專利名稱：基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法
技術領域：
本發明方法涉及在非下采樣Contourlet域上,利用模糊C均值Fuzzy C-Means,FCM聚類,對磁共振成像Magnetic Resonance Imaging,即MRI圖像進行增強的方法,尤其是一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法。
背景技術：
MRI (磁共振成像Magnetic Resonance Imaging)是一種無創型醫學成像，可以重建出人體的內部結構，已經被廣泛應用于醫學診斷中。細節豐富、清晰的MRI圖像，可以幫助醫生更好地對人體的主要臟器、靜脈、軟組織和病灶等部分進行診察。由于成像機理具有其特殊性，MRI圖像的明暗對比度較大，且伴有噪聲，弱的細節特征很容易被掩蓋，從而影響醫生的診斷。對MRI圖像進行增強，突出細節以利于診斷成為必要。 現有的圖像增強方法主要有基于空域的直方圖均衡化方法、反銳化掩模方法，以及基于變換域的方法。在對醫學圖像進行增強時，基于空域的圖像增強方法存在有一些不足。由于醫學圖像的明暗對比度較大，從圖像的整體灰度值分布考慮的直方圖均衡化方法，會在增強圖像中產生明顯的水洗效果，影響圖像的可判讀性。雖然反銳化掩模方法可以有效增強醫學圖像中的細節特征，但是該方法卻對噪聲非常敏感，即使有很少量的噪聲存在于圖像中，也會被增強，影響醫生的診斷。基于變換域的圖像增強方法是通過選取適當的閾值將噪聲、弱邊緣和強邊緣系數加以區分，并對噪聲系數置零，增強弱邊緣系數和保留強邊緣系數達到增強圖像的目的。在醫學圖像增強中，相比于基于空域的圖像增強方法，基于變換域的方法具有一定的優勢。然而在缺乏醫學圖像的先驗知識的情況下，合適的閾值變得難以選擇。由于小波變換具有良好的時域、頻域分析特性，在MRI醫學圖像增強中已經被廣泛應用。隨著研究的深入，人們發現小波分析無法有效捕捉到圖像中本質的幾何信息。2005年所提出的非下采樣Contourlet變換是一種多尺度幾何分析方法，它彌補了小波分析的不足，可以準確捕捉圖像中的邊緣、輪廓信息和紋理信息，適合于表達具有豐富細節信息的MRI圖像。因此，有必要研究一種新的MRI圖像增強方法，期待其可以有效利用非下采樣Contourlet變換對細節信息的良好刻畫能力，并能夠克服現有的基于變換域的圖像增強方法對閾值選取的依賴。
發明內容
本發明的目的在于克服現有技術的不足，即在缺乏醫學圖像的先驗知識的情況下，基于變換域的圖像增強方法所采用的合適的閾值難以選擇的問題，提出了一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法，能夠提高MRI圖像的質量，從而更有利于醫生的診斷。—種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法,其特別之處在于，包括如下步驟
(I)輸入大小為MXN的MRI圖像I(m，n)，其中I彡m彡M，I彡n彡N，其中M和N均為大于I的自然數，并對其進行L層非下采樣Contourlet變換，得到各個尺度上的高頻方向子帶系數Du (m, n)和低頻子帶系數,其中0彡I彡L-I, I彡i彡k1; Ic1表示在尺度2—1上的高頻方向子帶的數目，Du (m，n)表示在尺度2—1上的第i個高頻方向子帶系數，L為3 5，L為自然數；(2)通過對各個尺度上的高頻方向子帶系數Dui (m，n)分別進行聚類，將其區分為噪聲、弱邊緣和強邊緣系數；(3)利用增益規則公式，對獲得了類別屬性 的高頻方向子帶系數Du(m，n)進行修正，即
權利要求
