基于提升小波和pcnn的医学图像roi压缩方法

文档序号:6608102阅读:193来源:国知局
专利名称:基于提升小波和pcnn的医学图像roi压缩方法
技术领域
本发明设计一种基于提升小波和PCNN的医学图像ROI压缩方法。
背景技术
医学图像比普通图像分辨率高,量化级多,数据量大,随着PACS (Picture Archiving andCommunication Systems)影像通信系统和远程实时医疗的发展,急需医学 图像压缩,即在保证图像使用质量的前提下,把医学图像的位图信息转化为一种数据量缩 减的数组形式。目前图像压缩大致分为无损压缩和有损压缩。无损压缩可以完全恢复出原 图像,细节信息没有丢失,但其压缩率一般在50%至80%之间,压缩后数据量仍是很大。有 损压缩不能完全恢复出原图,其压缩率可达到5%,但有些重要细节损失会影响医生对疾病 的辅助诊断。可见,对整幅图像有损压缩不可行,无损压缩的压缩比又很低。为了解决矛盾, 不少专家提出感兴趣区域(ROI,Regions of Interest)压缩编码,如Maxshift (见文 献[1] JoelAskelof, Mathias Larsson Carlander, Charilaos Christopoulos. Region of interest coding inJPEG2000[J]. Signal Processing:Image Communication, 2002,17 :105 111. )、PSBshift (见文献[2] :Liu Jie,Fan 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(见文献 [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.),这些算法的基本原理都是对图像小波变换,用ROI掩膜指出小波系数中位于ROI中 的部分,上移ROI内的小波系数,让其位于高比特平面,先于非ROI被编码。对ROI内的小波 系数全部上移时无损压缩,部分上移时有损压缩,对非ROI部分编码或是直接省略。在小波 变换中,传统双正交小波只能进行有损压缩(见文献[4] =WangXiangyang, Yang Hongying, Gao Cunchen.The Image Compression Based on WaveletTransform[J]. Computer Engineering and Applications, 2001,15 82 84+159 ;文献[5] =ZHANG Guo-yun, PENG Shi-yu. Image compression based on anti-symmetrical biorthogonalwavelets[J]. Computer Engineering, 2008,34 (6) :205-209),而整数提升小波变换(见文献[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 献[7] :Chen Hongxin, et al. Memory efficient imagecompressing using lifting scheme[A]. International Conference on Signal ProcessingProceedings (ICSP,04) [C] · 2004.),继承传统小波多 分辨率的优点,不依赖傅里叶变换,建立与Mallat功能相同的算法,实行即位(in-place) 运算,运算量减少约30%,过程简单,实现整数集到整数集的变换,可以实现无损压缩。在 有损压缩方面,Eckhorn提出脉冲发放的连接和脉冲耦合神经网络的基本模型(PCNN,Pulse Coupled Neural Network)(见文献[8] Ranganath H S, Kuntimad G. Iterative Segmentation Using Pulse Coupled NeuralNetworks[C].Proc.SPIE,1996, (2760) 543 554),可以很好的对图像进行分割。以往PCNN分割,再用正交基重建的图像编码压缩 算法(见文献[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,但重建时正交基的建立过程复杂。

