基于小波变换和混合遗传算法的医学图像配准

为了解决灰度图像配准中由于目标函数容易陷入局部极值而造成的误匹配问题,使参数随图像的NMI计算和多分辨率级数进行自适应调整,采用基于小波变换多分辨率策略,形成多尺度匹配模型,并将粒子群算法(PSO)作为添加算子,提出了以图像归一化互信息(NMI)作为相似性测度的混合遗传算法,对CT与MRI图像进行了配准。实验结果表明,该方法能够解决遗传算法早熟收敛问题,有效地克服信息函数的局部极值,实现图像的自动配准,具有匹配精确、鲁棒性好及效率高等优点。

基于改进水平集的医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,提出了基于物体边界梯度的指数级加速因子模型,通过使用局部图像信息,该模型可以在较少的迭代次数内分割灰度不均匀图像。在规则化项中引入能量惩罚项,消除了传统Chan-Vese模型的重新初始化操作。此外,给出了一个基于演化曲线长度变化的水平集演化终止准则。实验结果证明,该模型不仅能有选择性地对特定目标进行加速分割,而且还能提高弱边界目标的分割精度。

基于直方图均衡的射线图像增强算法

根据射线图像噪声大、对比度差的特点,提出基于直方图均衡的射线图像增强算法,对原始图像进行全局直方图均衡,然后用保持形状的局部反差增强技术使图像按水平集分层,并在每层内实施反差增强,对每层的子图像进行去噪处理,最后再进行合成。实验结果表明:该算法能够有效增强射线图像的对比度,减小噪声的增强幅度,使增强后的图像有更好的视觉效果,避免了传统算法中噪声过增强的问题。