MRI圖像增強和灰度插值模板

1、課程設(shè)計報告題 目：MRI圖像增強和灰度插值專業(yè)：生物醫(yī)學(xué)工程班級： 生醫(yī)2班學(xué) 號：姓 名：指導(dǎo)教師：天津醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院一.開題背景在社會生活和科研生產(chǎn)中，人們隨時隨地都要接觸圖像。圖像信息是人類認(rèn)識世界 的重要信息來源。而圖像處理就是一門關(guān)于圖像的綜合學(xué)科，它匯聚了光學(xué)、電子學(xué)、數(shù)學(xué)、攝影技術(shù)和計算機技術(shù)等眾多學(xué)科【1】。所謂圖彳a處理，就是通過某些數(shù)學(xué)運算對圖像信息進行加工，以滿足人的視覺心理 和實際生活需要。醫(yī)學(xué)圖像處理作為一門具有很強實用價值和廣泛應(yīng)用前景的交叉學(xué)科 吸引了電子、數(shù)學(xué)、物理等諸多不同專業(yè)人員從事于這一熱點領(lǐng)域的研究。醫(yī)學(xué)圖像具 有信息量大、圖像模糊、處理困難

2、等特點，借助于圖形圖像技術(shù)的快速發(fā)展和應(yīng)用，醫(yī)學(xué) 圖像的成像質(zhì)量和顯示方法得到了極大的改善，大大提高臨床診斷的準(zhǔn)確性和正確性， 這樣既能充分揮了醫(yī)學(xué)影像設(shè)備的效力和潛能，又能促進了診療水平的提高，改善了人 們?nèi)罕姷慕】禌r。因此對醫(yī)學(xué)圖像處理方法的研究具有十分重要的理論意義和現(xiàn)實意義21磁共振成像MRI可以很好地識別大腦的灰質(zhì)和白質(zhì)密度接近的軟組織，從而深受 醫(yī)生的青睞。其臨床應(yīng)用越來越廣，然而受其他因素影響。原始的 MRI圖像可能出現(xiàn) 值脈沖噪聲、偽影、圖像模糊等。因此需要對 MRI圖像進行增強處理，凸顯重要的醫(yī) 學(xué)特征改善圖像的質(zhì)量，以方便醫(yī)生對病情做出準(zhǔn)確的判斷。二.課題目的在學(xué)習(xí)了數(shù)字信

3、號處理和醫(yī)學(xué)圖像處理等課程的基礎(chǔ)上，以MRI圖像為例，利用Matlab軟件，學(xué)習(xí)醫(yī)學(xué)圖像的讀取保存等基本操作，圖像的灰度映射增強（直方圖均衡化、直方圖規(guī)定化和Gamma校正）以及常用的三種灰度插值算法：最近鄰算法，雙線性 插值法，三次多項式插值。三.課題研究的主要內(nèi)容1、原始圖像是MRI腦圖像，分別為t1加權(quán)像，t2加權(quán)像和pd質(zhì)子加權(quán)像。了解所給 MRI圖像的圖像信息，如圖像寬度、高度和文件類型等；2、根據(jù)圖像的不同類型，把原始MRI圖像轉(zhuǎn)為灰度圖像，將圖像拆分為大小相等的t1, t2, pd三幅圖像并保存；3、繪出t1, t2, pd三幅圖像的灰度直方圖，分析圖像的灰度分布情況，并分別利用

4、直方 圖均衡化、直方圖規(guī)定化和Gamma校正對三幅圖像進行增強處理， 并對結(jié)果加以比 較；4、對t1, t2, pd三幅圖像每三點取一點進行采樣，然后分別利用最近鄰法，雙線性法及 三次多項式插值恢復(fù)圖象，并對這三種插值方法結(jié)果進行比較。四.原理和方法1、利用Matlab軟件的imread函數(shù)讀入圖像，再im巾nfo函數(shù)獲取所給MRI圖像信息;2、根據(jù)得到的圖像的矩陣信息將圖像拆分為大小相等的t1, t2, pd三幅圖像并保存；3、利用imhist函數(shù)繪出三幅圖像的灰度直方圖，再分別用histeq函數(shù)，自定義的twomodegauss函數(shù)，imadjust函數(shù)對三幅圖像進行直方圖均衡化，直方圖規(guī)