发明内容
本发明目的是针对现有技术存在的缺陷提供一种基于提升小波和PCNN的医学图 像ROI压缩方法。本发明为实现上述目的,采用如下技术方案本发明基于提升小波和PCNN的医学图像ROI压缩方法,其特征在于包括如下步 骤预处理采用人工交互式差影分割方法进行医学图像分割,再用差影法分割医学图像中感 兴趣区域与非感兴趣区域并产生二值掩膜,再将整幅医学图像和二值掩膜相乘得到差影, 从而将图片分成感兴趣区域与非感兴趣区域;有损压缩将非感兴趣区域经过PCNN分割区分像素灰度值不连续的点,划分非感兴趣区域 图像的不同区域;根据实际需要设置灰度值相近范围,相近像素点经过点火运算后进行游 程编码;无损压缩 将感兴趣区域经过提升整数5/3小波适应变换后进行哈弗曼编码;恢复将有损压缩后的非感兴趣区域和无损压缩后的感兴趣区域依次经过合并、线性插 值恢复医学图像,实现医学图像ROI压缩。优选地,所述提升整数5/3小波适应变换方法如下将低通综合滤波器h(z)、高通综合滤波器g(z)、低通分析滤波器和高通分析
滤波器射》,都分解成偶数和奇数两部分h(z) = he(z2)+z^h0(z2) (1) 其中,下标e偶系数多项式,下标ο表示奇系数多项式,即K ⑷=Σ ^z"* A ⑷=Σ hIk^k(2)
k k式中,h2k、h2k+1分别为he(z)和h。(z)按ζ—1展开的偶数序号、奇数序号的系数。
h(z) s Λ ζ)而多项式定义为P(Z)=W/(3)
6
输入信号也同样进行奇偶分解,输出的低,高频分量的ζ变换表示分别Ss1(Z), Cl1(Z),则分解过程为
下面通过分解P (Z)达到提升格式
⑷ 推得 则理想重构条件⑷种厂Υ=/,当(h,g)构成互补滤波器对时,detP(z)= 1 (det表行列式),做一次对偶提升后,新多项式矩阵为 由Euclid 算法,得么
(9)
(10)&和1(2是常数,Si(i = l,2,L,m,为整数)是预测提升步骤的滤波器,、是更新提 升步骤的滤波器,即对应于P(Z)正向的小波变换,构成的小波变换包括分裂(Split)、预 测(Predict)更新(Update)和归一化(Scaling) 4 个步骤①分裂将原始信号序列χ (η)分裂成两个互不相交的偶数序号子集& (η)和奇数 序号子集x。(n),即惰性(lazy)分割方法
(11)②预测根据数据间的相关性,用& (η)预测出χ。(η),具体方法是用相邻2个偶数 的均值来作为它们之间的奇数预测值,再用奇数位与预测值的差值去替代该奇数位,表达 式为
(12)③更新用χ。(η)和Si (ζ)相乘再加上Xe (η)来实现 具体的方法是用前一位奇数位的预测值和后一位偶数位值的和的四分之一作为 调整的偏差度值,再用该偶数位与偏差度值的差值去替代该偶数位,表达式为
(13)④归一化实现系数统一变换,即用输出的偶数部分乘以尺度因子K2,奇数部分乘 以尺度因子K1;重复上述过程后,η次分解后得到的{之< )}代表了信号的低频部分;{之< )}代表了信号的高频部分。优选地,所述PCNN分割方法如下PCNN模型的神经元结构模型分为三部分输入区是输入量Iij和相邻神经元输出 脉冲Yij ;连接输入区是神经元的连接部分;脉冲产生区通过阈值调整产生脉冲Y ;该模型各 离散的数学变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。_是图像的像素矩阵在点(i,j)处的像素灰度值,即为神经元强制激发 的外部激励,Ykl是相邻的神经元在点(k,1)处的输出,Fij是输入的线性相加结果,Mijkl是 为反馈输入域中点(i,j)和点(k,l)的权值矩阵,α F是衰减时间常数,Vf是反馈输入域中 的放大系数;(14)式中Lu是连接输入区的耦合连接,C^和\分别是其衰减时间常数和放 大系数,Wijkl是点(i,j)和点(k,1)的连接矩阵的权值矩阵;(15)式中Uij是内部活动项, β是其连接系数,(16)式中Eu是激发脉冲的动态活动门限,(17)式中α Ve分别是其 衰减时间常数和放大系数;通过阈值调整决定动态活动门限,对相邻区域灰度像素值相近的像素矩阵点产生 脉冲,并标为1,由Yij矩阵输出,从而区分像素灰度值不连续的点,划分图像不同区域,实现 图像分割。