專利名稱：基于提升小波和pcnn的醫(yī)學(xué)圖像roi壓縮方法
技術(shù)領(lǐng)域：
本發(fā)明設(shè)計(jì)一種基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法。
背景技術(shù)：
醫(yī)學(xué)圖像比普通圖像分辨率高，量化級(jí)多，數(shù)據(jù)量大，隨著PACS (Picture Archiving andCommunication Systems)影像通信系統(tǒng)和遠(yuǎn)程實(shí)時(shí)醫(yī)療的發(fā)展，急需醫(yī)學(xué) 圖像壓縮，即在保證圖像使用質(zhì)量的前提下，把醫(yī)學(xué)圖像的位圖信息轉(zhuǎn)化為一種數(shù)據(jù)量縮 減的數(shù)組形式。目前圖像壓縮大致分為無(wú)損壓縮和有損壓縮。無(wú)損壓縮可以完全恢復(fù)出原 圖像，細(xì)節(jié)信息沒(méi)有丟失，但其壓縮率一般在50%至80%之間，壓縮后數(shù)據(jù)量仍是很大。有 損壓縮不能完全恢復(fù)出原圖，其壓縮率可達(dá)到5%，但有些重要細(xì)節(jié)損失會(huì)影響醫(yī)生對(duì)疾病 的輔助診斷。可見(jiàn)，對(duì)整幅圖像有損壓縮不可行，無(wú)損壓縮的壓縮比又很低。為了解決矛盾， 不少專家提出感興趣區(qū)域(ROI，Regions of Interest)壓縮編碼，如Maxshift (見(jiàn)文 獻(xiàn)[1] JoelAskelof, Mathias Larsson Carlander, Charilaos Christopoulos. Region of interest coding inJPEG2000[J]. Signal Processing:Image Communication, 2002，17 :105 111. )、PSBshift (見(jiàn)文獻(xiàn)[2] :Liu Jie，F(xiàn)an Guoliang. A new JPEG2000 region-of-interest image coding method-Partial significant bitplanes shift[J]. IEEE Signal Processing Letters, 2003,10(2) :35 38)、基于 SPIHT 算法(見(jiàn)文獻(xiàn) [3] :ZHU0 Li, SHEN Lansun, Lam Kinman. Region of Interest BasedImage Coding and Progressive Transmission[J]. Chinese Journal of Electronics,2004,32 (3) -All 415.)，這些算法的基本原理都是對(duì)圖像小波變換，用ROI掩膜指出小波系數(shù)中位于ROI中 的部分，上移ROI內(nèi)的小波系數(shù)，讓其位于高比特平面，先于非ROI被編碼。對(duì)ROI內(nèi)的小波 系數(shù)全部上移時(shí)無(wú)損壓縮，部分上移時(shí)有損壓縮，對(duì)非ROI部分編碼或是直接省略。在小波 變換中，傳統(tǒng)雙正交小波只能進(jìn)行有損壓縮(見(jiàn)文獻(xiàn)[4] =WangXiangyang, Yang Hongying, Gao Cunchen.The Image Compression Based on WaveletTransform[J]. Computer Engineering and Applications, 2001，15 82 84+159 ；文獻(xiàn)[5] =ZHANG Guo-yun, PENG Shi-yu. Image compression based on anti-symmetrical biorthogonalwavelets[J]. Computer Engineering, 2008，34 (6) :205-209)，而整數(shù)提升小波變換(見(jiàn)文獻(xiàn)[6] LI Shi-peng, LI Wei-ping. Shape-adaptive Discrete Wavelet Transform for ArbitrarilyShaped Visual Object Coding[J]. IEEE Transactions on Circuits and Systems for VideoTechnology,2000,10 (5) :725-743 ； 文 獻(xiàn)[7] :Chen Hongxin, et al. Memory efficient imagecompressing using lifting scheme[A]. International Conference on Signal ProcessingProceedings (ICSP，04) [C] · 2004.)