5、定化，Gamma校正增強處理；4、對t1, t2, pd三幅圖像每三點取一點進行采樣， 再利用imresize函數(shù)進行最近鄰法，雙 線性法及三次多項式插值恢復(fù)圖象【3】。五.步驟與結(jié)果1、利用imfinfo函數(shù)獲取所給MRI圖像信息，程序見附錄（1）,結(jié)果如下：Width: 520Height: 284ColorType: indexed由此可知原始MRI圖像的寬為520列，高為284行，圖像類型是索引圖像；2、利用ind2gray函數(shù)將原始圖像轉(zhuǎn)換為灰度圖像，程序見附錄（1）,結(jié)果如圖1:gray image圖1原始MRI的灰度圖像3、根據(jù)得到的圖像的矩陣信息將圖像拆分為大小相等的t1, t

6、2, pd三幅圖像，程序見附錄（1）,結(jié)果如圖2.12.3:t1圖2.1原始t1加權(quán)像的灰度圖像t2pd圖2.3原始pd質(zhì)子加權(quán)像的灰度圖像4、繪出t1, t2, pd三幅圖像的灰度直方圖，程序見附錄（2）,結(jié)果如圖3.13.3:2000150010005005010015020025015001000050100150200250圖3.2 t2加權(quán)像的灰度直方圖2500200015001000500050100150200250結(jié)果分析：由三幅加權(quán)像的灰度直方圖可以看出，腦組織的灰度值主要分布在40-150之間。5、圖像增強處理(1)直方圖均衡化利用histeq函數(shù)對三幅加權(quán)像的灰度圖像進行

7、均衡化處理，程序見附錄(3),結(jié)果如圖4.14.6:ti圖4.1 ti加權(quán)像均衡化后圖像050100150200250圖4.2 t1加權(quán)像均衡化后圖像的灰度直方圖t22000150010005000圖4.4 t2加權(quán)像均衡化后圖像的灰度直方圖pd15001000500020001500100050050100150200250圖4.6 pd加權(quán)像均衡化后圖像的灰度直方圖結(jié)果分析：直方圖均衡化的基本思想是把原始圖像的直方圖變換成均勻分布的形式，這 樣就增加了圖像灰度值的動態(tài)范圍，從而達(dá)到了增強圖像整體對比度的效果。但這種方 法的缺點是它對處理的數(shù)據(jù)不加選擇，它可能會增加背景雜訊的對比度，并且降低

8、有用 信號的對比度，變換后圖像的灰度級減少，某些細(xì)節(jié)消失。從而導(dǎo)致三幅加權(quán)像均衡化 效果不佳。（2）直方圖規(guī)定化利用自定義的一個雙峰高斯函數(shù)作為規(guī)定化函數(shù)對三幅加權(quán)像的灰度圖像進行規(guī) 定化處理，雙峰高斯函數(shù)如圖5.1,程序見附錄（4）,規(guī)定化程序見附錄（5）,結(jié)果 如圖 5.25.7:0.020.018 -0.016 .0.0140.010.0080.012 -0.006 - J r0.004 -0.0020 1050rrrr300100150200250灰度值圖5.1雙峰高斯函數(shù)t12000150010005000圖5.3 t1加權(quán)像規(guī)定化后的圖像的灰度直方圖t21500 -10005000

9、050100150200250圖5.5 t2加權(quán)像規(guī)定化后的圖像的灰度直方圖pd20001500100050050100150200250圖5.7 pd加權(quán)像規(guī)定化后的圖像的灰度直方圖結(jié)果分析：直方圖規(guī)定化就是通過一個灰度映射函數(shù)，將原灰度直方圖改造成所希望的 直方圖。所以，直方圖修正的關(guān)鍵就是灰度映像函數(shù)。這里選擇雙峰高斯函數(shù)作為灰度 映射函數(shù)，規(guī)定化后圖像層次清晰，效果較好。(3) Gamma 校正利用imadjust函數(shù)對三幅加權(quán)像的灰度圖像進行 Gamma校正，這里以t1加權(quán)像的 結(jié)果為例，程序見附錄(5),結(jié)果如圖6.16.8:gamma=0.2圖6.1 gamma=0.2時t1加權(quán)

