Contourlet變換在紋理圖像檢索和醫(yī)學(xué)圖像分割中的應(yīng)用研究.pdf

1、在圖像處理領(lǐng)域，圖像的稀疏表示有著重要的理論和應(yīng)用意義。通常，傅立葉變換和小波變換不能最稀疏地表示圖像。為了解決此問(wèn)題，多尺度幾何分析（Multiscale Geometric Analysis，MGA）方法被提出，并迅速而廣泛地被用于數(shù)學(xué)分析、圖像處理、計(jì)算機(jī)視覺(jué)、模式識(shí)別和統(tǒng)計(jì)分析等不同的領(lǐng)域。然而，像Ridgelet變換和Curvelet變換等典型的在連續(xù)域定義的多尺度幾何分析方法都存在著在離散域難以有效實(shí)現(xiàn)的問(wèn)題。為此，一種“真

2、正的”并具有金字塔方向?yàn)V波器組結(jié)構(gòu)的圖像最優(yōu)表示方法--Contourlet變換被提出。 Contourlet變換是在離散域用濾波器組來(lái)定義和實(shí)現(xiàn)的。它具有多尺度變換和多方向變換的功能。多尺度變換由拉普拉斯金字塔（LP）來(lái)實(shí)現(xiàn)，而方向?yàn)V波器組（DFB）完成多尺度細(xì)節(jié)子帶的方向變換。Contourlet變換具有很多優(yōu)良的特性，主要包括：多分辨率分析，局域性，準(zhǔn)臨界采樣，多方向性和基函數(shù)的各向異性等。不同于小波變換，Contour

3、let變換的多方向性和基函數(shù)支撐區(qū)間具有隨尺度長(zhǎng)寬比變化的“長(zhǎng)條形”結(jié)構(gòu)，使得它能有效地捕捉圖像信息中的幾何結(jié)構(gòu)特征。更為重要的是，Contouret變換將圖像的多尺度和多方向表示靈活而有機(jī)地結(jié)合起來(lái)，因而能準(zhǔn)確地、最優(yōu)地刻畫(huà)圖像。目前，基于Contouret變換的理論和應(yīng)用是研究的熱點(diǎn)。最新研究成果表明，它在圖像處理領(lǐng)域具有廣闊的應(yīng)用前景。 Contourlet變換，包括改進(jìn)的Contourlet變換能夠最稀疏地刻畫(huà)圖像的特

4、征。而優(yōu)良的統(tǒng)計(jì)特征可以代表圖像的內(nèi)容。因此，在Contourlet變換域進(jìn)行統(tǒng)計(jì)建模有著重要的意義。研究表明，自然圖像多重子帶的邊緣分布能充分地反映其特征，而廣義高斯分布（GGD）建模在變換域中被認(rèn)為是對(duì)自然圖像最逼近和最成功的邊緣分布建模方式。同時(shí)，在多尺度變換域，簡(jiǎn)單的各子帶獨(dú)立同分布的廣義高斯分布建模比子帶相關(guān)的廣義高斯分布建模更穩(wěn)健和有效。因此，對(duì)Contourlet變換域各方向子帶就可以進(jìn)行廣義高斯分布統(tǒng)計(jì)建模。目前，Con

5、tourlet變換域的廣義高斯建模得到了廣泛的應(yīng)用，但是存在著模型參數(shù)估計(jì)不準(zhǔn)確的問(wèn)題。本文在這方面進(jìn)行了深入的研究，提出了一種改進(jìn)的最大似然參數(shù)估計(jì)算法。通過(guò)將這種新的參數(shù)估計(jì)方法和現(xiàn)有的相應(yīng)方法進(jìn)行性能的比較，證明了它的有效性。同時(shí)，利用這種參數(shù)估計(jì)方法，本文對(duì)Contourlet變換域方向子帶系數(shù)進(jìn)行了廣義高斯分布建模。實(shí)驗(yàn)結(jié)果表明了這種建模的準(zhǔn)確性。 隨著數(shù)字圖書(shū)館和多媒體數(shù)據(jù)庫(kù)的迅猛發(fā)展，紋理圖像的檢索已成為基于內(nèi)容的