，繼承傳統(tǒng)小波多 分辨率的優(yōu)點(diǎn)，不依賴傅里葉變換，建立與Mallat功能相同的算法，實(shí)行即位(in-place) 運(yùn)算，運(yùn)算量減少約30%，過(guò)程簡(jiǎn)單，實(shí)現(xiàn)整數(shù)集到整數(shù)集的變換，可以實(shí)現(xiàn)無(wú)損壓縮。在 有損壓縮方面，Eckhorn提出脈沖發(fā)放的連接和脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本模型(PCNN，Pulse Coupled Neural Network)(見(jiàn)文獻(xiàn)[8] Ranganath H S, Kuntimad G. Iterative Segmentation Using Pulse Coupled NeuralNetworks[C].Proc.SPIE,1996, (2760) 543 554)，可以很好的對(duì)圖像進(jìn)行分割。以往PCNN分割，再用正交基重建的圖像編碼壓縮 算法(見(jiàn)文獻(xiàn)[9] :MA Yi-de, LI Lian, DAIRuo-lan. Automated image segmentation using PCNN and entropy of image[J]. Journal ofChina Institute of Communicationgs,2002, 29 (3) 49-51)，效果好，但重建時(shí)正交基的建立過(guò)程復(fù)雜。

發(fā)明內(nèi)容
本發(fā)明目的是針對(duì)現(xiàn)有技術(shù)存在的缺陷提供一種基于提升小波和PCNN的醫(yī)學(xué)圖 像ROI壓縮方法。本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案本發(fā)明基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法，其特征在于包括如下步 驟預(yù)處理采用人工交互式差影分割方法進(jìn)行醫(yī)學(xué)圖像分割，再用差影法分割醫(yī)學(xué)圖像中感 興趣區(qū)域與非感興趣區(qū)域并產(chǎn)生二值掩膜，再將整幅醫(yī)學(xué)圖像和二值掩膜相乘得到差影， 從而將圖片分成感興趣區(qū)域與非感興趣區(qū)域；有損壓縮將非感興趣區(qū)域經(jīng)過(guò)PCNN分割區(qū)分像素灰度值不連續(xù)的點(diǎn)，劃分非感興趣區(qū)域 圖像的不同區(qū)域；根據(jù)實(shí)際需要設(shè)置灰度值相近范圍，相近像素點(diǎn)經(jīng)過(guò)點(diǎn)火運(yùn)算后進(jìn)行游 程編碼；無(wú)損壓縮 將感興趣區(qū)域經(jīng)過(guò)提升整數(shù)5/3小波適應(yīng)變換后進(jìn)行哈弗曼編碼；恢復(fù)將有損壓縮后的非感興趣區(qū)域和無(wú)損壓縮后的感興趣區(qū)域依次經(jīng)過(guò)合并、線性插 值恢復(fù)醫(yī)學(xué)圖像，實(shí)現(xiàn)醫(yī)學(xué)圖像ROI壓縮。優(yōu)選地，所述提升整數(shù)5/3小波適應(yīng)變換方法如下將低通綜合濾波器h(z)、高通綜合濾波器g(z)、低通分析濾波器和高通分析
濾波器射》，都分解成偶數(shù)和奇數(shù)兩部分h(z) = he(z2)+z^h0(z2) (1) 其中，下標(biāo)e偶系數(shù)多項(xiàng)式，下標(biāo)ο表示奇系數(shù)多項(xiàng)式，即K ⑷=Σ ^z"* A ⑷=Σ hIk^k(2)
k k式中，h2k、h2k+1分別為he(z)和h。(z)按ζ—1展開(kāi)的偶數(shù)序號(hào)、奇數(shù)序號(hào)的系數(shù)。
h(z) s Λ ζ)而多項(xiàng)式定義為P(Z)=W/(3)
6
輸入信號(hào)也同樣進(jìn)行奇偶分解，輸出的低，高頻分量的ζ變換表示分別Ss1(Z)， Cl1(Z),則分解過(guò)程為
下面通過(guò)分解P (Z)達(dá)到提升格式
⑷ 推得 則理想重構(gòu)條件⑷種廠Υ=/，當(dāng)(h，g)構(gòu)成互補(bǔ)濾波器對(duì)時(shí)，detP(z)= 1 (det表行列式)，做一次對(duì)偶提升后，新多項(xiàng)式矩陣為 由Euclid 算法，得么
(9)