10、像的校正圖像gamma=0. 4gamma=0.6圖6.3 gamma=0.6時t1加權(quán)像的校正圖像gamma=0.8gamma=1.4圖6.5 gamma=1.4時t1加權(quán)像的校正圖像gamma=1.8圖6.6 gamma=1.8時t1加權(quán)像的校正圖像gamma=2.2圖6.7 gamma=2.2時t1加權(quán)像的校正圖像gamma=2.4圖6.8 gamma=2.4時t1加權(quán)像的校正圖像結(jié)果分析：當(dāng)gamma1時，輸入中較寬的低灰度范圍被映射到輸出中較窄的灰度范圍，輸入中較窄的高灰度范圍被映射到輸出中較寬的灰度范圍； 這里gamma=1.4時校正圖像效果較好。6、圖像插值(1)對t1, t2,

11、 pd三幅加權(quán)圖像每三點取一點進行采樣，然后利用imresize函數(shù)分別進行最近鄰法，雙線性法及三次多項式插值恢復(fù)圖象，比較不同放大倍數(shù)時不同插值方法的效果，這里以t1加權(quán)像的插值結(jié)果為例，程序見附錄(6),結(jié)果如圖7.17.9:nearest圖7.1放大倍數(shù)為1時最近鄰插值圖像bilinearbicubic圖7.3放大倍數(shù)為1時三次多項式插值圖像nearest圖7.4放大倍數(shù)為2時最近鄰插值圖像bilinear圖7.5放大倍數(shù)為2時雙線性插值圖像bicubicnearest圖7.7放大倍數(shù)為3時最近鄰插值圖像bilinearbicubic圖7.9放大倍數(shù)為3時三次多項式插值圖像結(jié)果分析：放大

12、倍數(shù)較小時，三種插值方法效果差別不大；當(dāng)圖像放大倍數(shù)較大時，雙線形插值法和三次多項式插值效果較好，最近鄰插值效果較差。(2)插值圖像和原始圖象進行相減，比較兩幅圖象在灰度上的差別，統(tǒng)計差值圖像的平均值和方差等指標(biāo)，對插值圖象的好壞進行評估：插值圖像與原始圖像相減，這里以t1加權(quán)像為例，程序見附錄(7)，結(jié)果如圖8.18.6:11 originalnearests u b t r a c t i o n圖8.1 t1加權(quán)像、最近鄰插值圖像、相減后圖像50100150200250圖8.2最近鄰插值圖像與t1加權(quán)像相減后圖像的灰度直方圖55005000450040003500300025002000

131 originalbilinearsubtraction500045004000350030002500200015001000500圖8.3 t1加權(quán)像、雙線性插值圖像、相減后圖像50100150200250bilinear subtraction圖8.4 雙線性插值圖像與t1加權(quán)像相減后圖像的灰度直方圖t1 originalbicubicsubtraction圖8.5 t1加權(quán)像、三次多項式插值圖像、相減后圖像bicubic subtraction500045004000350030002500200015001000500050100150200250圖8.6三

14、次多項式插值圖像與t1加權(quán)像相減后圖像的灰度直方圖結(jié)果分析：由相減圖像的灰度直方圖可以看出，最近鄰插值法可能會造成插值生成的圖像 在灰度上的不連續(xù)，在灰度變化的地方可能出現(xiàn)明顯的鋸齒狀。雙線性插值法與三次多項式插值法生成的圖像在灰度沒有不連續(xù)的缺點，灰度變化的地方較平滑，結(jié)果基本令人滿意。差值圖像的平均值和方差，程序見附錄（8）,結(jié)果如表1表3:表1插值圖像與t1加權(quán)像差值圖像的均值和方差插值方法均值力差最近鄰1.992910.4356雙線性1.72578.8480三次多項式1.60007.6375表2插值圖像與t2加權(quán)像差值圖像的均值和方差插值方法均值力差最近鄰1.66009.7840雙線性