6、圖像檢索領(lǐng)域研究的熱點(diǎn)。紋理圖像檢索系統(tǒng)的研究和發(fā)展始終是圍繞著如何尋找良好的視覺(jué)特征以及定義穩(wěn)健的相似性測(cè)度而展開(kāi)的。由于紋理圖像具有層次性和豐富的方向信息，特別適合于使用多尺度方向?yàn)V波器組分析。這樣，Contourlet變換域的統(tǒng)計(jì)建?？梢员挥脕?lái)作為提取紋理圖像特征的一種有效工具。另一方面，定義與紋理特征相匹配以及能夠反映人類視覺(jué)感知的相似性測(cè)度是一項(xiàng)重要而充滿挑戰(zhàn)的研究工作。通常，距離度量被用于測(cè)量相似性，而支持向量機(jī)（SVM）可

7、以有效地反映人類的感知相似性測(cè)度。因此，本文將Contourlet變換域方向子帶系數(shù)的廣義高斯分布參數(shù)作為紋理圖像的特征，以Kullback-Leibler（K-L）距離和SVM作為相似性測(cè)度用于紋理圖像的檢索。除了直接對(duì)紋理圖像進(jìn)行檢索以外，也可以通過(guò)對(duì)紋理圖像預(yù)分類來(lái)進(jìn)行檢索。為此，本文在改進(jìn)的Contourlet變換域，基于結(jié)構(gòu)性和隨機(jī)性紋理圖像，提出了一種混合的檢索方案。實(shí)驗(yàn)結(jié)果表明，這些檢索的性能得到了顯著的提高。 圖

8、像去噪的目標(biāo)是在去除噪聲的同時(shí)保持邊緣和紋理等重要的圖像結(jié)構(gòu)信息。目前，研究的熱點(diǎn)是將非線性擴(kuò)散濾波和計(jì)算調(diào)和領(lǐng)域的多尺度濾波結(jié)合起來(lái)，分別用于加性噪聲和斑點(diǎn)噪聲的去除。這兩類方法的有機(jī)結(jié)合可以從一個(gè)全新的角度來(lái)看待圖像的去噪問(wèn)題?？紤]到非線性擴(kuò)散濾波可以去除多尺度收縮去噪產(chǎn)生的Gibbs偽影，而多尺度、多方向收縮去噪具有快速性，本文提出了一種將Contourlet收縮和空域自適應(yīng)全變差相結(jié)合的圖像加性噪聲的去除方法。它針對(duì)含噪圖像與C

9、ontourlet收縮去噪圖像的差值圖像進(jìn)行空域自適應(yīng)全變差去噪，從中提取圖像的細(xì)小邊緣和紋理等細(xì)節(jié)信息。對(duì)于斑點(diǎn)噪聲，本文提出了一種基于改進(jìn)Contourlet變換和非線性擴(kuò)散的斑點(diǎn)去除算法，并被用于處理血管內(nèi)超聲（IVUS）圖像。仿真實(shí)驗(yàn)結(jié)果證明了這些方法的有效性。 IVUS圖像內(nèi)、外膜邊緣的提取在冠狀動(dòng)脈疾病的診斷和治療上有著重要的意義。它是醫(yī)學(xué)圖像處理領(lǐng)域研究的熱點(diǎn)。目前，所提出的IVUS圖像邊緣提取方法由于嚴(yán)重的斑點(diǎn)