(10)&和1(2是常數(shù)，Si(i = l，2，L，m，為整數(shù))是預(yù)測(cè)提升步驟的濾波器，、是更新提 升步驟的濾波器，即對(duì)應(yīng)于P(Z)正向的小波變換，構(gòu)成的小波變換包括分裂(Split)、預(yù) 測(cè)(Predict)更新(Update)和歸一化(Scaling) 4 個(gè)步驟①分裂將原始信號(hào)序列χ (η)分裂成兩個(gè)互不相交的偶數(shù)序號(hào)子集& (η)和奇數(shù) 序號(hào)子集x。(n)，即惰性(lazy)分割方法
(11)②預(yù)測(cè)根據(jù)數(shù)據(jù)間的相關(guān)性，用& (η)預(yù)測(cè)出χ。(η)，具體方法是用相鄰2個(gè)偶數(shù) 的均值來(lái)作為它們之間的奇數(shù)預(yù)測(cè)值，再用奇數(shù)位與預(yù)測(cè)值的差值去替代該奇數(shù)位，表達(dá) 式為
(12)③更新用χ。(η)和Si (ζ)相乘再加上Xe (η)來(lái)實(shí)現(xiàn) 具體的方法是用前一位奇數(shù)位的預(yù)測(cè)值和后一位偶數(shù)位值的和的四分之一作為 調(diào)整的偏差度值，再用該偶數(shù)位與偏差度值的差值去替代該偶數(shù)位，表達(dá)式為
(13)④歸一化實(shí)現(xiàn)系數(shù)統(tǒng)一變換，即用輸出的偶數(shù)部分乘以尺度因子K2，奇數(shù)部分乘 以尺度因子K1;重復(fù)上述過(guò)程后，η次分解后得到的{之< )}代表了信號(hào)的低頻部分；{之< )}代表了信號(hào)的高頻部分。優(yōu)選地，所述PCNN分割方法如下PCNN模型的神經(jīng)元結(jié)構(gòu)模型分為三部分輸入?yún)^(qū)是輸入量Iij和相鄰神經(jīng)元輸出 脈沖Yij ；連接輸入?yún)^(qū)是神經(jīng)元的連接部分；脈沖產(chǎn)生區(qū)通過(guò)閾值調(diào)整產(chǎn)生脈沖Y ；該模型各 離散的數(shù)學(xué)變量迭代方程如下所示 Uij (n) = Fij (n) (1+ β Lij (η))(16)
il, υ { )>Ε {η-\)Yij(^) = In τ (、…η(17)Eij (η) = exp(_ α Ε) Eij(Ii-I)+Ve Σ Ykl (η_1) (18)(13)式中1。_是圖像的像素矩陣在點(diǎn)(i，j)處的像素灰度值，即為神經(jīng)元強(qiáng)制激發(fā) 的外部激勵(lì)，Ykl是相鄰的神經(jīng)元在點(diǎn)(k，1)處的輸出，F(xiàn)ij是輸入的線性相加結(jié)果，Mijkl是 為反饋輸入域中點(diǎn)(i，j)和點(diǎn)(k，l)的權(quán)值矩陣，α F是衰減時(shí)間常數(shù)，Vf是反饋輸入域中 的放大系數(shù)；(14)式中Lu是連接輸入?yún)^(qū)的耦合連接，C^和\分別是其衰減時(shí)間常數(shù)和放 大系數(shù)，Wijkl是點(diǎn)(i，j)和點(diǎn)(k，1)的連接矩陣的權(quán)值矩陣；(15)式中Uij是內(nèi)部活動(dòng)項(xiàng)， β是其連接系數(shù)，(16)式中Eu是激發(fā)脈沖的動(dòng)態(tài)活動(dòng)門限，(17)式中α Ve分別是其 衰減時(shí)間常數(shù)和放大系數(shù)；通過(guò)閾值調(diào)整決定動(dòng)態(tài)活動(dòng)門限，對(duì)相鄰區(qū)域灰度像素值相近的像素矩陣點(diǎn)產(chǎn)生 脈沖，并標(biāo)為1，由Yij矩陣輸出，從而區(qū)分像素灰度值不連續(xù)的點(diǎn)，劃分圖像不同區(qū)域，實(shí)現(xiàn) 圖像分割。優(yōu)選地，當(dāng)α F < q < α Ε時(shí)，PCNN中每個(gè)神經(jīng)元都處在一個(gè)ηXη的正方形連接 矩陣中心位置，一般η取3，其連接權(quán)值取W = Μ。本發(fā)明基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法可以在保證良好壓縮率的 情況下達(dá)到病理區(qū)的無(wú)失真，實(shí)現(xiàn)簡(jiǎn)單。用差影法得到感興趣區(qū)域圖像，無(wú)需計(jì)算ROI掩膜 和位置參數(shù)就能正確拼合，耗時(shí)低，實(shí)時(shí)性強(qiáng)，恢復(fù)效果好?？梢酝ㄟ^(guò)對(duì)PCNN內(nèi)部活動(dòng)項(xiàng)的 調(diào)整來(lái)決定非ROI失真度和壓縮率，靈活的適應(yīng)不同情況需要。滿足了醫(yī)學(xué)圖像的傳輸質(zhì) 量和傳輸速度，保持了高效診斷和高效存儲(chǔ)。隨著硬件系統(tǒng)的提升，壓縮的實(shí)時(shí)性會(huì)有更大 的提高，會(huì)有更廣泛的應(yīng)用。