15、1.40877.2833三次多項式1.31386.4945表3插值圖像與pd加權(quán)像差值圖像的均值和方差插值方法均值力差最近鄰1.636210.5718雙線性1.40957.9868三次多項式1.33797.4807結(jié)果分析：由表1表3可以看出差值圖像的均值與方差都是三次多項式插值法最小，雙 線性插值法次之，最近鄰插值法最大，說明三次多項式插值圖像效果最好，最近鄰插值 圖像效果最差。插值圖像與原始圖像的相關(guān)系數(shù)，程序見附錄（9）,結(jié)果如表4表6:表4插值圖像與t1加權(quán)像的相關(guān)系數(shù)插值方法相關(guān)系數(shù)最近鄰0.9632雙線性0.9848三次多項式0.9869表5 插值圖像與t2加權(quán)像的相關(guān)系數(shù)插值方法

16、相關(guān)系數(shù)最近鄰0.9695雙線性0.9877三次多項式0.9897表6插值圖像與pd加權(quán)像的相關(guān)系數(shù)插值方法相關(guān)系數(shù)最近鄰0.9777雙線性0.9918三次多項式0.9929結(jié)果分析：由表4表6可以看出插值圖像與原始圖像的相關(guān)系數(shù)都大于 0.9,且相差很 小，此指標(biāo)不適合評估不同插值方法的插值效果。三種不同插值算法的運行時間，程序見附錄（10）,結(jié)果如表7：表7 三幅加權(quán)像三種插值法循環(huán) 100次運彳T時間插值方法運行時間（s）最近鄰0.1350雙線性9.4120三次多項式15.2340結(jié)果分析：由表7可以看出三次多項式插值計算成本最高，雙線性插值次之，最近鄰插 值計算成本最小。六.結(jié)論.直方

17、圖均衡化可能會增加背景雜訊的對比度，并且降低有用信號的對比度，變換后圖 像的灰度級減少，某些細(xì)節(jié)消失。.放大倍數(shù)較小時，最近鄰、雙線性、三次多項式三種插值方法效果差別不大；當(dāng)圖像 放大倍數(shù)較大時，雙線性插值法和三次多項式插值效果較好，最近鄰插值效果較差。.最近鄰插值法會造成插值生成的圖像在灰度上的不連續(xù)，在灰度變化的地方可能出現(xiàn) 明顯的鋸齒狀。雙線性插值法與三次多項式插值法生成的圖像在灰度沒有不連續(xù)的缺 點，灰度變化的地方較平滑，結(jié)果基本令人滿意。.從差值圖像的均值與方差兩個指標(biāo)來看，都是三次多項式插值法最小，雙線性插值法 次之，最近鄰插值法最大，說明三次多項式插值圖像效果最好，最近鄰插值圖像

18、效果最 差。.三次多項式插值計算成本最高，雙線性插值次之，最近鄰插值計算成本最小。七.討論圖像是離散函數(shù)，同時近似運算存在誤差，規(guī)定化變換只能接近參考直方圖，不可能完 全相同?，F(xiàn)有的圖像增強的方法各有利弊，同一種方法能突出圖像的某些特征，又會掩 蓋或消除圖像別的特征，因此應(yīng)根據(jù)需要加以選用。參考文獻(xiàn)1】羅笑南 , 王若梅 . 計算機圖像學(xué) . 廣州 : 中山大學(xué)出版社 , 19962】239000 石永華. 基于 contourlet 變換的 MRI 醫(yī)學(xué)圖像增強 . 滁州學(xué)院學(xué)報， 2011年10月3】章毓晉.圖像處理 .第三版.清華大學(xué)出版社.北京附錄f,map=imread(D:matl

