第一章绪论
1.1引言
本论文研究的是医学影像的数字图像处理。医学影像包括X射线图像，CT和核磁图像，显微图像，B超图像等，数字图像处理是指将图像信号转换成数字信号，并利用计算机对其进行处理的过程。20世纪60年代，数字图像处理技术在对卫星遥感图像的处理中，发挥了巨大的作用，70年代，此项技术开始逐渐应用于医学影像领域，并在90年代得到了迅猛发展⑴。最近几年，随着计算机科学与技术、计算机网络迅猛的发展，使得数字图像处理技术与人们日常的生话关系越来越密切，数字图像处理技术也得到了飞速的发展。因此，应用此项技术对X射线医学影像进行处理亦是大势所趋。本文便是通过应用改进后的Retinex理论，使得增强后的X射线医学影像能有更好的视觉效果。
………..
1.2医学影像与医学影像学
人体的各种组织、器官，当它们发挥功能和进行代谢的时候，通常会伴随着某些信息的产生。我们如果能釆集到这些信息，并对其加工处理，便能够对人体的健康状况有所了解，以此发现疾病，并对其进行有效的预防和诊断，从而提高人们的健康水平。由于人们迫切地希望能够直接的看到人体的内部，期望对人体组织和器官形态以及病理有更为直观的了解，各类医学影像便由此应运而生，并得到了迅速的发展。医学影像包含甚广，而且这对疾病的诊断是最为直观的，而且是最便捷的。医学影像处理的目的，是研究医学影像的理论和方法，开发可用于临床的医学影像技术、计算机集成诊断系统等，为人类的健康事业服务。医学影像学是医学研宄领域中的一个重要的方向。医学影像学主要包括人体信息的获取以及图像的形成、处理、分析、存储、传输、应用，其内容主要有以下三大部分：医学影像物理学（成像系统与成像原理)、医学影像处理技术和医学影像应用技术[2]。在论文中，我们主要研究医学影像处理技术。医学影像处理技术发展到今天，己经使传统的医学影像获取和观察的方法被彻底的改变，同时也使图像在医学中变得更为重要。最近，随着计算机图像处理与分析、计算机图形学和计算机网络等技术的不断发展，医学影像处理技术也逐渐成为了一门极具特色的交叉学科。
…………
第二章数字图像增强算法基础
2.1概述
数字图像处理中最基本的内容之一便是图像增强，它的主要目的是改善图像的视觉效果，提高图像的清晰度，将图像转化成一种更适合于人们或计算机处理分析的形式，因此，如何改善图像的质量是图像增强的根本目的。数字图像增强的方法，可以分为两类：空间域的增强和基于频率域的增强算法。当然，为了获得更好的图像处理效果，在实际的科研工作中，两种方法往往相互混合使用。然而，就方法本身而言，往往没有任何创新之处，而只是两种不同方法的累积、叠加，因此，从严格意义上来讲，并没有超过二者的范围。传统的图像增强算法虽然功能相对单一，但是由于其算法简单在实际中仍然得到了广泛的应用。本章将重点介绍在空间域和频率域主要传统增虽技术的基本原理，并且，其中的一些基本概念和操作，如空间卷积等，将应用于后续章节中。
………….
2.2空域增强算法
空域增强主要分为两类，一类是直接处理每一个像素点，如图像的灰度变换，便是基于点的操作，将每一个像素的灰度值按照一定的数学公式转变为一个新的灰度值，常用的方法有对比度增强、直方图均衡等。另一类是空间滤波，这是基于邻域的，也即局部的处理。强调局部是为第三章末节，全局去噪算法做的铺垫。方法是用某一个模板对像素及其周边的像素进行数学分析和运算，得到该像素的新的灰度值，常用的空间域滤波技术有图像平滑滤波与图像锐化滤波。毫无疑问，灰度变换是所有图像处理技术中最为简单的。这里规定，用r,s分别表示输入、输出像素的灰度级，则s=T(r)。其中T是将r值映射到s的一种变换，也即灰度变换函数的一种映射关系_。最主要的包括三种：线性变换(反转、恒等变换)、对数变换(对数、反对数变换)和幕律变换(n次幂、n次根变换）。下面分别讨论这几种变换。反转变换：我们可以从图像的直方图中得到跟图像质量相关的灰度分布情况，从而直方图修正也成为了一些图像处理方法的重要依据。通常情况下，一副均匀量化的医学影像由于其灰度直方图分布在比较窄的低值灰度区间上，通常引起图像的细节不清晰，这时我们就可以通过变换，使图像的灰度范围进行拉伸，或者是使图像的灰度分布在动态范围内趋于均衡，从而使图像的细节更加清晰，来达到医学影像增强的目的。事实证明，通过直方图修正来增强图像是一种非常有效的方法。直方图均衡化：直方图均衡的本质，是使图像的直方图经过变换后，具有均勾的或基本均匆的灰度级分布。直方图上灰度分布比较集中的地方被拉伸，灰度分布比较稀疏的部分被压缩，从而在总体上增强了一幅图像的对比度。当图像的灰度分布在局部范围内时，可以得到较好的效果。但是经过均衡化处理后，图像的灰度级只是近似均勾分布。均衡化扩大了图像的动态范围，但其实质上是使图像的量化的间隔增大，反而减少了量化的级别，因此可能会出现虚假轮廓。而对于灰度频数较小的区域，对比度有可能将被减弱甚至消除。
………….
