发布于 由join

医学图像SimpleITK去噪增强算法

医学图像常见三种图像去噪算法。

1、均值滤波

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。我们使用MeanImageFilter（）函数来对图像进行平滑去噪。参数设置就是统计均值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算均值滤波的结果。

image = sitk.ReadImage("srcdicom.mha")
np_image = sitk.GetArrayFromImage(image)

# mean
sitk_mean = sitk.MeanImageFilter()
sitk_mean.SetRadius(5)
sitk_mean = sitk_mean.Execute(image)
sitk.WriteImage(sitk_mean, 'sitk_mean.mha')

2、中值滤波

中值滤波的原理很简答，对一副图像上的某一点作为中值滤波器，必须先将预求的像素及其邻点内的像素值排序，确定出中值，并将中值赋予该像素点，让周围的像素值接近的真实值，从而消除孤立的噪声点，中值滤波对消除椒盐噪声非常有效。我们使用MedianImageFilter（）函数来对图像进行中值滤波去噪。参数设置就是统计中值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算中值滤波的结果。
# median
sitk_median = sitk.MedianImageFilter()
sitk_median.SetRadius(5)
sitk_median = sitk_median.Execute(image)
sitk.WriteImage(sitk_median, 'sitk_median.mha')

3、高斯滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。我们使用SmoothingRecursiveGaussianImageFilter（）函数来对图像进行高斯滤波平滑去噪。参数设置就是高斯核参数Sigma大小，这里可以xyz方向上都一样的大小，也可以设置成不同的大小，还有一个参数设置是是否要对高斯进行尺度归一化。
# gassuian
sitk_gassuian = sitk.SmoothingRecursiveGaussianImageFilter()
sitk_gassuian.SetSigma(3.0)
sitk_gassuian.NormalizeAcrossScaleOff()  # 是否要归一化高斯
sitk_gassuian = sitk_gassuian.Execute(image)
sitk.WriteImage(sitk_gassuian, 'sitk_gassuian.mha')

医学图像常见图像增强算法。

1、对数变换图像对数变换首先将图像从SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的log1p（）函数来计算数据的log（1+x）变换，由于1+x不能小于零，因此这里我们使用图像减去图像的最小值来计算对数变换结果。
image = sitk.ReadImage("srcdicom.mha")
np_image = sitk.GetArrayFromImage(image)
# log transform
np_log_image = np.log1p(np_image - np.min(np_image))
log_image = sitk.GetImageFromArray(np_log_image)
log_image.SetOrigin(image.GetOrigin())
log_image.SetDirection(image.GetDirection())
log_image.SetSpacing(image.GetSpacing())
sitk.WriteImage(log_image, "log_image.mha")

2、幂次变换

图像对数变换首先将图像从SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的power（）函数来计算数据的幂次变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像幂次变换结果，，在这里我们计算图像3次幂变换。

# power transform
np_image_clone1 = np_image.copy()
np_image_clone1 = (np_image_clone1 - np_image.mean()) / np_image.std()
np_power_image = np.power(np_image_clone1, 3)
power_image = sitk.GetImageFromArray(np_power_image)
power_image.SetOrigin(image.GetOrigin())
power_image.SetDirection(image.GetDirection())
power_image.SetSpacing(image.GetSpacing())
sitk.WriteImage(power_image, "power_image.mha")

3、指数变换

图像指数变换首先将图像从SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的exp（）函数来计算数据的指数变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像指数变换结果。

# exp transform
np_image_clone = np_image.copy()
np_image_clone = (np_image_clone - np_image.mean()) / np_image.std()
np_exp_image = np.exp(np_image_clone)
exp_image = sitk.GetImageFromArray(np_exp_image)
exp_image.SetOrigin(image.GetOrigin())
exp_image.SetDirection(image.GetDirection())
exp_image.SetSpacing(image.GetSpacing())
sitk.WriteImage(exp_image, "exp_image.mha")

4、直方图均衡化

我们使用函数AdativeHistogramEqualizationImageFilter（）函数来实现图像的直方图均衡化，这个类函数需要人为设置三个参数：Alpha，Beta，Radius，其中Alpha参数是用来控制结果相对于经典直方图均衡化方法结果的相似程度，Beta参数用来控制图像锐化程度，Radius用来控制直方图统计时的区域大小。

# Histogram equalization
sitk_hisequal = sitk.AdaptiveHistogramEqualizationImageFilter()
sitk_hisequal.SetAlpha(0.9)
sitk_hisequal.SetBeta(0.9)
sitk_hisequal.SetRadius(3)
sitk_hisequal = sitk_hisequal.Execute(image)
sitk.WriteImage(sitk_hisequal, "sitk_hisequal.mha")

5、拉普拉斯图像锐化

我们使用LaplacianSharpeningImageFilter（）函数来对图像进行拉普拉斯锐化。参数设置也比较简单，是否使用输入图像的Spacing来进行计算，在这里我们为了保持一致性，设置使用输入图像的Spacing。

# laplace sharpen
sitk_laplaciansharp = sitk.LaplacianSharpeningImageFilter()
sitk_laplaciansharp.UseImageSpacingOn()
sitk_laplaciansharp = sitk_laplaciansharp.Execute(image)
sitk.WriteImage(sitk_laplaciansharp, "sitk_laplaciansharp.mha")

ImageFilter类中预定义了如下滤波方法：

• BLUR：模糊滤波

• CONTOUR：轮廓滤波

• DETAIL：细节滤波

• EDGE_ENHANCE：边界增强滤波

• EDGE_ENHANCE_MORE：边界增强滤波（程度更深）

• EMBOSS：浮雕滤波

• FIND_EDGES：寻找边界滤波

• SMOOTH：平滑滤波

• SMOOTH_MORE：平滑滤波（程度更深）

• SHARPEN：锐化滤波

• GaussianBlur(radius=2)：高斯模糊

>radius指定平滑半径。

• UnsharpMask(radius=2, percent=150, threshold=3)：反锐化掩码滤波

>radius指定模糊半径；

>percent指定反锐化强度（百分比）;

>threshold控制被锐化的最小亮度变化。

• Kernel(size, kernel, scale=None, offset=0)：核滤波

当前版本只支持核大小为3×3和5×5的核大小，且图像格式为“L”和“RGB”的图像。

>size指定核大小（width, height）；

>kernel指定核权值的序列；

>scale指定缩放因子；

>offset指定偏移量，如果使用，则将该值加到缩放后的结果上。

• RankFilter(size, rank)：排序滤波

>size指定滤波核的大小；

>rank指定选取排在第rank位的像素，若大小为0，则为最小值滤波；若大小为size * size / 2则为中值滤波；若大小为size * size – 1则为最大值滤波。

• MedianFilter(size=3)：中值滤波

>size指定核的大小

• MinFilter(size=3)：最小值滤波器

>size指定核的大小

• MaxFilter(size=3)：最大值滤波器

>size指定核的大小

• ModeFilter(size=3)：波形滤波器

选取核内出现频次最高的像素值作为该点像素值，仅出现一次或两次的像素将被忽略，若没有像素出现两次以上，则保留原像素值。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

Captcha Code