本發(fā)明涉及圖像處理技術領域，具體涉及一種基于多尺度分解的圖片能量歸一化處理方法及系統(tǒng)。

背景技術：

隨著數字技術的發(fā)展，圖像被數字化為大量像素點組成的點陣，像素點的光學特性則由像素值表征。

數字化后的圖像，方便計算機處理，為基于機器學習的各類檢測系統(tǒng)提供了先決條件。

現(xiàn)在，基于機器學習的檢測系統(tǒng)，被應用到各個領域；以醫(yī)學領域為例，檢測系統(tǒng)通過對大量數字化的醫(yī)學檢測影像的學習，可以實現(xiàn)智能的輪廓分離，疾病檢測等功能；例如，x線胸部平片(簡稱胸片)是肺部疾病檢測的基本影像手段之一，通過以大量數字化的胸片(掃描或通過直接數字化x線攝像系統(tǒng)得到)作為樣本進行機器學習，智能檢測系統(tǒng)可以智能的對肺病疾病進行檢測，如肺結節(jié)檢測。

然而，在進行檢測時，由于采集胸片的機器和時間的不同，胸片圖像中的能量分布往往具有較大差異性，這就給智能檢測帶來了障礙，因此，在將圖像輸入基于機器學習的智能檢測系統(tǒng)前，需要對圖像進行歸一化預處理。

類似的，針對于其他圖片的機器學習系統(tǒng)也存在著需要對輸入的圖像進行歸一化預處理的問題。

現(xiàn)有，對圖像進行歸一化處理的方法主要有以下三種：

1、最值歸一化：

通過一定的代數變換將圖像中的像素值控制在一定范圍內。如線性函數變換，表達式為y＝(x-minvalue)/(maxvalue-minvalue)，其中x、y分別為轉換前、后的值，maxvalue、minvalue分別為樣本的最大值和最小值；對數函數變換，表達式為y＝log10(x)；反余切函數變換，表達式為y＝arctan(x)*2/pi。這種歸一化方法適用于本來就分布在有限范圍內的數據，但該方法只是對圖像做了簡單的線性變換處理，沒有考慮圖像本身的結構信息,處理后得到的圖像可能會存在空洞或分布不均勻的現(xiàn)象；

2、均值方差歸一化：

通過將像素值減去均值除以方差，來將均值歸一化到0，方差歸一化到1；適用于分布沒有明顯邊界的情況，然而該方法僅計算圖像的均值和方差然后做的線性變換處理，沒有考慮可能存在的局部強信號當圖像中有明顯邊界時處理后可能會使邊緣模糊化；

3、直方圖統(tǒng)計歸一化：

通過統(tǒng)計圖像像素的直方圖累計分布，去掉分布譜上前面1％和后面2％的直方圖成分，然后在新的直方圖范圍內調整像素值范圍；當該方法只考慮圖像的像素值分布，沒有考慮圖像本身的能量，導致圖片信息的丟失；

現(xiàn)在，亟需一種對圖像進行有效能量歸一化的處理方法及系統(tǒng)，以克服現(xiàn)有技術的缺陷，使得歸一化處理后最終得到的圖像能量分布更均勻，且更大可能的保留了圖像的原有信息。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是提供一種對圖像進行有效能量歸一化的處理方法及系統(tǒng)，對圖像進行多尺度分解，各個尺度分別歸一化處理，使得最終得到的圖像能量分布更均勻，且更大可能的保留了圖像的原有信息。

為解決上述技術問題，本發(fā)明提出以下技術方案：

基于多尺度分解的圖片能量歸一化處理方法，包括如下步驟：

步驟(1)：對原始圖像進行多尺度分解，分別得到尺度從精細到粗糙的多級子帶圖像；

步驟(2)：對步驟(1)中得到的各級子帶圖像分別進行歸一化處理；

步驟(3)：對步驟(2)得到的歸一化處理后的各級子帶圖像進行多尺度重建，得到重建后的圖像。

步驟(4)：將步驟(3)中重建后的圖像中的各點性變換歸一化為取值在[01]之間,進而得到最終處理后的圖像。

本發(fā)明中所稱的圖像均是指數字圖像或模擬圖像的數字化后的圖像。

數字圖像本身既包含大尺度信息如輪廓等，又包含小尺度上的細節(jié)信息如邊緣等，這些信息一起構成圖像的總體效果，缺一不可。如果直接在原圖上進行歸一化處理，可能會丟失其中的一些信息。因此，上述技術方案的特點是：先對圖像進行多尺度分解，充分提取出圖像在不同尺度上的結構和信息，最大可能地保留圖像各個層次的信息，大的尺度保留圖像中的輪廓等大致信息，小的尺度保留邊緣等細節(jié)；而后，各個尺度分別歸一化處理使得最終得到的圖像能量分布更均勻且更大可能的保留了圖像的原有信息，可快速高效地實現(xiàn)圖像的能量歸一化處理。

