目标跟踪等等。

图像处理技术在公安方面的应用有两个突出的成果,即指纹的查询、识别及人像的组合、查询和识别。

指纹破案和人像破案属于技术型破案,已为许多公安部门所重视。

在普通消费领域,VCD、DVD等基于图像压缩技术的设备也已成为人们的普通娱乐设施。

2B超图像处理步骤及基本原理

本论文以脂肪瘤的B超图像为例，围绕着通过MATLAB图像处理工具箱对该图像的去噪、增强、边缘轮廓提取等多种图像处理的过程及结果进行了比较研究，在验证各种方法的有效性的同时，选取其最优化处理方法；并对针对影像医生非编程人员的特点说明通过MATLAB实现全部处理过程自动实现的方法，方便医生在此基础上自行研究改进处理方法，这对于二维医学数字图像处理的研究有着重要的现实意义。

2.1图像灰度化处理

在进行轮廓提取之前，必须进行预处理。

图像预处理的任务就是抑制噪声，增强细节，改善图像质量，为特征提取等后续处理提供一幅高信噪比的优质图像。

B超图像存在着噪声大，灰阶少，对比度差等不足，而且常出现回声失落等现象，导致轮廓残缺不全，因此，对预处理提出了较高的要求．作者尝试了大量算法，实验表明，针对不同种类的图像，相同算法具有不同的处理效果，而且对相同图像进行预处理的效果，不仅与算法有关，还与处理的顺序密切相关．然而，现有的图像预处理算法大多没有考虑后续处理的要求，针对B超图像处理的效果也很不明显，所以在现有算法的基础上进行改造、创新，经反复的实验分析，找到了较适合于B超图像的预处理方法。

在实际运用中，采用的方法是对原始的B超图像先进行保持边缘的平滑化滤波，再进行直方图均衡化增强，这样能很好地完成图像预处理的任务。

实践证明，该处理方法能为轮廓提取提供一幅好的数字图像。

预处理的第一步就是对图像进行灰度化处理。

2.1.1基本原理与实现方法

将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。

彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255个中值可取，这样一个像素点可以有1600多万（255×255×255）的颜色的变化范围。

而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其中一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。

灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。

在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫做灰度值。

因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。

图像的灰度化处理，一般有以下三种设计方案：

（1）加权平均法

根据重要性及其它指标，将三个分量以不同的权值进行加权平均。

由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，对RGB三分量进行加权平均能得到较合理的灰度图像。

根据重要性及其它指标，将R、G、B三个分量以不同的权值进行加权平均。

由于人眼对绿色的敏感度最高，对蓝色敏感度最低。

因此，我们可以按下式，对RGB三分量进行加权平均能得到较合理的灰度图像。

f（i,j）=0.30R（i,j）+0.59G（i,j）+0.11B（i,j））

（2）平均值法

求出每个像素点的R、G、B三个分量的平均值，然后将彩色图像中的这个平均值赋予给这个像素的三个分量。

将彩色图像中的R、G、B三个分量的亮度求简单的平均值，将得到均值作为灰度值输出而得到灰度图。

其表达式见下式：

f（i,j）=（R（i,j）+G（i,j）+B（i,j））/3

（3）最大值法

将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

将彩色图像中的R、G、B三个分量中亮度的最大值作为灰度图的灰度值。

其表达式见下式：

f（i,j）=max（R（i,j）,G（i,j）,B（i,j））

本论文对原始图像灰度化处理采用的是加权平均法。

2.1.2实现程序及分析

I=imread（'D:

\2.png'）;

figure;

B=imshow（I）;

I1=im2double（I）;%数据转换

I1=rgb2gray（I1）;%灰度转换

imshow（I1）

通过imread（）函数读出图像数据，’’内是图像所存放地址和图像格式；通过figure，imshow（I）显示出彩色图片，把图像数据赋值给变量I，本文运用rgb2gray（）函数实现彩色图像到灰度图像的转换，经数据变换、后赋值给变量I1，imshow（I1）将灰度图片显示出来。

变换后图像如下：

图1原始脂肪瘤B超图像

图2灰度化后的B超图像

2.2截图

截图处理部分所做的工作就是从图像上截取最有用、最感兴趣的部分，为下面的处理做准备。

实现程序及分析

I2=imcrop（I1）;

imshow（I2）

提取目标图像中的任意部分，公式：

imcrop（'图象名',[x起点，y起点，x宽度，y宽度]。

matlab中，用函数imcrop实现对图像的剪切操作。

该操作剪切的是图像中的一个矩形子图，用户可以通过参数指定这个矩形四个顶点的坐标，也可以交互地用鼠标选取这个矩形。

截取后图像如下：

图3截图处理后的图像

2.3图像去噪

现代医学B超图像,其图像在形成过程中由于受到X射线源固有噪声、量子涨落、电子光学系统成像噪声、机械噪声、信道噪声及在成像链中其它组合元件带入噪声的影响,特别是当波长与照射物体表面粗糙度相当时,就会产生斑点噪声,这一现象可以用随机散射模型来解释。