圖1 壓縮算法整體流程圖；圖2 =ROI示意圖；圖3 脈沖耦合神經(jīng)元模型圖；圖4 感興趣區(qū)域壓縮前后對(duì)比圖；圖5 非感興趣區(qū)域壓縮前后對(duì)比圖；圖6:原圖；圖7 整數(shù)提升小波無(wú)損壓縮復(fù)原后的8
圖8 本發(fā)明β為0. 3壓縮復(fù)原后的圖；圖9 本發(fā)明β為3壓縮復(fù)原后的圖。
具體實(shí)施例方式如圖1所示，本方法整體上分為預(yù)處理過(guò)程，有損壓縮過(guò)程，無(wú)損壓縮過(guò)程，及恢 復(fù)過(guò)程。在預(yù)處理過(guò)程中，對(duì)于感興趣區(qū)域分割有自動(dòng)和人工兩種辦法。自動(dòng)分割是根據(jù) 醫(yī)學(xué)圖像中病理區(qū)的灰度直方圖的雙峰特性，利用單或多閾值進(jìn)行分割，但多閾值自動(dòng)分 割方法還不完備，比較耗時(shí)，而且和醫(yī)生的判斷有較大的差距。所以本文采用人工交互式差 影分割方法進(jìn)行圖像分割，這種方法是由醫(yī)生用鼠標(biāo)圈出感興趣的病理區(qū)(如圖2所示)， 再用差影法將感興趣區(qū)域與非感興趣區(qū)域分開(kāi)，差影法是指用鼠標(biāo)選取感興趣區(qū)域后產(chǎn)生 二值掩膜，再將整幅醫(yī)學(xué)圖片和二值掩膜相乘，取其差影，從而將圖片分成感興趣區(qū)域與非 感興趣區(qū)域，就可分別對(duì)其進(jìn)行壓縮了。第一代小波變換過(guò)程，在子帶變換編碼的分解和重構(gòu)中，分解是將輸入信號(hào)x(n) 分別通過(guò)高通射力和低通辦幻兩個(gè)分析濾波器，作2倍下采樣，得到信號(hào)的高頻和低頻系 數(shù)，重建是將高頻和低頻系數(shù)先作2倍上采樣，再分別通過(guò)高通g (ζ)和低通h (ζ)兩個(gè)綜合 濾波器。構(gòu)成上述濾波器組的完全重構(gòu)條件為 式(1)以多項(xiàng)式矩陣形式表示為 式(2)中定義調(diào)幅矩陣M(Z)為 為M(z)的對(duì)偶調(diào)幅矩陣。這樣變換后小波系數(shù)是浮點(diǎn)型的，量化后再重建肯定會(huì)有失真，不能用于無(wú)損壓 縮，而且效率低下，但是如果上采樣在濾波器組之前，效率將被提高。其基本原理是將小波 濾波器的多項(xiàng)式矩陣分解為一系列的上三角矩陣、下三角矩陣和一個(gè)常數(shù)的對(duì)角矩陣，使 得小波變換通過(guò)這些矩陣相乘來(lái)實(shí)現(xiàn)。該提升方法將濾波器h (z)、g (ζ)、場(chǎng)fe)和射力，都分解成偶數(shù)和奇數(shù)兩部分 其中，he (ζ)是偶系數(shù)多項(xiàng)式，h。(ζ)是奇系數(shù)多項(xiàng)式，即
(5) 而多項(xiàng)式定義為P(Z) =
Kiz) Se(Z)
Kiz) g。(z).
(6) 輸入信號(hào)也同樣進(jìn)行奇偶分解，輸出的低，高頻分量的ζ變換表示分別Ss1(Z)， Cl1(Z),則分解過(guò)程為
9

(7)
下面通過(guò)分解P (Z)達(dá)到提升格式
由
類似定義種0，則P⑷辨廠 =/，當(dāng)傷，g)構(gòu)成互補(bǔ)濾波器對(duì)時(shí)，detP(z) =1，做一次對(duì)偶提升后，新多項(xiàng)式矩陣為
"1 0" t(z) 1
由Euclid算法，得 因此 =
(10) K1和K2是常數(shù)，Si是預(yù)測(cè)提升步驟的濾波器，、是更新提升步驟的濾波器，即 對(duì)應(yīng)于P(Z)正向的小波變換，構(gòu)成的小波變換包括分裂(Split)、預(yù)測(cè)(Predict)更新 (Update)和歸一化(Scaling) 4 個(gè)步驟。①分裂將原始信號(hào)序列χ (η)分裂成兩個(gè)互不相交的偶數(shù)序號(hào)子集& (η)和奇數(shù) 序號(hào)子集X。(η)，即惰性(lazy)分割方法。χ(n) = {xe(n), χ0(η)}(13)②預(yù)測(cè)根據(jù)數(shù)據(jù)間的相關(guān)性，可以用(η)預(yù)測(cè)出χ。(η)，即用(η)和、(ζ)相乘 再加上x(chóng)。(n)來(lái)實(shí)現(xiàn)。具體方法是用相鄰2個(gè)偶數(shù)的均值來(lái)作為它們之間的奇數(shù)預(yù)測(cè)值，再用奇數(shù)位與 預(yù)測(cè)值的差值去替代該奇數(shù)位，這種差值反映了二者的逼近度，預(yù)測(cè)越合理，包含的信息量 就比原始的信息量少更多，表達(dá)式為