优选地,当α F < q < α Ε时,PCNN中每个神经元都处在一个ηXη的正方形连接 矩阵中心位置,一般η取3,其连接权值取W = Μ。本发明基于提升小波和PCNN的医学图像ROI压缩方法可以在保证良好压缩率的 情况下达到病理区的无失真,实现简单。用差影法得到感兴趣区域图像,无需计算ROI掩膜 和位置参数就能正确拼合,耗时低,实时性强,恢复效果好。可以通过对PCNN内部活动项的 调整来决定非ROI失真度和压缩率,灵活的适应不同情况需要。满足了医学图像的传输质 量和传输速度,保持了高效诊断和高效存储。随着硬件系统的提升,压缩的实时性会有更大 的提高,会有更广泛的应用。


图1 压缩算法整体流程图;图2 =ROI示意图;图3 脉冲耦合神经元模型图;图4 感兴趣区域压缩前后对比图;图5 非感兴趣区域压缩前后对比图;图6:原图;图7 整数提升小波无损压缩复原后的8
图8 本发明β为0. 3压缩复原后的图;图9 本发明β为3压缩复原后的图。
具体实施例方式如图1所示,本方法整体上分为预处理过程,有损压缩过程,无损压缩过程,及恢 复过程。在预处理过程中,对于感兴趣区域分割有自动和人工两种办法。自动分割是根据 医学图像中病理区的灰度直方图的双峰特性,利用单或多阈值进行分割,但多阈值自动分 割方法还不完备,比较耗时,而且和医生的判断有较大的差距。所以本文采用人工交互式差 影分割方法进行图像分割,这种方法是由医生用鼠标圈出感兴趣的病理区(如图2所示), 再用差影法将感兴趣区域与非感兴趣区域分开,差影法是指用鼠标选取感兴趣区域后产生 二值掩膜,再将整幅医学图片和二值掩膜相乘,取其差影,从而将图片分成感兴趣区域与非 感兴趣区域,就可分别对其进行压缩了。第一代小波变换过程,在子带变换编码的分解和重构中,分解是将输入信号x(n) 分别通过高通射力和低通辦幻两个分析滤波器,作2倍下采样,得到信号的高频和低频系 数,重建是将高频和低频系数先作2倍上采样,再分别通过高通g (ζ)和低通h (ζ)两个综合 滤波器。构成上述滤波器组的完全重构条件为 式(1)以多项式矩阵形式表示为 式(2)中定义调幅矩阵M(Z)为 为M(z)的对偶调幅矩阵。这样变换后小波系数是浮点型的,量化后再重建肯定会有失真,不能用于无损压 缩,而且效率低下,但是如果上采样在滤波器组之前,效率将被提高。其基本原理是将小波 滤波器的多项式矩阵分解为一系列的上三角矩阵、下三角矩阵和一个常数的对角矩阵,使 得小波变换通过这些矩阵相乘来实现。该提升方法将滤波器h (z)、g (ζ)、场fe)和射力,都分解成偶数和奇数两部分 其中,he (ζ)是偶系数多项式,h。(ζ)是奇系数多项式,即
(5) 而多项式定义为P(Z) =
Kiz) Se(Z)
Kiz) g。(z).
(6) 输入信号也同样进行奇偶分解,输出的低,高频分量的ζ变换表示分别Ss1(Z), Cl1(Z),则分解过程为
9

(7)
下面通过分解P (Z)达到提升格式

类似定义种0,则P⑷辨厂 =/,当伤,g)构成互补滤波器对时,detP(z) =1,做一次对偶提升后,新多项式矩阵为
"1 0" t(z) 1
由Euclid算法,得 因此 =
(10) K1和K2是常数,Si是预测提升步骤的滤波器,、是更新提升步骤的滤波器,即 对应于P(Z)正向的小波变换,构成的小波变换包括分裂(Split)、预测(Predict)更新 (Update)和归一化(Scaling) 4 个步骤。①分裂将原始信号序列χ (η)分裂成两个互不相交的偶数序号子集& (η)和奇数 序号子集X。(η),即惰性(lazy)分割方法。χ(n) = {xe(n), χ0(η)}(13)②预测根据数据间的相关性,可以用(η)预测出χ。(η),即用(η)和、(ζ)相乘 再加上x。(n)来实现。具体方法是用相邻2个偶数的均值来作为它们之间的奇数预测值,再用奇数位与 预测值的差值去替代该奇数位,这种差值反映了二者的逼近度,预测越合理,包含的信息量 就比原始的信息量少更多,表达式为