進一步，所述步驟(4)中，根據設定的有效百分位數值的上限和下限，將重建后的圖像中百分位數值等于上限和下限的各點以及上限和下限之間的各點線，線性變換歸一化為取值在[01]之間；高于上限的點則取值1，低于下限的點則取值0，進而得到最終處理后的圖像。

此處所述的有效百分位數值是一個范圍值，設圖像中的像素值的最大值為maxvalue，則百分位數值＝像素值/maxvalue*100％；因此，所有百分位數值處于有效百分位數值范圍以內的點，稱為有效點，線性變換歸一化則針對這些有效點進行，這樣，百分位數值等于有效百分位數值上限的點被線性變化為1，其他點則相應線性縮放；

通過設定這樣的范圍值，對那些值過大(高于有效百分位數值上限)的點直接取值1，對于那些過小(低于有效百分位數值下限)的點則直接取值0，這樣不僅提高了歸一化系統(tǒng)的魯棒性，也提高了應用歸一化圖像的機器學習系統(tǒng)的魯棒性。

進一步，所述步驟(1)中采用拉普拉斯金字塔分解，對原始圖像進行多尺度分解，分別得到尺度從精細到粗糙的多級子帶圖像。

該算法能較好地解析出圖像在不同尺度上的信息，既能通過大的尺度保留圖像中的輪廓等大致信息，又能通過小的尺度保留邊緣等細節(jié)。

進一步，所述步驟(1)中采用小波變換，對原始圖像進行多尺度分解，分別得到尺度從精細到粗糙的多級子帶圖像。

該算法能較好地解析出圖像在不同尺度上的信息，既能通過大的尺度保留圖像中的輪廓等大致信息，又能通過小的尺度保留邊緣等細節(jié)。

進一步，在對圖像進行多尺度分解前，還包括對圖像進行降采樣的步驟。

降采樣使得需要處理的像素數量降低，提高了歸一化處理的效率。

進一步，還包括，分別計算每個尺度的能量或平均絕對偏差的統(tǒng)計量的步驟，進而，所述步驟(2)中，計算所述統(tǒng)計量與子帶圖像平均能量的比例，將對應尺度上的原子帶圖乘以該比例的開方數，以得到歸一化處理后的各級子帶圖像。

通過統(tǒng)計大量圖像的各子帶的能量或平均絕對偏差，可以計算得到統(tǒng)計量；這樣，在測試時，給定任意一幅圖，將前面統(tǒng)計得到的統(tǒng)計量作為整個圖像空間上的平均值標準，來進行線性變換歸一化處理；開方處理，則是因為圖像的能量值是與像素值的平方成正比，而子帶圖中的值其實代表的是像素值，因此用原子帶圖乘以比例的開方數。

進一步，所述統(tǒng)計量為中值、均值以90分位值中的任意一種。

這樣采用不同的統(tǒng)計值，可以適用于不同要求的系統(tǒng)。本發(fā)明所述的90分位值定義如下：設某一圖片內的像素值的最大值為maxvalue，則90分位值＝maxvalue*0.9。

進一步，所述步驟(2)中先對各級子帶圖像其進行裁剪，獲取中心區(qū)域的圖像信息，將該區(qū)域內的圖像平均能量用于所述的比例計算。

圖像的中心區(qū)以一般集中的圖像的主要能量，通過裁去邊緣部分，既可減少運算量，獲得的平均能量值也相對較高，與統(tǒng)計量的比值也更能反應子帶圖在重建后的圖像中所占比例。

本發(fā)明還提出了一種基于多尺度分解的圖片能量歸一化處理系統(tǒng)，包括：

輸入模塊，用于輸入原始圖像；

分解模塊，用于對輸入模塊發(fā)送來的原始圖像進行多尺度分解，分別得到尺度從精細到粗糙的多級子帶圖像；

歸一化處理模塊，用于對從分解模塊得到的各級子帶圖像分別進行歸一化處理；

重建模塊，用于對歸一化處理模塊得到的歸一化處理后的各級子帶圖像進行多尺度重建，得到重建后的圖像；

輸出模塊，用于將從重建模塊中得到的重建后的圖像中的各點線性變換歸一化為取值在[01]之間,進而得到最終處理后的圖像輸出。

數字圖像本身既包含大尺度信息如輪廓等，又包含小尺度上的細節(jié)信息如邊緣等，這些信息一起構成圖像的總體效果，缺一不可。如果直接在原圖上進行歸一化處理，可能會丟失其中的一些信息。因此，上述技術方案的特點是：先對圖像進行多尺度分解，充分提取出圖像在不同尺度上的結構和信息，最大可能地保留圖像各個層次的信息，大的尺度保留圖像中的輪廓等大致信息，小的尺度保留邊緣等細節(jié)；而后，各個尺度分別歸一化處理使得最終得到的圖像能量分布更均勻且更大可能的保留了圖像的原有信息，可快速高效地實現(xiàn)圖像的能量歸一化處理。