19、abworkhaiimage.bmp);s0=size(f);info=imfinfo(D:matlabworkhaiimage.bmp)f1=ind2gray(f,map);figure;imshow(f1);title(gray image);f11=f1(1:s0(1),1:s0(2)/3);figure;imshow(f11);title(t1);f12=f1(1:s0(1),s0(2)/3+1:s0(2)*2/3);figure;imshow(f12);title(t2);f13=f1(1:s0(1),s0(2)*2/3+1:s0(2);figure;imshow(f13);titl

20、e(pd);figure(1);imhist(f11);figure(2);imhist(f12);figure(3);imhist(f13);g1=histeq(f11);figure(1);imshow(g1);title(t1);figure(2);imhist(g1);g2=histeq(f12);figure(3);imshow(g2);title(t2);figure(4);imhist(g2);g3=histeq(f13);figure(5);imshow(g3);title(pd);figure(6);imhist(g3);function p=twomodegauss(m1,

21、sig1,m2,sig2,A1,A2,k)c1=A1*(1/(2*pi40.5)*sig1);k1=2*(sig1A2);c2=A2*(1/(2*pi40.5)*sig2);k2=2*(sig2A2);z=linspace(0,1,256);p=k+c1*exp(-(z-m1).A2)./k1)+c2*exp(-(z-m2).A2)./k2);p=p./sum(p(:);p1=twomodegauss(0.15,0.05,0.75,0.05,1,0.07,0.002);figure;plot(p1);xlabel(灰度值)；ylabel(概率);g11=imadjust(f11,0.2);g1

22、2=imadjust(f11,0.4);g13=imadjust(f11,0.6);g14=imadjust(f11,0.8);g15=imadjust(f11,1.4);g16=imadjust(f11,1.8);g17=imadjust(f11,2.2);g18=imadjust(f11,2.4);figure(1);imshow(g11);title(gamma=0.2);figure(2);imshow(g12);title(gamma=0.4);figure(3);imshow(g13);title(gamma=0.6);figure(4);imshow(g14);title(gam

23、ma=0.8);figure(5);imshow(g15);title(gamma=1.4);figure(6);imshow(g16);title(gamma=1.8);figure(7);imshow(g17);title(gamma=2.2);figure(8);imshow(g18);title(gamma=2.4);s=size(f11);m=s(1);n=s(2);r1=f11(1:2:m,1:2:n);r11=imresize(r1,1,nearest);figure(1);imshow(r11);title(nearest);r12=imresize(r1,1,bilinear

24、);figure(2);imshow(r12);title(bilinear);r13=imresize(r1,1,bicubic);figure(3);imshow(r13);title(bicubic);s=size(f11);m=s(1);n=s(2);r1=f11(1:2:m,1:2:n);r11=imresize(r1,m n,nearest);h11=r11-f11;figure(1);subplot(131);imshow(f11);title(t1 original);subplot(132);imshow(r11);title(nearest);subplot(133);im

25、show(h11);title(subtraction);r12=imresize(r1,m n,bilinear);h12=r12-f11;figure(2);subplot(131);imshow(f11);title(t1 original);subplot(132);imshow(r12);title(bilinear);subplot(133);imshow(h12);title(subtraction);r13=imresize(r1,m n,bicubic);h13=r13-f11;figure(3);subplot(131);imshow(f11);title(t1 origi

26、nal);subplot(132);imshow(r13);title(bicubic);subplot(133);imshow(h13);title(subtraction);s=size(f11);m=s(1);n=s(2);r1=f11(1:2:m,1:2:n);r2=f12(1:2:m,1:2:n);r3=f13(1:2:m,1:2:n);r11=imresize(r1,m n,nearest);r12=imresize(r1,m n,bilinear);r13=imresize(r1,m n,bicubic);h11=r11-f11;average11=mean(mean(h11)var(h11(:)h12=r12-f11;average12=mean(mean(h12)var(h12(:)h13=r13-f11;average13=mean(mean(h13)var(h13(:)r21=imresize(r2,m n,nearest)