(14)③更新在上述两个过程的步骤后,产生的系数子集一般不能保持原图像中的某些 整体特性的一致性,因此,要采用更新过程,即用χ。(η)和Si(Z)相乘再加上&(η)来实现。具体的方法是用前一位奇数位的预测值和后一位偶数位值的和的四分之一作为 调整的偏差度值,再用该偶数位与偏差度值的差值去替代该偶数位,以使得其保持原有数 据集的整体特性,表达式为=物-”广 + 1)
(15)④归一化实现系数统一变换,即用输出的偶数部分乘以尺度因子K2,奇数部分乘 以尺度因子&。重复上述过程后,η次分解后得到的{之< )}代表了信号的低频部分;{之< )}代表了
10信号的高频部分。重构时的提升步骤为其逆变换过程。本文选用的是5级整数5/3提升小波分解,在 应用整数提升小波变换后,对影像本身的像素值进行了变换,并保持了变换前后的整数的 一致性,逆变换过程能可以完全恢复出分解前的像素值,可以实现感兴趣区域的无损压缩。在进行5次小波提升变换后,再利用哈夫曼编码对变换后的系数进行编码,可以 很好的去除数据间的相关性,极大的减少了原始图像的信息量。哈夫曼编码根据数据出现的概率来构造平均长度最短的变长来编码,是哈夫曼树 的一个应用,具体过程为①将小波变换后的系数按出现的概率递减顺序排列。②将最小的2个概率组合相加,求出和值再与剩下的概率一起重复此过程,一直 按概率递减排列,将概率大的放在上面,直到概率为1为止。③对每一对组合进行码字分配,若较大的编码为1,则另一个编为0,反向分配也可以。④对每个系数从右到左排列,分配码字序列,得到变长哈夫曼编码。哈夫曼编码的生成并不是压缩过程,为了实现压缩,对于产生代码的符号,必须依 照生成的代码对其进行变换或映射。哈夫曼方法利用最大值和最小值之间的单位宽度直方 图对输入矩阵进行编码。解码重建时只要利用最小值和直方图,替代保留的哈夫曼码本身, 从而可以很好的减少其信息量。PCNN模型的神经元结构如图3所示。它是单层的模型,不需训练过程,利用神经元 特有的线性相加,非线性相乘调制耦合可用于图像分割和目标分类等。该结构模型分为三部分输入区是输入量Iij和相邻神经元输出脉冲Yij ;连接输 入区是神经元的连接部分;脉冲产生区通过阈值调整产生脉冲Y。该模型各离散的数学变 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。_是图像的像素矩阵在点(i,j)处的像素灰度值,即为神经元强制激发 的外部激励,Ykl是相邻的神经元在点(k,1)处的输出,Fij是输入的线性相加结果,Mijkl是 为反馈输入域中点(i,j)和点(k,l)的权值矩阵,α F是衰减时间常数,Vf是反馈输入域中 的放大系数;(17)式中Lu是连接输入区的耦合连接,C^和\分别是其衰减时间常数和放 大系数,Wijkl是点(i,j)和点(k,1)的连接矩阵的权值矩阵;(18)式中Uij是内部活动项, β是其连接系数,(19)式中Eu是激发脉冲的动态活动门限,(20)式中α Ve分别是其 衰减时间常数和放大系数。当aF< α E时,PCNN中每个神经元都处在一个nXn的连接矩阵中心位置, 一般为3X3或5X5,其连接权值有很多种选择,一般取W = M0
11
通过阈值调整决定动态活动门限,对相邻区域灰度像素值相近的像素矩阵点产生 脉冲,并标为1,由Yij矩阵输出,从而区分像素灰度值不连续的点,划分图像不同区域,实现 图像分割。游程编码是熵编码的一种,编码的思路相对简单,主要是指将一串连续的相同的 数用其值和其串长来表示。用在图像上就是把同一行的连续灰度值相同的像素点用其像素 值和连续长度表示,其长度就是游程。例如,某一行有一串连续的A个像素点具有相同的灰 度B,则游程编码后,用(B,A)这样两个数来表示A个像素点的值。游程编码具有编码简单,编码后易于存储,编解码速度快,对于实时应用很适合的 优点。单用游程编码对图像进行压缩的话就是无损压缩。但是游程编码直接用于多灰度图像的压缩效果并不佳,灰度值变化明显的图片也 不适用,最差的情况是每点的灰度值都与周围的不同,这样压缩后存储空间不但不会减小 反而增加。对于背景区连续色块较多的区域,比如用于超声图片的大面积黑色背景区域效 果很好。一般情况下游程编码都和别的编码方法一起混合使用。