進一步，還包括統(tǒng)計模塊，用于計算和統(tǒng)計分解模塊分解后的每個尺度的圖片的能量或平均絕對偏差的統(tǒng)計量，并發(fā)送給所述歸一化處理模塊；所述歸一化處理模塊，用于計算所述統(tǒng)計量與子帶圖像平均能量的比例，將對應尺度上的原子帶圖乘以該比例的開方數，以得到歸一化處理后的各級子帶圖像。

通過統(tǒng)計大量圖像的各子帶的能量或平均絕對偏差，可以計算得到統(tǒng)計量；這樣，在測試時，給定任意一幅圖，將前面統(tǒng)計得到的統(tǒng)計量作為整個圖像空間上的平均值標準，來進行線性變換歸一化處理；開方處理，則是因為圖像的能量值是與像素值的平方成正比，而子帶圖中的值其實代表的是像素值，因此用原子帶圖乘以比例的開方數。

附圖說明

圖1為本發(fā)明實施例1中所用方法的流程圖。

圖2為本發(fā)明實施例1中各個步驟所得圖像結果的示意圖。

圖3為本發(fā)明實施例2中各個步驟所得圖像結果的示意圖。

圖4為本發(fā)明實施例1中的基于多尺度分解的圖片能量歸一化處理系統(tǒng)的示意性框圖。

具體實施方式

下面通過具體實施方式對本發(fā)明作進一步詳細的說明：

實施例1

本實施例中的基于多尺度分解的圖片能量歸一化處理系統(tǒng)采用大致如圖1中所示的方法，對x線胸片圖像進行多尺度分解的能量歸一化，x線胸片圖像為黑白圖像，每個像素的像素值為其灰度值，具體步驟為：

s01:輸入胸片圖像

如圖2所示，從臨床上采集的原始x線胸片圖大小為2048*2048，像素分辨率為0.175*2mm；先用雙立方差值法對原始胸片圖進行降采樣使得像素分辨率為0.5mm，大小為1024*1024；

s02：胸片圖像多尺度分解

對降采樣后的胸片圖像進行多尺度分解，本實施例中采用拉普拉斯金字塔分解，分別得到從精細到粗糙尺度的n級子帶以及各個子帶的大小。

如圖2所示，本實施例中，輸入的胸片圖像被分解為6個尺度的子帶圖，其大小分別為：1024²，512²，256²，128²，64²，32²。

s03：各子帶能量歸一化處理

對步驟s02中得到的n級子帶分別進行歸一化處理。

其中，對于任一級子帶ii，先對其進行裁剪，獲取子帶圖中一定區(qū)域的圖像信息ii'，本實施例中，裁剪后的子帶圖像位于原子帶圖像的正中，裁剪前后圖像的寬度比為7/8，高度比為15/16，

然后計算ii'的平均能量ei：

當i＜n時，ei＝mean(i'i²)，此處為了加快計算，將mean(i'i)近似為0，減少運算量；

當i＝n時，ei＝mean((i'i-mean(i'i))²)，n級子帶為最接近原圖的子帶；

在此之前，系統(tǒng)通過統(tǒng)計多張x線胸片圖采用同樣的尺度分級后的各尺度子帶圖的能量或mad(meanabsolutedeviation平均絕對偏差)值，得到了諸如均值、中值或90分位點等統(tǒng)計值，這些統(tǒng)計值都可以用來調整子帶的能量分布；統(tǒng)計的樣本數量越多，則統(tǒng)計量越準確。

本實施例中，需要事先對超過200張的x線胸片圖進行統(tǒng)計，而用于調整子帶能量分布的統(tǒng)計值優(yōu)選的采用能量的均值；

設對所有統(tǒng)計圖像的i級子帶進行統(tǒng)計后得到的能量均值表示為enermedi，則調整后子帶圖的表達式為：

s04：多尺度重建胸片圖像。

由步驟s04得到的新的各級子帶inew進行多尺度重建，得到重建后的圖像imi。

s05：提取有效百分位數值。

圖像中的像素值的最大值為maxvalue，則百分位數值＝像素值/maxvalue*100％。

本實施例中，提取的有效百分位數值設定為1％～99％；即，像素值小于圖像imi中的最高值×1％的點會在歸一化中取0，大于該最高值×99％的點將在歸一化中取1，其余點則為有效點。

