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

1、在圖像處理領域，圖像的稀疏表示有著重要的理論和應用意義。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)學分析、圖像處理、計算機視覺、模式識別和統(tǒng)計分析等不同的領域。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現(xiàn)的問題。為此，一種“真

2、正的”并具有金字塔方向濾波器組結構的圖像最優(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定義和實現(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）來實現(xiàn)，而方向濾波器組（DFB）完成多尺度細節(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)間具有隨尺度長寬比變化的“長條形”結構，使得它能有效地捕捉圖像信息中的幾何結構特征。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地結合起來，因而能準確地、最優(yōu)地刻畫圖像。目前，基于Contouret變換的理論和應用是研究的熱點。最新研究成果表明，它在圖像處理領域具有廣闊的應用前景。 Contourlet變換，包括改進的Contourlet變換能夠最稀疏地刻畫圖像的特

4、征。而優(yōu)良的統(tǒng)計特征可以代表圖像的內(nèi)容。因此，在Contourlet變換域進行統(tǒng)計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為是對自然圖像最逼近和最成功的邊緣分布建模方式。同時，在多尺度變換域，簡單的各子帶獨立同分布的廣義高斯分布建模比子帶相關的廣義高斯分布建模更穩(wěn)健和有效。因此，對Contourlet變換域各方向子帶就可以進行廣義高斯分布統(tǒng)計建模。目前，Con

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

6、圖像檢索領域研究的熱點。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特征以及定義穩(wěn)健的相似性測度而展開的。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濾波器組分析。這樣，Contourlet變換域的統(tǒng)計建?？梢员挥脕碜鳛樘崛〖y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感知的相似性測度是一項重要而充滿挑戰(zhàn)的研究工作。通常，距離度量被用于測量相似性，而支持向量機（SVM）可

7、以有效地反映人類的感知相似性測度。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作為相似性測度用于紋理圖像的檢索。除了直接對紋理圖像進行檢索以外，也可以通過對紋理圖像預分類來進行檢索。為此，本文在改進的Contourlet變換域，基于結構性和隨機性紋理圖像，提出了一種混合的檢索方案。實驗結果表明，這些檢索的性能得到了顯著的提高。 圖

8、像去噪的目標是在去除噪聲的同時保持邊緣和紋理等重要的圖像結構信息。目前，研究的熱點是將非線性擴散濾波和計算調(diào)和領域的多尺度濾波結合起來，分別用于加性噪聲和斑點噪聲的去除。這兩類方法的有機結合可以從一個全新的角度來看待圖像的去噪問題?？紤]到非線性擴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收縮和空域自適應全變差相結合的圖像加性噪聲的去除方法。它針對含噪圖像與C

9、ontourlet收縮去噪圖像的差值圖像進行空域自適應全變差去噪，從中提取圖像的細小邊緣和紋理等細節(jié)信息。對于斑點噪聲，本文提出了一種基于改進Contourlet變換和非線性擴散的斑點去除算法，并被用于處理血管內(nèi)超聲（IVUS）圖像。仿真實驗結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脈疾病的診斷和治療上有著重要的意義。它是醫(yī)學圖像處理領域研究的熱點。目前，所提出的IVUS圖像邊緣提取方法由于嚴重的斑點

10、噪聲影響以及加入了一些不適當?shù)南闰灱僭O，邊緣提取的效果并不理想?？紤]到基于活動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。它利用了圖像的對比度特征量以及瑞利分布統(tǒng)計特性，通過動態(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)下來自動提取內(nèi)、外膜邊緣。而對于含有斑點噪聲的實際IVUS圖像，本文提出了一種基于Contourlet斑點去噪的IVUS序列圖像邊緣自動提取的算法。它采用

11、了活動輪廓模型和IVUS圖像邊緣梯度特征量，通過動態(tài)規(guī)劃最優(yōu)搜索的方法分別在不同的能量函數(shù)下來自動提取冠狀動脈血管內(nèi)、外膜邊緣。實驗結果反映了這些邊緣提取方法的準確性和魯棒性。 目前， Contourlet變換的研究在國內(nèi)剛剛起步，很多在圖像處理領域中的應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)計建模，紋理圖像檢索，圖像去噪和醫(yī)學圖像邊緣提取中的應用。本文的主要貢獻和創(chuàng)新點包括以下幾個方面：

12、 （1）針對仿真實現(xiàn)的原始Contourlet變換和改進Contourlet變換，對其方向子帶系數(shù)進行了準確的廣義高斯分布統(tǒng)計建模。對于模型參數(shù)的估計，提出了一種改進的迭代算法，并利用了一種新的參數(shù)初始值。仿真結果表明，這種參數(shù)估計新方法的性能優(yōu)于目前典型的估計方法。 （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運行的檢索方法。實驗結果表明，檢索的性能得到顯著的改善。

13、 （3）基于結構性和隨機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)于目前其他相關方法的最新結果。 （4）提出了一種新的基于改進Contourlet變換的硬閾值收縮和空域自適應的非線性擴散相結合的圖像去噪方法。它既保持了較強的邊緣和有效地去除了加性噪聲，又基本不丟失細小的邊緣和紋理信息。同時，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Contourlet變換和非

14、線性擴散的斑點去除算法。這種方法可直接進行IVUS圖像斑點噪聲的去除，而不需要預先進行同態(tài)處理。 （6）根據(jù)IVUS仿體圖像的統(tǒng)計特征，提出了一種對序列圖像內(nèi)、外膜邊緣提取的方法。它基于活動輪廓模型、IVUS圖像的對比度特征和瑞利統(tǒng)計分布特性，通過采用動態(tài)規(guī)劃和啟發(fā)式圖搜索的方法，對圖像邊緣進行了最優(yōu)化的提取。 （7）根據(jù)實際IVUS圖像的幾何結構分布特點，提出了一種對序列圖像邊緣自動提取的算法。它基于經(jīng)Contourlet