多灰度图像中直接应用游程编码的效果不好,这是游程编码本身的因素决定的。 对于像超声医学图像背景区这样灰度变化不明显的区域,其细节对于医学诊治的用处不 大,但要保留其完整性对病理判断起到位置参照作用,我们可以适当的将其灰度值相近的 像素点变成灰度值相同的点,这样就可以很好的应用游程编码了。PCNN用在图像分割上有很好的效果,可以把灰度值相近的区域很好的分割出来。 灰度值相近且相邻的像素点,通过PCNN,会产生同一脉冲,其余的点不产生脉冲。这样通过 阈值调整,我们可以控制产生脉冲的像素点的灰度值变化范围,从而可以控制之后有损压 缩的失真度。PCNN处理后产生的脉冲就是一个二值掩膜矩阵,灰度值相似相邻的像素点对 应的位置是1,其余是0。再编程实现点火过程,将这个产生的二值矩阵中每行连续为1的 位置对应的像素点取平均灰度值再赋回去替代原像素点的值。这样再进行游程编码时,相 同的值就会大大增多,压缩率也会大幅度提高,游程编码就可以很好的应用,而且失真度通 过PCNN中阈值调整可以很方便的控制。实验所用的膀胱肿瘤图像来源于丁香园网站(http //www. dxy. cn/cms),在 Matlab7. Lwindows XP, IG内存环境下编程实现的,感兴趣区域选择后,先对感兴趣区域进 行无损压缩,压缩前后对比如图4所示。感兴趣区域压缩前如图4 (a)所示,压缩后如图4(b)所示,从图中我们可以看出选 择的病理区(膀胱肿瘤)没有任何细节上的失真。感兴趣区域无损压缩可以压缩到原始图 像的70. 13%。实验证明,提升方案的小波变换算法计算时间比Mallat算法减半。再对非感兴趣区域进行压缩,压缩前后对比如图5所示。非感兴趣区域压缩前如图5(a)所示,通过对PCNN内部活动项的连接系数β的调 整可以控制压缩失真度和压缩率,β为0. 3时得到图5(b)所示的压缩后复原效果;β为3 时得到图5(c)所示的压缩后复原效果。而通过对比我们可以发现压缩率越高细节失真度 越大,但其不是病理区,不会影响医生的诊断,其存在只是给病理区的一个位置定位。原始图片如图6所示,整数提升小波无损压缩复原后如图7所示,本发明方法感兴 趣区域和非感兴趣区域合并消除界限后,β为0. 3时复原后如图8所示,β为3时复原后 如图9所示。
各种方法的峰值信噪比PSNR如表1所示表1各种方法的PSNR比较 通过比较我们可以发现整数提升小波无损压缩复原后完全没有失真,信噪比很 高,但其压缩率不好,只有70. 13%。在本发明方法中,虽然其信噪比没有无损压缩高,但 只是非感兴趣区域有失真,在β为0.3时可以获得37. 56%的压缩率,β为3时可以达到 28. 45%的良好压缩率,重要的感兴趣区域没有失真,用不重要的非感兴趣区域的失真来得 到良好的压缩率。
权利要求
一种基于提升小波和PCNN的医学图像ROI压缩方法,其特征在于包括如下步骤预处理采用人工交互式差影分割方法进行医学图像分割,再用差影法分割医学图像中感兴趣区域与非感兴趣区域并产生二值掩膜,再将整幅医学图像和二值掩膜相乘得到差影,从而将图像分成感兴趣区域与非感兴趣区域;有损压缩将非感兴趣区域经过PCNN分割区分像素灰度值不连续的点,划分非感兴趣区域图像的不同区域;根据实际需要设置灰度值相近范围,相近像素点经过点火运算后进行游程编码;无损压缩将感兴趣区域经过提升整数5/3小波适应变换后进行哈弗曼编码;恢复将有损压缩后的非感兴趣区域和无损压缩后的感兴趣区域依次经过合并、线性插值恢复医学图像,实现医学图像ROI压缩。
2.根据权利要求1所述的基于提升小波和PCNN的医学图像ROI压缩方法,其特征在于 所述提升整数5/3小波适应变换方法如下将低通综合滤波器h(z)、高通综合滤波器g(z)、低通分析滤波器街》ζ)和高通分析滤波 器射力,都分解成偶数和奇数两部分 h(z) =he(z2)+z-\(z2) g(z) = ge(z2)+z-1g0(z2) (1)^ζ) = ^{ζ2) + ζ-ψχζ2)其中,下标e偶系数多项式,下标ο表示奇系数多项式,即he{z) = YhlkZ-kJkXZ) = YJhk^k(2)k k式中,h2k、h2k+1分别为he(z)和h。(z)按ζ—1展开的偶数序号、奇数序号的系数。