s06：輸出歸一化后圖像。

對圖像imi進行線性變換歸一化處理，使每個圖像點的值處于[01]之間,進而得到最終處理后的胸片圖像。

值得注意的是，在另一些實施例中，步驟s02中，多尺度分解的程度n值的設置可根據圖像具體情況適當增大或減??；

而在另一些實施例中，步驟s01中對于子帶ii的裁剪可視具體情況而定，可以不進行裁剪；

在另一些實施例中，步驟s04中對imi的有效百分位值的選取可適當調整。

還有，本發(fā)明中的多尺度分解方式可用在不同部位、不同解剖位置的x線圖像上，實現(xiàn)不同部位圖像的歸一化處理。

在一些實施例中，本發(fā)明的歸一化方法可對彩色圖像進行歸一化；

彩色圖像的每個像素的像素值由為紅、綠、藍三個顏色的值組成的向量，因此對于彩色圖像的歸一化，只需將圖像分解為紅、綠、藍三個通道，再對每個通道分別歸一化，而后再合并即可。

本實施例中的方法是用如圖4所示的基于多尺度分解的圖片能量歸一化處理系統(tǒng)來實施的；

該系統(tǒng)包括：輸入模塊，用于輸入原始圖像；

分解模塊，用于對輸入模塊發(fā)送來的原始圖像進行多尺度分解，分別得到尺度從精細到粗糙的多級子帶圖像；

統(tǒng)計模塊，用于計算、統(tǒng)計分解模塊分解后的每個尺度的圖片的統(tǒng)計值，并發(fā)送給所述歸一化處理模塊；

歸一化處理模塊，用于對從分解模塊得到的各級子帶圖像分別進行歸一化處理：

重建模塊，用于對歸一化處理模塊得到的歸一化處理后的各級子帶圖像進行多尺度重建，得到重建后的圖像；

輸出模塊，用于將從重建模塊中得到的重建后的圖像中的各點線性變換歸一化為取值在[01]之間,進而得到最終處理后的圖像輸出。

因此，該系統(tǒng)的輸入模塊，用于完成本實施例的步驟s01；

分解模塊，用于完成本實施例的步驟s02；

歸一化處理模塊，用于完成本實施例的步驟s03；

重建模塊，用于完成本實施例的步驟s04；

輸出模塊，用于完成本實施例的步驟s05和s06；

而本實施例中所使用的統(tǒng)計值的獲取，則通過輸入模塊、分解模塊以及統(tǒng)計模塊來完成：在使用本系統(tǒng)來進行歸一化處理前，需要事先輸入超過200張的x線胸片圖進行降采樣和多尺度分解，而后將分解得到的各尺度的子帶圖輸入到統(tǒng)計模塊中；統(tǒng)計模塊用于首先計算出每張圖片的能量值或mad(meanabsolutedeviation平均絕對偏差)值，再統(tǒng)計出均值、中位值、90分位值這些統(tǒng)計值，用于對而后的胸片圖像歸一化處理；本實施例中，統(tǒng)計模塊計算并統(tǒng)計出所有輸入圖像各尺度的子帶圖的能量均值，并將該均值發(fā)送給歸一化處理模塊。

由此可知，統(tǒng)計量是可以進行更新的，系統(tǒng)每次處理x線胸片圖像時，均可通過統(tǒng)計模塊對各尺度的子帶圖的能量值或mad值進行計算，當累計到一定數量(例如200個)的計算值后，則可以重新計算統(tǒng)計值用以歸一化處理。

實施例2

本實施與實施例1的不同在于:步驟s02中，采用基于daubechies小波基db4的小波變換對降采樣后圖像進行多尺度分解；

如圖2所示，分解得到3個尺度的子帶圖，其大小分別為：515²，261²，134²，其中前兩階子帶分別有h,v,d三個方向上的高頻系數(3副子帶圖)，最后一階子帶上有a,h,v,d四個方向的小波系數(4副子帶圖)；

相應的，步驟s04中，然后將3個尺度上的共10條子帶歸一化后的子帶圖進行基于daubechies小波基db4的小波重建；

進而，用于實施本實施例的基于多尺度分解的圖片能量歸一化處理系統(tǒng)中，分解模塊和重建模塊所使用的算法也作相應調整；

另外，本實施例中的統(tǒng)計值優(yōu)選的采用能量的中位數，進而本實施例所用系統(tǒng)中的統(tǒng)計模塊的算法和輸出也作相應調整；

對所有輸入的圖片的所有i級子帶進行統(tǒng)計后得到的能量中位數表示為enermedi，則調整后子帶圖的表達式為：

以上所述的僅是本發(fā)明的實施例，方案中公知的具體結構和/或特性等常識在此未作過多描述。應當指出，對于本領域的技術人員來說，在不脫離本發(fā)明結構的前提下，還可以作出若干變形和改進，這些也應該視為本發(fā)明的保護范圍，這些都不會影響本發(fā)明實施的效果和專利的實用性。本申請要求的保護范圍應當以其權利要求的內容為準，說明書中的具體實施方式等記載可以用于解釋權利要求的內容。