(14)③更新在上述兩個(gè)過(guò)程的步驟后，產(chǎn)生的系數(shù)子集一般不能保持原圖像中的某些 整體特性的一致性，因此，要采用更新過(guò)程，即用χ。(η)和Si(Z)相乘再加上&(η)來(lái)實(shí)現(xiàn)。具體的方法是用前一位奇數(shù)位的預(yù)測(cè)值和后一位偶數(shù)位值的和的四分之一作為 調(diào)整的偏差度值，再用該偶數(shù)位與偏差度值的差值去替代該偶數(shù)位，以使得其保持原有數(shù) 據(jù)集的整體特性，表達(dá)式為=物-”廣 + 1)
(15)④歸一化實(shí)現(xiàn)系數(shù)統(tǒng)一變換，即用輸出的偶數(shù)部分乘以尺度因子K2，奇數(shù)部分乘 以尺度因子&。重復(fù)上述過(guò)程后，η次分解后得到的{之< )}代表了信號(hào)的低頻部分；{之< )}代表了
10信號(hào)的高頻部分。重構(gòu)時(shí)的提升步驟為其逆變換過(guò)程。本文選用的是5級(jí)整數(shù)5/3提升小波分解，在 應(yīng)用整數(shù)提升小波變換后，對(duì)影像本身的像素值進(jìn)行了變換，并保持了變換前后的整數(shù)的 一致性，逆變換過(guò)程能可以完全恢復(fù)出分解前的像素值，可以實(shí)現(xiàn)感興趣區(qū)域的無(wú)損壓縮。在進(jìn)行5次小波提升變換后，再利用哈夫曼編碼對(duì)變換后的系數(shù)進(jìn)行編碼，可以 很好的去除數(shù)據(jù)間的相關(guān)性，極大的減少了原始圖像的信息量。哈夫曼編碼根據(jù)數(shù)據(jù)出現(xiàn)的概率來(lái)構(gòu)造平均長(zhǎng)度最短的變長(zhǎng)來(lái)編碼，是哈夫曼樹(shù) 的一個(gè)應(yīng)用，具體過(guò)程為①將小波變換后的系數(shù)按出現(xiàn)的概率遞減順序排列。②將最小的2個(gè)概率組合相加，求出和值再與剩下的概率一起重復(fù)此過(guò)程，一直 按概率遞減排列，將概率大的放在上面，直到概率為1為止。③對(duì)每一對(duì)組合進(jìn)行碼字分配，若較大的編碼為1，則另一個(gè)編為0，反向分配也可以。④對(duì)每個(gè)系數(shù)從右到左排列，分配碼字序列，得到變長(zhǎng)哈夫曼編碼。哈夫曼編碼的生成并不是壓縮過(guò)程，為了實(shí)現(xiàn)壓縮，對(duì)于產(chǎn)生代碼的符號(hào)，必須依 照生成的代碼對(duì)其進(jìn)行變換或映射。哈夫曼方法利用最大值和最小值之間的單位寬度直方 圖對(duì)輸入矩陣進(jìn)行編碼。解碼重建時(shí)只要利用最小值和直方圖，替代保留的哈夫曼碼本身， 從而可以很好的減少其信息量。PCNN模型的神經(jīng)元結(jié)構(gòu)如圖3所示。它是單層的模型，不需訓(xùn)練過(guò)程，利用神經(jīng)元 特有的線性相加，非線性相乘調(diào)制耦合可用于圖像分割和目標(biāo)分類等。該結(jié)構(gòu)模型分為三部分輸入?yún)^(qū)是輸入量Iij和相鄰神經(jīng)元輸出脈沖Yij ；連接輸 入?yún)^(qū)是神經(jīng)元的連接部分；脈沖產(chǎn)生區(qū)通過(guò)閾值調(diào)整產(chǎn)生脈沖Y。該模型各離散的數(shù)學(xué)變 量迭代方程如下所示 Uij(Ii) = Fij(Ii) (1+β Lij(η))(18)
fl, UlJ{n)>EiJ{n-\)!；(")= η ττ (、…η(19)Eij (η) = exp (- α Ε) Eij (η_1) +Ve Σ Ykl (η_1)(20)(16)式中1。_是圖像的像素矩陣在點(diǎn)(i，j)處的像素灰度值，即為神經(jīng)元強(qiáng)制激發(fā) 的外部激勵(lì)，Ykl是相鄰的神經(jīng)元在點(diǎn)(k，1)處的輸出，F(xiàn)ij是輸入的線性相加結(jié)果，Mijkl是 為反饋輸入域中點(diǎn)(i，j)和點(diǎn)(k，l)的權(quán)值矩陣，α F是衰減時(shí)間常數(shù)，Vf是反饋輸入域中 的放大系數(shù)；(17)式中Lu是連接輸入?yún)^(qū)的耦合連接，C^和\分別是其衰減時(shí)間常數(shù)和放 大系數(shù)，Wijkl是點(diǎn)(i，j)和點(diǎn)(k，1)的連接矩陣的權(quán)值矩陣；(18)式中Uij是內(nèi)部活動(dòng)項(xiàng)， β是其連接系數(shù)，(19)式中Eu是激發(fā)脈沖的動(dòng)態(tài)活動(dòng)門限，(20)式中α Ve分別是其 衰減時(shí)間常數(shù)和放大系數(shù)。當(dāng)aF< α E時(shí)，PCNN中每個(gè)神經(jīng)元都處在一個(gè)nXn的連接矩陣中心位置， 一般為3X3或5X5，其連接權(quán)值有很多種選擇，一般取W = M0