1.一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法，其特征在于，包括如下步驟 (1)輸入大小為MXN的MRI圖像I(m，n)，其中I彡m彡M，I彡η彡N，其中M和N均為大于I的自然數，并對其進行L層非下采樣Contourlet變換，得到各個尺度上的高頻方向子帶系數Du (m, η)和低頻子帶系數,其中O彡I彡L-I, I ^ i ^ k1；ki表示在尺度上的高頻方向子帶的數目，Du (m，η)表示在尺度2—1上的第i個高頻方向子帶系數，L為3 5，L為自然數； (2)通過對各個尺度上的高頻方向子帶系數Du(m，η)分別進行聚類，將其區分為噪聲、弱邊緣和強邊緣系數； (3)利用增益規則公式，對獲得了類別屬性的高頻方向子帶系數Du(m，η)進行修正，即O0 · Du(m,η)若￡>u(m，n)是噪聲系數Dlj(m,n) = < Ui [d/(.(ot,n)! Ai^* A1若D"(m,/ 是弱邊緣系數； α2 ·Du(Jiun)若Du(m，η)是強邊緣系數 式中，通過設定參數％=0，對噪聲系數置零，通過設定參數a2=1.25，對強邊緣系數進行適度增強，D' uOn，η)為修正后的高頻方向子帶系數，A1S在尺度2—1上的高頻方向子帶系數的最大模值，％[ ·]為非線性增益函數，有所，為]_ 1 + .O,i + e(t-Du{m,nniAl， 式中，參數t用于控制MRI圖像增強的程度，t值越大，MRI圖像增強程度越大，為避免MRI圖像過增強，設置t = 7，e為自然常數，e=2. 71828 ； (4)對步驟(I)中得到的低頻子帶系數和步驟(3)中得到的修正過的高頻方向子帶系數作非下采樣Contourlet逆變換，即可得到增強的MRI圖像11 (m, η)。
2.如權利要求I所述的一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法，其特征在于 其中步驟(2)所述的通過對各個尺度上的高頻方向子帶系數Du(m，n)分別進行聚類，將其區分為噪聲、弱邊緣和強邊緣系數，具體按照如下過程進行 1)計算各個尺度上的高頻方向子帶系數Du(m, η)的三維特征矢量Z1 (m, η), I < m < Μ,I彡η彡Ν，0彡I彡L-1，定義為均值特征、為標準差特征，為最, O ^ I ^ L-I ； 2)將數據集(Z1OiunM的二維位置索引(m，n)轉化為一維索引q，即q=(m_l)N+ n，得到數據集{ZHm，η)}采用一維索引q的簡潔形式{幻MK}liq￡MN ={Z/(OT^)}lfim￡M,KnSiV ; 3)隨機初始化聚類中心％，并對Z丨到聚類中心F,(的隸屬度關系矩陣進行隨機初始化，I彡q彡麗，令P e {1，2，3}，使其對應于高頻方向子帶系數Dlii (m，η)所屬的噪聲、弱邊緣和強邊緣這三種類別，m'p.q ={utqMiq,uiqJ ,其中H和U3,q分別對應于: 隸屬于噪聲、弱邊緣和強邊緣類別的概率，且有 uU =1，初始化迭代計數變量tem=0 ； P=^4)更新迭代計數變量的取值，有
3.如權利要求I所述的一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法，其特征在于 其中步驟I)所述的計算各個尺度上的高頻方向子帶系數Dui (m，η)的三維特征矢量
全文摘要
本發明方法涉及在非下采樣Contourlet域上，利用模糊C均值Fuzzy C-Means，FCM聚類，對磁共振成像Magnetic Resonance Imaging，即MRI圖像進行增強的方法，尤其是一種基于FCM聚類的非下采樣Contourlet域MRI圖像增強方法。本發明方法與現有技術相比具有以下優點1.本發明由于采用非下采樣Contourlet變換，可以有效捕捉MRI圖像中的邊緣、輪廓信息和紋理細節信息。2.本發明由于引入FCM聚類的方法自適應地將高頻方向子帶系數區分為噪聲、弱邊緣和強邊緣系數，克服了現有的基于變換域的圖像增強方法對閾值選取的依賴。
文檔編號G06T5/50GK102968779SQ20121050861
公開日2013年3月13日 申請日期2012年12月3日 優先權日2012年12月3日
發明者常霞, 高岳林, 黃永東, 紀峰 申請人:北方民族大學