10、噪聲影響以及加入了一些不適當(dāng)?shù)南闰?yàn)假設(shè)，邊緣提取的效果并不理想?？紤]到基于活動(dòng)輪廓模型的邊緣提取是最有前途的方法，本文首先提出了一種基于活動(dòng)輪廓模型的IVUS仿體序列圖像邊緣提取的算法。它利用了圖像的對(duì)比度特征量以及瑞利分布統(tǒng)計(jì)特性，通過(guò)動(dòng)態(tài)規(guī)劃和啟發(fā)式圖搜索的方法分別在不同的能量函數(shù)下來(lái)自動(dòng)提取內(nèi)、外膜邊緣。而對(duì)于含有斑點(diǎn)噪聲的實(shí)際IVUS圖像，本文提出了一種基于Contourlet斑點(diǎn)去噪的IVUS序列圖像邊緣自動(dòng)提取的算法。它采用

11、了活動(dòng)輪廓模型和IVUS圖像邊緣梯度特征量，通過(guò)動(dòng)態(tài)規(guī)劃最優(yōu)搜索的方法分別在不同的能量函數(shù)下來(lái)自動(dòng)提取冠狀動(dòng)脈血管內(nèi)、外膜邊緣。實(shí)驗(yàn)結(jié)果反映了這些邊緣提取方法的準(zhǔn)確性和魯棒性。 目前， Contourlet變換的研究在國(guó)內(nèi)剛剛起步，很多在圖像處理領(lǐng)域中的應(yīng)用需要深入的研究和探討。本論文主要研究了Contourlet變換在圖像統(tǒng)計(jì)建模，紋理圖像檢索，圖像去噪和醫(yī)學(xué)圖像邊緣提取中的應(yīng)用。本文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)包括以下幾個(gè)方面：

12、 （1）針對(duì)仿真實(shí)現(xiàn)的原始Contourlet變換和改進(jìn)Contourlet變換，對(duì)其方向子帶系數(shù)進(jìn)行了準(zhǔn)確的廣義高斯分布統(tǒng)計(jì)建模。對(duì)于模型參數(shù)的估計(jì)，提出了一種改進(jìn)的迭代算法，并利用了一種新的參數(shù)初始值。仿真結(jié)果表明，這種參數(shù)估計(jì)新方法的性能優(yōu)于目前典型的估計(jì)方法。 （2）基于紋理圖像的Contourlet方向子帶系數(shù)的能量和廣義高斯分布參數(shù)特征，提出了一種新的兩階段SVM運(yùn)行的檢索方法。實(shí)驗(yàn)結(jié)果表明，檢索的性能得到顯著的改善。

13、 （3）基于結(jié)構(gòu)性和隨機(jī)性紋理圖像的有效區(qū)分，提出了一種新的混合檢索方法。這種檢索方法的性能優(yōu)于目前其他相關(guān)方法的最新結(jié)果。 （4）提出了一種新的基于改進(jìn)Contourlet變換的硬閾值收縮和空域自適應(yīng)的非線性擴(kuò)散相結(jié)合的圖像去噪方法。它既保持了較強(qiáng)的邊緣和有效地去除了加性噪聲，又基本不丟失細(xì)小的邊緣和紋理信息。同時(shí)，還有效地減少了去噪后圖像中的Gibbs偽影。 （5）提出了一種新的基于改進(jìn)Contourlet變換和非

14、線性擴(kuò)散的斑點(diǎn)去除算法。這種方法可直接進(jìn)行IVUS圖像斑點(diǎn)噪聲的去除，而不需要預(yù)先進(jìn)行同態(tài)處理。 （6）根據(jù)IVUS仿體圖像的統(tǒng)計(jì)特征，提出了一種對(duì)序列圖像內(nèi)、外膜邊緣提取的方法。它基于活動(dòng)輪廓模型、IVUS圖像的對(duì)比度特征和瑞利統(tǒng)計(jì)分布特性，通過(guò)采用動(dòng)態(tài)規(guī)劃和啟發(fā)式圖搜索的方法，對(duì)圖像邊緣進(jìn)行了最優(yōu)化的提取。 （7）根據(jù)實(shí)際IVUS圖像的幾何結(jié)構(gòu)分布特點(diǎn)，提出了一種對(duì)序列圖像邊緣自動(dòng)提取的算法。它基于經(jīng)Contourlet