这些噪声的存在可使获得的图像不清晰,尤其是掩盖和降低了图像某些细节信息,为以后的图像识别及病情诊断造成不利的影响.因此,为了抑制这些噪声,改善图像质量,必须对图像进行降噪处理.本部分针对脂肪瘤B超图像分别采用中值滤波、自适应滤波和小波阈值降噪处理这三种方法,对同一图像进行了处理,并对三种方法的效果作了对比。

2.3.1三种降噪方法的原理

2.3.1.1中值滤波法

对受到噪声污染的图像降噪可以采用线性滤波,但多数线性滤波是低通滤波,在去除噪声的同时也使图像的边缘变的模糊,丢失了有用信息,而中值滤波是一种非线性滤波,它可以去除图像中的脉冲噪声和椒盐噪声,同时可以保护图像边缘不被模糊.

中值滤波的基本原理是把数字图像中一点的值用该点的一个领域的各点值的中值代替.其基本技术思路是对窗口内的所有像素灰度进行排序,取排序结果的中值作为原窗口中心点处像素的灰度.它的工作步骤如下:

1）将模板在图中游走,并将模板中心与图中某个像素位置重合;

2）读取模板下各对应像素的灰度值;

3）将这些灰度值从小到大排列成一列;

4）找出这些值里排在中间的一个;

5）将这个中间值赋给对应模板中心位置的像素.

由此可以看出,中值滤波器的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值,从而可以消除孤立的噪声点.

2.3.1.2自适应滤波法

中值滤波法降噪是在整幅图像中应用相同的模板.但是在医学B超图像中,不同区域内图像性质不同,且其叠加的噪声幅度也不尽相同,故应根据图像的局部区域特性自动选择相应的滤波器模板,这种滤波器称为自适应滤波器。

由于在医学B超图像中,在出现边界或其它突变结构时,灰值变化较大,从而其方差较大,而噪声方差较小,同时此时由于为有用信息,故应以保持信号为主.而在灰值均匀分布的区域,其方差主要由噪声决定,而噪声方差较小,故此时应以去噪为主.据此可以设计自适应滤波器.它的技术思路为:

估计每个像素的局部区域的均值和方差

设M2为噪声方差,如果没有给出,则以所有局部区域估计方差的均值替代.则自适应滤波的估计式为

式中:

η为图像中一个M*N像素的矩形局部区域;M,N分别为该邻域像素矩阵的行数和列数;n1,n2为像素坐标;a（n1,n2）为原始图像中（n1,n2）像素的灰度值;b（n1,n2）为图像自适应滤波后（n1,n2）像素的灰度值。

由上面的滤波公式可以看出,那些方差很接近噪声方差的区域将被本局部区域的均值替代（消除了噪声）,而那些方差与噪声方差相似度较小的区域几乎不参加滤波运算（保留有用信息）,具有自适应性。

2.3.1.3小波阈值降噪法

图像的小波阈值降噪法[3]是众多图像去噪方法的佼佼者,它利用图像小波分解后,各个子带图像的不同特性,在小波变换的不同尺度上选取不同的阈值,从而达到较好的去噪效果.其处理方法有两种:

①将小于某一阈值的小波系数以0代替并将大于阈值的值减去阈值作为新的小波系数值,这就是所谓的软阈值;

②直接将小于阈值的小波系数用0代替,而大于阈值的不作处理,就是硬阈值.然后用经过处理后的小波系数重建图像,便得到经过滤除噪声后的图像.

实现步骤为:

1）对原始图像进行小波变换;

2）计算各个高分辨率子带图像的去噪阈值:

3）对小波系数进行阈值去噪,软阈值去噪公式为:

硬阈值去噪公式为:

4）进行小波反变换,得到去噪后的图像.

一般,在小尺度上,采用软阈值方法降噪,这是因为噪声集中在小尺度上,而采用软阈值可以使其收缩,使其在重建图像里所占的比例减小,这样最大限度的减小了噪声的影响.反之,在大尺度上,由于噪声的成分相对较小,所以大于阈值的小波系数可以保留不变,这样图像的特征就不会因为小波压缩而被消弱。

2.3.2实现程序及分析

k1=medfilt2（I2）;%中值滤波

k2=wiener2（I2,[5,5]）;%自适应滤波

subplot（2,2,1）;

imshow（k1）;

title（'中值滤波'）;

subplot（2,2,2）;

imshow（k2）;

title（'自适应滤波'）;

[thr,sorh,keepapp]=ddencmp（'den','wv',I2）;

k3=wdencmp（'gbl',I2,'sym4',2,thr,sorh,keepapp）;%使用小波去噪函数对图像进行去噪，使用sym4小波、全局门限值

subplot（2,2,3）;

imshow（k3）;

title（'小波降噪法'）;

