基于非下采样Contourlet变换的眼底图像去噪增强算法研究

论文摘要

眼底图像是眼科疾病及其他疾病的有效诊断依据,但具有边缘细节繁多、背景亮度不均、对比度差的特点,给医生的诊断和眼底图像的后续处理带来诸多不便。传统的去噪、增强算法往往在提高图像对比度的同时,模糊了图像的细节特征,这对质量要求较高的医学图像来说,是不可接受的。多尺度几何分析方法不仅继承了多尺度分析的多分辨率特性和时频局部化特性,还具有各向异性和多方向分析特性,为医学图像处理提供了优良的工具。在深入研究了Contourlet变换和非下采样Contourlet变换的理论及结构、并分析了眼底图像特点和各种去噪增强技术的基础上,本文提出了结合去噪和增强的基于NSCT的PCA眼底图像去噪增强算法,并深入地探讨了该算法中的参数选取和算法的处理效果。该算法首先对图像进行非下采样Contourlet变换获得多尺度多方向的分解系数矩阵,然后利用主分量分析方法直接估计各尺度各方向的噪声能量,根据噪声能量估计值选取合适的阈值及阈值调节参数,依据阈值函数对变换系数矩阵进行处理,最后对修正后的系数矩阵进行非下采样Contourlet逆变换得到处理后图像。为了评价该算法的有效性,本文采用了以客观评价为主、主客观评价相结合的评价方法。客观评价方法采用了峰值信噪比来评价去噪效果,用背景方差和细节方差来评价增强效果。实验表明,和其他方法相比,峰值信噪比得到了显著提高,图像对比度得以提高,视觉效果得以改善。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 图像去噪增强技术概述
• 1.2.2 多尺度分析的研究历史和现状
• 1.3 本文内容及创新点
• 1.4 章节安排
• 第二章 理论基础
• 2.1 时频分析历程
• 2.1.1 傅立叶分析和小波分析
• 2.1.2 多尺度几何分析
• 2.2 Contourlet变换
• 2.2.1 "理想"的图像表示方法
• 2.2.2 拉普拉斯金字塔
• 2.2.3 方向滤波器组
• 2.3 非下采样Contourlet变换
• 2.3.1 非下采样金字塔
• 2.3.2 非下采样方向滤波器组
• 2.3.3 非下采样Contourlet变换
• 2.4 本章小结
• 第三章 基于NSCT的PCA眼底图像去噪增强算法
• 3.1 噪声和去噪
• 3.1.1 图像噪声
• 3.1.2 小波阈值去噪
• 3.1.3 阈值的选取
• 3.1.4 阈值函数的选取
• 3.2 眼底图像的NSCT分析
• 3.2.1 眼底图像特点
• 3.2.2 眼底图像的NSCT系数
• 3.2.3 基于NSCT的图像去噪增强算法
• 3.3 主分量分析方法
• 3.3.1 K-L理论基础
• 3.3.2 基于PCA的图像重建实验
• 3.3.3 基于PCA的噪声阈值选取
• 3.4. 本章小结
• 第四章 算法效果评价
• 4.1 图像质量的评价方法
• 4.1.1 客观评价
• 4.1.2 主观评价
• 4.2 基于NSCT的眼底图像PCA去噪增强算法
• 4.2.1 算法流程图
• 4.2.2 阈值选取公式及调节参数
• 4.2.3 阈值函数或增强函数
• 4.3 算法的实现
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文小结
• 5.2 展望
• 附录 算法核心代码
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文
• 学位论文评阅及答辩情况表