11
通過(guò)閾值調(diào)整決定動(dòng)態(tài)活動(dòng)門限，對(duì)相鄰區(qū)域灰度像素值相近的像素矩陣點(diǎn)產(chǎn)生 脈沖，并標(biāo)為1，由Yij矩陣輸出，從而區(qū)分像素灰度值不連續(xù)的點(diǎn)，劃分圖像不同區(qū)域，實(shí)現(xiàn) 圖像分割。游程編碼是熵編碼的一種，編碼的思路相對(duì)簡(jiǎn)單，主要是指將一串連續(xù)的相同的 數(shù)用其值和其串長(zhǎng)來(lái)表示。用在圖像上就是把同一行的連續(xù)灰度值相同的像素點(diǎn)用其像素 值和連續(xù)長(zhǎng)度表示，其長(zhǎng)度就是游程。例如，某一行有一串連續(xù)的A個(gè)像素點(diǎn)具有相同的灰 度B，則游程編碼后，用(B，A)這樣兩個(gè)數(shù)來(lái)表示A個(gè)像素點(diǎn)的值。游程編碼具有編碼簡(jiǎn)單，編碼后易于存儲(chǔ)，編解碼速度快，對(duì)于實(shí)時(shí)應(yīng)用很適合的 優(yōu)點(diǎn)。單用游程編碼對(duì)圖像進(jìn)行壓縮的話就是無(wú)損壓縮。但是游程編碼直接用于多灰度圖像的壓縮效果并不佳，灰度值變化明顯的圖片也 不適用，最差的情況是每點(diǎn)的灰度值都與周圍的不同，這樣壓縮后存儲(chǔ)空間不但不會(huì)減小 反而增加。對(duì)于背景區(qū)連續(xù)色塊較多的區(qū)域，比如用于超聲圖片的大面積黑色背景區(qū)域效 果很好。一般情況下游程編碼都和別的編碼方法一起混合使用。多灰度圖像中直接應(yīng)用游程編碼的效果不好，這是游程編碼本身的因素決定的。 對(duì)于像超聲醫(yī)學(xué)圖像背景區(qū)這樣灰度變化不明顯的區(qū)域，其細(xì)節(jié)對(duì)于醫(yī)學(xué)診治的用處不 大，但要保留其完整性對(duì)病理判斷起到位置參照作用，我們可以適當(dāng)?shù)膶⑵浠叶戎迪嘟?像素點(diǎn)變成灰度值相同的點(diǎn)，這樣就可以很好的應(yīng)用游程編碼了。PCNN用在圖像分割上有很好的效果，可以把灰度值相近的區(qū)域很好的分割出來(lái)。 灰度值相近且相鄰的像素點(diǎn)，通過(guò)PCNN，會(huì)產(chǎn)生同一脈沖，其余的點(diǎn)不產(chǎn)生脈沖。這樣通過(guò) 閾值調(diào)整，我們可以控制產(chǎn)生脈沖的像素點(diǎn)的灰度值變化范圍，從而可以控制之后有損壓 縮的失真度。PCNN處理后產(chǎn)生的脈沖就是一個(gè)二值掩膜矩陣，灰度值相似相鄰的像素點(diǎn)對(duì) 應(yīng)的位置是1，其余是0。再編程實(shí)現(xiàn)點(diǎn)火過(guò)程，將這個(gè)產(chǎn)生的二值矩陣中每行連續(xù)為1的 位置對(duì)應(yīng)的像素點(diǎn)取平均灰度值再賦回去替代原像素點(diǎn)的值。這樣再進(jìn)行游程編碼時(shí)，相 同的值就會(huì)大大增多，壓縮率也會(huì)大幅度提高，游程編碼就可以很好的應(yīng)用，而且失真度通 過(guò)PCNN中閾值調(diào)整可以很方便的控制。實(shí)驗(yàn)所用的膀胱腫瘤圖像來(lái)源于丁香園網(wǎng)站(http //www. dxy. cn/cms)，在 Matlab7. Lwindows XP, IG內(nèi)存環(huán)境下編程實(shí)現(xiàn)的，感興趣區(qū)域選擇后，先對(duì)感興趣區(qū)域進(jìn) 行無(wú)損壓縮，壓縮前后對(duì)比如圖4所示。感興趣區(qū)域壓縮前如圖4 (a)所示，壓縮后如圖4(b)所示，從圖中我們可以看出選 擇的病理區(qū)(膀胱腫瘤)沒(méi)有任何細(xì)節(jié)上的失真。感興趣區(qū)域無(wú)損壓縮可以壓縮到原始圖 像的70. 13%。實(shí)驗(yàn)證明，提升方案的小波變換算法計(jì)算時(shí)間比Mallat算法減半。再對(duì)非感興趣區(qū)域進(jìn)行壓縮，壓縮前后對(duì)比如圖5所示。非感興趣區(qū)域壓縮前如圖5(a)所示，通過(guò)對(duì)PCNN內(nèi)部活動(dòng)項(xiàng)的連接系數(shù)β的調(diào) 整可以控制壓縮失真度和壓縮率，β為0. 3時(shí)得到圖5(b)所示的壓縮后復(fù)原效果；β為3 時(shí)得到圖5(c)所示的壓縮后復(fù)原效果。而通過(guò)對(duì)比我們可以發(fā)現(xiàn)壓縮率越高細(xì)節(jié)失真度 越大，但其不是病理區(qū)，不會(huì)影響醫(yī)生的診斷，其存在只是給病理區(qū)的一個(gè)位置定位。原始圖片如圖6所示，整數(shù)提升小波無(wú)損壓縮復(fù)原后如圖7所示，本發(fā)明方法感興 趣區(qū)域和非感興趣區(qū)域合并消除界限后，β為0. 3時(shí)復(fù)原后如圖8所示，β為3時(shí)復(fù)原后 如圖9所示。
