● 摘要
在医学图像处理中，影像分析已经是一项非常重要的研究领域。其中目标增强与图像分割是关键部分。医学图像处理主要是进行目标增强与图像分割，从而调整亮度,对比度,锐化,平滑以及绘画突出细节。在医学图像中，测量血管大小，肿瘤区域，骨折长度等数据参数对于具有重要意义的。在很长的时间内，医学图像处理问题一直用经验黄金法则，例如直方图均衡化增强或阈值的图像分割。医学图像处理需要深入研究图像质量的评估。该项目的研究目的是探索图像增强对图像质量带来的主要问题。本文提出了两种对比度增强和亮度保持算法，这项研究涵盖了与直方图均衡化(HE)相关的问题和解决方法,可用在医学影像中,例如大脑、乳房x光检查、骨折等影像。
亮度保持已经成为图像增强的主要研究领域，并且根据艺术方法的统计，直方图的概率分布函数已经改变了。灰度图像的直方图均衡化方法可以修改移动到灰度级中间的平均亮度水平。然而基于bi-histogram均衡方法已经成功地解决了该问题，使其呈现更好的亮度，但某种程度上看起来不那么自然了。同样地，将直方图分割成超过二段的多直方图均衡方法经证明更优于Bi-HE方法。本文采用了Bi-He和Multi-HE两种方法，使用有不同的阈值选择标准的分段直方图,然后均衡各分段直方图, 克服了以往方法的缺点。这些方法复杂度不高，并且使得图片看起来更加自然。本文提出了Bi-HE的两种不同阈值选择标准将直方图分割成两部分，一种是阈值搜索，另一种是Otsu多阈值选择标准。第三部分使用平均值分割直方图，但同时选择两个裁剪线来分割直方图，最后分别对其进行均衡化。然而multi-HE法使用平均值和中值的直方图分割方法，然后归一化幂律作为直方图的加权改正参数。因此在均衡之前，已经引入了一个分割直方图的新模块，它基于平均值建立6个裁剪线，然后每个直方图段就这样被裁剪开了。裁剪过程通常控制着加强速度，并使输出图像更加自然。对质量、亮度、图像对比度等不同测量参数进行定性和定量分析，与现存方法做比较，同时用大量量化参数进行绩效评估。在所有的评估参数比较中，本文提出的技术结果最好。
针对医学影像分割，本文比较了5种方法，找出将脑肿瘤影像分割最好的算法。算法评估基于肿瘤领域和算法的复杂度。并针对各算法进行了量化和量性分析来测试它们的相对性能。