飞⑶ge(Zy而多项式定义为=(3)K(z) g0(z)_输入信号也同样进行奇偶分解,输出的低,高频分量的Z变换表示分别为S1 (ζ),Cl1 (ζ),则分解过程为S1O).^i ω.-Pt(Z)xe(z)(4)下面通过分解P (ζ)达到提升格式由 W)=炝)?(- )J(Z)-K-z)z(5)2推得 (6) (7) 则理想重构条件 ,当(h,g)构成互补滤波器对时,detp(z)=1(det表 示行列式),做一次对偶提升后,新多项式矩阵为 (8) 由Euclid算法得 (9) 因此 (10)K1和K2是常数,Si是预测提升步骤的滤波器,ti是更新提升步骤的滤波器,即对应于 P(Z)正向的小波变换,构成的小波变换包括分裂(Split)、预测(Predict)更新(Update) 和归一化(Scaling)4个步骤①分裂将原始信号序列x(n)(η为时间序列)分裂成两个互不相交的偶数序号子集 xe (η)和奇数序号子集χ。(η),即惰性(lazy)分割方法x(n)={xe(n),x0(n)}(11)②预测根据数据间的相关性,用&(η)预测出χ。(η),具体方法是用相邻2个偶数的均值 来作为它们之间的奇数预测值,再用奇数位与预测值的差值去替代该奇数位,表达式为 (12)③更新用χ。(η)和Si(Z)相乘再加上Xe(η)来实现具体的方法是用前一位奇数位的预测值和后一位偶数位值的和的四分之一作为调整 的偏差度值,再用该偶数位与偏差度值的差值去替代该偶数位,表达式为 (13)④归一化实现系数统一变换,即用输出的偶数部分乘以尺度因子K2,奇数部分乘以尺 度因子K1 ;重复上述过程后,η次分解后得到的{粉《)}代表了信号的低频部分;代表了信号 的高频部分。
3.根据权利要求1所述的基于提升小波和PCNN的医学图像ROI压缩方法,其特征在于 所述PCNN分割方法如下PCNN模型的神经元结构模型分为三部分输入区是输入量Iij和相邻神经元输出脉冲 Yij ;连接输入区是神经元的连接部分;脉冲产生区通过阈值调整产生脉冲Y ;该模型各离散 的数学变量迭代方程如下所示 (14)式中Iij是图像的像素矩阵在点(i,j)处的像素灰度值,即为神经元强制激发的 外部激励,Ykl是相邻的神经元在点(k,1)处的输出,Fij是输入的线性相加结果,Mijkl是为 反馈输入域中点(i,j)和点(k,1)的权值矩阵,a F是衰减时间常数,VF是反馈输入域中 的放大系数;(15)式中Lu是连接输入区的耦合连接,C^和\分别是其衰减时间常数和放 大系数,Wijkl是点(i,j)和点(k,1)的连接矩阵的权值矩阵;(16)式中Uij是内部活动项, β是其连接系数,(17)式中Eu是激发脉冲的动态活动门限,(18)式中a Ve分别是其 衰减时间常数和放大系数;通过阈值调整决定动态活动门限,对相邻区域灰度像素值相近的像素矩阵点产生脉 冲,并标为1,由Yij矩阵输出,从而区分像素灰度值不连续的点,划分图像不同区域,实现图 像分割。
4.根据权利要求3所述的基于提升小波和PCNN的医学图像ROI压缩方法,其特征在于 当aF< C!l< a E时,PCNN中每个神经元都处在一个nXn的正方形连接矩阵中心位置,一 般η取3,其连接权值取W = Μ。
全文摘要
本发明公布了一种基于提升小波和脉冲耦合神经网络(PCNN)的医学图像ROI压缩方法,是由医生圈出感兴趣区域,用差影法将其与非感兴趣区域分开。感兴趣区域采用无损压缩,用提升方案构造紧支集双正交小波变换,再用哈夫曼编码;非感兴趣区域采用有损压缩,用PCNN对灰度值像素相近点进行分割,点火运算,再进行游程编码。最后逆变换恢复,将感兴趣区域与非感兴趣区域合并,用线性插值消除边界不连续问题。实验结果表明,该压缩方法能灵活选择和控制感兴趣区域,医生诊断所用信息能完整保留,压缩率较高。同时,省去了感兴趣区域掩膜的计算和对小波系数差值的计算与编码,减少了压缩与解压的时间和算法复杂度,提高了图像处理与传输的效率。
文档编号G06T9/00GK101908891SQ20101026057
公开日2010年12月8日 申请日期2010年8月23日 优先权日2010年8月23日
发明者段宇平, 郭业才 申请人:南京信息工程大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1