各種方法的峰值信噪比PSNR如表1所示表1各種方法的PSNR比較 通過(guò)比較我們可以發(fā)現(xiàn)整數(shù)提升小波無(wú)損壓縮復(fù)原后完全沒(méi)有失真，信噪比很 高，但其壓縮率不好，只有70. 13%。在本發(fā)明方法中，雖然其信噪比沒(méi)有無(wú)損壓縮高，但 只是非感興趣區(qū)域有失真，在β為0.3時(shí)可以獲得37. 56%的壓縮率，β為3時(shí)可以達(dá)到 28. 45%的良好壓縮率，重要的感興趣區(qū)域沒(méi)有失真，用不重要的非感興趣區(qū)域的失真來(lái)得 到良好的壓縮率。
權(quán)利要求
一種基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法，其特征在于包括如下步驟預(yù)處理采用人工交互式差影分割方法進(jìn)行醫(yī)學(xué)圖像分割，再用差影法分割醫(yī)學(xué)圖像中感興趣區(qū)域與非感興趣區(qū)域并產(chǎn)生二值掩膜，再將整幅醫(yī)學(xué)圖像和二值掩膜相乘得到差影，從而將圖像分成感興趣區(qū)域與非感興趣區(qū)域；有損壓縮將非感興趣區(qū)域經(jīng)過(guò)PCNN分割區(qū)分像素灰度值不連續(xù)的點(diǎn)，劃分非感興趣區(qū)域圖像的不同區(qū)域；根據(jù)實(shí)際需要設(shè)置灰度值相近范圍，相近像素點(diǎn)經(jīng)過(guò)點(diǎn)火運(yùn)算后進(jìn)行游程編碼；無(wú)損壓縮將感興趣區(qū)域經(jīng)過(guò)提升整數(shù)5/3小波適應(yīng)變換后進(jìn)行哈弗曼編碼；恢復(fù)將有損壓縮后的非感興趣區(qū)域和無(wú)損壓縮后的感興趣區(qū)域依次經(jīng)過(guò)合并、線性插值恢復(fù)醫(yī)學(xué)圖像，實(shí)現(xiàn)醫(yī)學(xué)圖像ROI壓縮。
2.根據(jù)權(quán)利要求1所述的基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法，其特征在于 所述提升整數(shù)5/3小波適應(yīng)變換方法如下將低通綜合濾波器h(z)、高通綜合濾波器g(z)、低通分析濾波器街》ζ)和高通分析濾波 器射力，都分解成偶數(shù)和奇數(shù)兩部分 h(z) =he(z2)+z-\(z2) g(z) = ge(z2)+z-1g0(z2) (1)^ζ) = ^{ζ2) + ζ-ψχζ2)其中，下標(biāo)e偶系數(shù)多項(xiàng)式，下標(biāo)ο表示奇系數(shù)多項(xiàng)式，即he{z) = YhlkZ-kJkXZ) = YJhk^k(2)k k式中，h2k、h2k+1分別為he(z)和h。(z)按ζ—1展開(kāi)的偶數(shù)序號(hào)、奇數(shù)序號(hào)的系數(shù)。飛⑶ge(Zy而多項(xiàng)式定義為=(3)K(z) g0(z)_輸入信號(hào)也同樣進(jìn)行奇偶分解，輸出的低，高頻分量的Z變換表示分別為S1 (ζ)，Cl1 (ζ)，則分解過(guò)程為S1O).^i ω.-Pt(Z)xe(z)(4)下面通過(guò)分解P (ζ)達(dá)到提升格式由 W)=熗)？(- )J(Z)-K-z)z(5)2推得 (6) (7) 則理想重構(gòu)條件 ,當(dāng)(h，g)構(gòu)成互補(bǔ)濾波器對(duì)時(shí)，detp(z)=1(det表 示行列式)，做一次對(duì)偶提升后，新多項(xiàng)式矩陣為 (8) 由Euclid算法得 (9) 因此 (10)K1和K2是常數(shù)，Si是預(yù)測(cè)提升步驟的濾波器，ti是更新提升步驟的濾波器，即對(duì)應(yīng)于 P(Z)正向的小波變換，構(gòu)成的小波變換包括分裂(Split)、預(yù)測(cè)(Predict)更新(Update) 和歸一化(Scaling)4個(gè)步驟①分裂將原始信號(hào)序列x(n)(η為時(shí)間序列)分裂成兩個(gè)互不相交的偶數(shù)序號(hào)子集 xe (η)和奇數(shù)序號(hào)子集χ。(η)，即惰性(lazy)分割方法x(n)={xe(n),x0(n)}(11)②預(yù)測(cè)根據(jù)數(shù)據(jù)間的相關(guān)性，用&(η)預(yù)測(cè)出χ。