第三章改进的X射线医学影像去噪算法及其实现.......... 15
3.1 X射线医学影像噪声特性 15
3.2基于局部区域去噪 .........16
3.3改进的非局部平均去噪算法的理论分析......... 16
3.4改进的IU-NLM算法的实现......... 18
第四章改进的复合Retinex算法......... 21
4.1 Retinex理论背景与基础......... 21
4.2 Retinex算法的发展......... 22
4.3改进的复合Retlnex算法LRA算法 .........27
4.3.1 LRA算法的理论基础......... 27
4.3.2 LRA算法的具体实现......... 29
第五章实验结果与分析......... 31
5.1改进的复合Retinex算法LRA算法参数......... 31
5.2 X射线医学影像的增强处理实验......... 35
5.3本章小结 .........45
第五章实验结果与分析.........48
5.1改进的复合Retinex算法LRA算法参数的选择与分析
通过观测图5-1中b，d，也即SSR作用的结果，可以很明显的看出虽然图像亮度明显提升，在较暗处的对比度有明显增加，但在光亮处的对比度却因为亮度的普遍增加而减小了。这导致的必然的结果就是细节的丢失。医学影像更不允许这种现象的发生。可以设想，在光亮的图像中减去与之相对应的带有一定细节的暗图像，可以增加光亮区域的对比度，同时，虽然灰度值有所下降，但是在视觉上并没有产生过大的反差。意即在SSR增加了整个图像亮度与暗区域对比度的同时，项在略减少整幅图像灰度但并不影响视觉的情况下，增加了光亮区域的对比度。由图像亦可明了，方差的持续增大并没有带来图像熵的相应变化，反而在总体趋势增加过后迅速下降，这也证明了上文的分析，图像整体亮度对比度增大，甚至能产生二值图的效果，而细节却逐渐丢失；不仅如此，我们可以发现，能够使熵达到最优化的Pi，A并不仅仅只有一对，而是随着A的变化衍生出很多对。当然需要强调的是，图像熵虽然在很大程度上能够反映图像质量，但并不意味着视觉效果与摘具有等价意义，因为最终接收图像的是人眼，因而应以人类视觉上的改善为根本，毕竟图像熵归根结底仅是个有关于图像灰度级的函数统计量。
…………
结论
本文首先介绍了当前X射线医学影像的发展现状，并在此基础上较为详尽地研宄并实现了数字图像处理的基础领域，包括空域、频域处理。并在实际处理当中明确了图像降噪的必要性，又详细讨论了图像降噪的方法，分析了基本的图像降噪思想与模型，同时创新地提出了本文改进的非局部平均去噪算法（NLM算法)，并实验实现。在论文中，作者详细考察了 Retinex算法的发展及历史，并编程实现了包括SSR, MSR, MSRCR等算法，同时说明了各算法对于X射线医学影像而言的优缺点。为弥补上述说法的不足，根据X射线成像机理，本文据此提出了自身的复合Retinex 算法 LRA(Logsig cumulative Reintex Algorithm)算法。并给出 了参数选择的标准与增强结果的分析，说明了 LRA算法相较于其他Retinex算法对于X射线医学影像的优越性。关于LRA算法进一步的改进设想，本文认为可以适当开发出计算“暗图像”的非线性方式，从而能够更加突出算法思想，因为算法的线性性质被本文认为是还可以使效果进一步提升的瓶颈。
…………
参考文献（略）