2.3.3三种试验结果比较

首先给出三种实验处理图像

1）中值滤波对脉冲噪声和椒盐噪声有一定的抑制作用,但其也滤掉了一些有用信息,对图像的细节处理不是很好。

2）自适应滤波对高斯噪声和椒盐噪声有很好的抑制作用,且较好的保留了图像中的有用信息,其效果要好于中值滤波。

3）小波降噪法对高斯噪声和椒盐噪声也有很好的抑制作用,且因为其在不同的尺度水平上采用不同的阈值进行降噪处理,因此其效果更好,图像更清晰。

总之,通过实验结果,对医学B超图像降噪处理的3种方法做比较,得出小波降噪法和自适应滤波法降噪效果都很好,而且小波更优越一点,但是用小波降噪要选择合适的小波以及尺度水平。

2.4图像二值化处理

2.4.1二值化基本原理

图像的二值化处理就是讲图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。

即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。

在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。

为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。

所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。

如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。

如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。

动态调节阀r值实现图像的二值化可动态观察其分割图像的具体结果。

2.4.2实现程序及分析

level=graythresh（I2）;%利用大津法求分割阈值

c=im2bw（I2,level）;%利用大津法求得的阈值进行图像二值化

subplot（2,2,1）;

imshow（c）;

title（'截图后二值化'）;

level=graythresh（k1）;

c=im2bw（k1,level）;

subplot（2,2,2）;

imshow（c）;

title（'中值滤波图像二值化'）;

level=graythresh（k2）;

c=im2bw（k2,level）;

subplot（2,2,3）;

imshow（c）;

title（'自适应滤波图像二值化'）;

level=graythresh（k3）;

c=im2bw（k3,level）;

subplot（2,2,4）;

imshow（c）;

title（'小波降噪图像二值化'）;

程序中先用graythresh计算阈值，然后调用im2bw（i,阈值），要自己定阈值就用im2bw（A,level）,这里level在（0,1）之间，处理后对比图像如下图：

2.5图像增强

在图像的产生、传输和变换过程中，由干多种因素的影响，往往使图像与原始景物之间或者与原始图像之间产生某些差异。

这中差异称为变劣或退化。

图像的变劣使从图像中获取各种信息造成困难和不便。

因此，有必要对变劣的日像进行恰当的处理，使处理后的图像更适合于入眼观察或有利用干从图像提取信息。

这种处理称为图像增强处理。

图像增强处理的过程是一个选择、对比的过程，通过运用多种增强处理，观察效果。

从中选出最适合的处理方法。

从处理手段来讲，图像增强处理可分为空域法和频域法两种。

主要内容包括；直方图修改处理，图象平滑．图象锐化等。

图像增强可分成两大类：

频率域法和空间域法。

前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。

采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。

具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。

本章将重点介绍直方图的图象处理。

灰度直方图（histogram）是灰度级的函数，它表示图像中具有每种灰度级的象素的个数，反映图像中每种灰度出现的频率。

设变量r代表图像中像素灰度级。

在图像中，像素的灰度级可作归一化处理，这样，r的值将限定在下述范围之内：

0≤r≤1。

在灰度级中，r=0代表黑，r=1代表白。

对于一幅给定的图像来说，每一个像素取得[0，1]区间内的灰度级是随即的，也就是说r是一个随即变量。

假定对每一瞬间它们是连续的随即变量，那么，就可以用概率密度函数

来表示原始图像的灰度分布。

如果用直角坐标系的横轴代表灰度级r，用纵轴代表灰度级的概率密度函数

，这样就可以针对一幅图像在这个坐标系中作一条曲线来。

这条曲线在概率论中就是分布密度曲线（见图6）

（a）（）

图6图像灰度分布概率密度函数

从图像灰度级的分布可以看出一幅图像的灰度分布特性。

例如上图中的两个灰度密度分布函数中可以看出：

（a）的大多数像素灰度值取在较暗的区域，所以这幅图像较暗，一般在摄影过程中暴光过强就会造成这种后果；而（b）图像的像素灰度值集中在亮区，因此，图像（b）的特性将偏亮，一般在摄影中暴光太脆弱将导致这种结果。

当然，从两幅图像的分布来看图像的质量均不理想。

2.5.1直方图均衡化

直方图均衡化是图象增强中点运算的一种最常用的直方图修正法。

其实质是减少图像的灰度等级以换取对比度的扩大。

他把给定图像的直方图分布改造成均匀直方图分布，其本质是扩大了量化间隔，减少量化级别。

因此，会出现这样的效果，原来灰度不同的象素经处理后可能变为相同，形成了一片相同灰度的区域；各区域之间有明显的边界，出现伪轮廓，图像的对比度增加。

但是由于在均衡化过程中，原直方图上频数较少的灰度级被并入少数几个或一个灰度级，对应的图像部分将得不到增强。

直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。

实现程序及分析：

%直方图均衡化

I3=histeq（I2）;

subplot（2,2,1）,imshow（I2）;

title（'原始B超图象'）;

subplot（2,2,2）,imshow（I3）;

title（'直方图均衡化后的B超图象'）;

subplot（2,2,3）,imhist（I2,64）;

title（'原始图象直方图'）;

subplot（2,2,4）,imhist（I3,64）;

title（'均衡化后直方