(η)，具體方法是用相鄰2個(gè)偶數(shù)的均值 來(lái)作為它們之間的奇數(shù)預(yù)測(cè)值，再用奇數(shù)位與預(yù)測(cè)值的差值去替代該奇數(shù)位，表達(dá)式為 (12)③更新用χ。(η)和Si(Z)相乘再加上Xe(η)來(lái)實(shí)現(xiàn)具體的方法是用前一位奇數(shù)位的預(yù)測(cè)值和后一位偶數(shù)位值的和的四分之一作為調(diào)整 的偏差度值，再用該偶數(shù)位與偏差度值的差值去替代該偶數(shù)位，表達(dá)式為 (13)④歸一化實(shí)現(xiàn)系數(shù)統(tǒng)一變換，即用輸出的偶數(shù)部分乘以尺度因子K2，奇數(shù)部分乘以尺 度因子K1 ；重復(fù)上述過(guò)程后，η次分解后得到的{粉《)}代表了信號(hào)的低頻部分；代表了信號(hào) 的高頻部分。
3.根據(jù)權(quán)利要求1所述的基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法，其特征在于 所述PCNN分割方法如下PCNN模型的神經(jīng)元結(jié)構(gòu)模型分為三部分輸入?yún)^(qū)是輸入量Iij和相鄰神經(jīng)元輸出脈沖 Yij ；連接輸入?yún)^(qū)是神經(jīng)元的連接部分；脈沖產(chǎn)生區(qū)通過(guò)閾值調(diào)整產(chǎn)生脈沖Y ；該模型各離散 的數(shù)學(xué)變量迭代方程如下所示 (14)式中Iij是圖像的像素矩陣在點(diǎn)(i，j)處的像素灰度值，即為神經(jīng)元強(qiáng)制激發(fā)的 外部激勵(lì)，Ykl是相鄰的神經(jīng)元在點(diǎn)(k，1)處的輸出，F(xiàn)ij是輸入的線性相加結(jié)果，Mijkl是為 反饋輸入域中點(diǎn)(i，j)和點(diǎn)(k，1)的權(quán)值矩陣，a F是衰減時(shí)間常數(shù)，VF是反饋輸入域中 的放大系數(shù)；(15)式中Lu是連接輸入?yún)^(qū)的耦合連接，C^和\分別是其衰減時(shí)間常數(shù)和放 大系數(shù)，Wijkl是點(diǎn)(i，j)和點(diǎn)(k，1)的連接矩陣的權(quán)值矩陣；(16)式中Uij是內(nèi)部活動(dòng)項(xiàng)， β是其連接系數(shù)，(17)式中Eu是激發(fā)脈沖的動(dòng)態(tài)活動(dòng)門限，(18)式中a Ve分別是其 衰減時(shí)間常數(shù)和放大系數(shù)；通過(guò)閾值調(diào)整決定動(dòng)態(tài)活動(dòng)門限，對(duì)相鄰區(qū)域灰度像素值相近的像素矩陣點(diǎn)產(chǎn)生脈 沖，并標(biāo)為1，由Yij矩陣輸出，從而區(qū)分像素灰度值不連續(xù)的點(diǎn)，劃分圖像不同區(qū)域，實(shí)現(xiàn)圖 像分割。
4.根據(jù)權(quán)利要求3所述的基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮方法，其特征在于 當(dāng)aF< C!l< a E時(shí)，PCNN中每個(gè)神經(jīng)元都處在一個(gè)nXn的正方形連接矩陣中心位置，一 般η取3，其連接權(quán)值取W = Μ。
全文摘要
本發(fā)明公布了一種基于提升小波和脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的醫(yī)學(xué)圖像ROI壓縮方法，是由醫(yī)生圈出感興趣區(qū)域，用差影法將其與非感興趣區(qū)域分開(kāi)。感興趣區(qū)域采用無(wú)損壓縮，用提升方案構(gòu)造緊支集雙正交小波變換，再用哈夫曼編碼；非感興趣區(qū)域采用有損壓縮，用PCNN對(duì)灰度值像素相近點(diǎn)進(jìn)行分割，點(diǎn)火運(yùn)算，再進(jìn)行游程編碼。最后逆變換恢復(fù)，將感興趣區(qū)域與非感興趣區(qū)域合并，用線性插值消除邊界不連續(xù)問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該壓縮方法能靈活選擇和控制感興趣區(qū)域，醫(yī)生診斷所用信息能完整保留，壓縮率較高。同時(shí)，省去了感興趣區(qū)域掩膜的計(jì)算和對(duì)小波系數(shù)差值的計(jì)算與編碼，減少了壓縮與解壓的時(shí)間和算法復(fù)雜度，提高了圖像處理與傳輸?shù)男省?br> 文檔編號(hào)G06T9/00GK101908891SQ20101026057
公開(kāi)日2010年12月8日 申請(qǐng)日期2010年8月23日 優(yōu)先權(quán)日2010年8月23日
發(fā)明者段宇平, 郭業(yè)才 申請(qǐng)人:南京信息工程大學(xué)