適用于無(wú)線膠囊內(nèi)鏡圖像的TV模型圖像處理技術(shù).pdf

1、作為生物醫(yī)療領(lǐng)域全新的技術(shù)突破，膠囊內(nèi)鏡以其無(wú)痛、無(wú)創(chuàng)傷、可全程檢測(cè)，尤其是攻克了傳統(tǒng)消化道疾病難以檢查小腸部位的盲區(qū)等優(yōu)點(diǎn)，成為臨床醫(yī)學(xué)研究的熱點(diǎn)技術(shù)，其臨床檢測(cè)的有效性也逐步獲得醫(yī)學(xué)界的認(rèn)同。但是，一次膠囊內(nèi)鏡檢測(cè)會(huì)產(chǎn)生上萬(wàn)張圖片，從這些海量數(shù)據(jù)中篩選出異?；虿∽儓D像，成為臨床醫(yī)生面臨的一項(xiàng)繁重任務(wù)。所以，結(jié)合膠囊內(nèi)鏡彩色圖像處理技術(shù)，提高改善圖片的質(zhì)量，縮短醫(yī)生閱片時(shí)間，提高診斷準(zhǔn)確率，成為膠囊內(nèi)鏡圖像臨床輔助診斷亟待解決的問(wèn)題，

2、也逐步成為醫(yī)學(xué)圖像處理中的一個(gè)熱點(diǎn)研究方向。論文對(duì)無(wú)線膠囊內(nèi)鏡彩色圖像處理中的若干關(guān)鍵問(wèn)題進(jìn)行了分析和研究，利用文中提出的改進(jìn)的算法及模型，提高了圖像品質(zhì)，增強(qiáng)了無(wú)線膠囊內(nèi)鏡圖像對(duì)于臨床醫(yī)生的輔助診斷功能，大大減少了臨床醫(yī)生的診斷時(shí)間，有效地提高了診斷準(zhǔn)確率和有效性。
　　 腸胃內(nèi)部比較黑暗復(fù)雜的環(huán)境以及圖像在采集和無(wú)線傳輸過(guò)程中不可避免的受到外界的影響和干擾，容易導(dǎo)致圖像被噪聲污染，或受到不同程度的模糊，或者既被噪聲污染又被模

3、糊，從而導(dǎo)致圖像品質(zhì)下降，對(duì)臨床醫(yī)生及后期的計(jì)算機(jī)輔助診斷會(huì)產(chǎn)生諸多不利影響。因此，對(duì)無(wú)線膠囊內(nèi)鏡醫(yī)學(xué)圖像進(jìn)行去噪聲、去模糊、盲去模糊以及圖像病變區(qū)域的提取等數(shù)字圖像預(yù)處理技術(shù)日益成為臨床輔助診斷過(guò)程中亟待解決的關(guān)鍵問(wèn)題。
　　 本文通過(guò)對(duì)全變差框架理論系統(tǒng)的研究分析，提出了一種適用于無(wú)線膠囊內(nèi)鏡圖像處理技術(shù)，主要包括圖像去噪聲、去模糊、在卷積算子未知的情況下盲去模糊以及圖像的分割等相關(guān)問(wèn)題。本論文組織結(jié)構(gòu)主要包含以下幾部分內(nèi)容

4、：
　　 (1)分析了基于全變差框架圖像處理中的一些基本問(wèn)題及相關(guān)工作，主要包括圖像去噪聲、圖像去模糊、圖像的盲去模糊以及基于水平集的圖像分割等方面。各章節(jié)首先分析現(xiàn)有最新權(quán)威算法的優(yōu)缺點(diǎn)，然后闡述所提出的解決方案，建立相應(yīng)的基于全變差框架的模型，之后進(jìn)行理論推導(dǎo)、算法數(shù)值實(shí)現(xiàn)，并在每一章節(jié)最后與目前權(quán)威經(jīng)典算法進(jìn)行了驗(yàn)證對(duì)比。
　　 (2)討論了基于全變差的圖像去噪模型以及目前算法存在的缺陷與弊端。傳統(tǒng)圖像去噪算法模型

5、中均衡參數(shù)均為常數(shù)，與圖像本身的信息無(wú)關(guān)。但在研究全變差模型時(shí)發(fā)現(xiàn)，均衡參數(shù)在模型中起著至關(guān)重要的調(diào)節(jié)作用。均衡參數(shù)選得過(guò)小或過(guò)大容易導(dǎo)致圖像去噪去模糊程度不夠或者是去噪去模糊過(guò)度，使圖像的紋理細(xì)節(jié)信息被平滑掉。傳統(tǒng)算法均未明確提出如何確定一個(gè)合理的或最優(yōu)的均衡參數(shù)數(shù)值的方法，所以發(fā)展一個(gè)具有均衡參數(shù)自動(dòng)最優(yōu)選擇能力的去噪算法將會(huì)對(duì)提高算法的去噪性能及其自適應(yīng)具有重要的實(shí)用價(jià)值。本文提出一種新的二分法技術(shù)來(lái)實(shí)現(xiàn)自動(dòng)尋找最優(yōu)的均衡參數(shù)值，

6、并把算法擴(kuò)展到彩色圖像的去噪聲問(wèn)題上。實(shí)驗(yàn)結(jié)果表明，由于所采用的二分法所具有的快速收斂性，本章所提出的算法可以很快確定最優(yōu)均衡參數(shù)數(shù)值，從而提高算法的去噪聲性能及自適應(yīng)性。最后通過(guò)仿真實(shí)驗(yàn)對(duì)結(jié)合了二分法以后的各種去噪方法的優(yōu)劣以及對(duì)參數(shù)的魯棒性進(jìn)行了對(duì)比。實(shí)驗(yàn)對(duì)比結(jié)果表明，改進(jìn)的算法收斂速度快，可以自動(dòng)尋找最優(yōu)均衡參數(shù)。在處理彩色圖像去噪問(wèn)題時(shí)，充分考慮了彩色圖像通道間的耦合作用，最大程度地保護(hù)了圖像的紋理信息。通過(guò)仿真實(shí)驗(yàn)結(jié)果對(duì)比發(fā)現(xiàn)

7、，改進(jìn)算法的去噪聲效果優(yōu)于其他算法。
　　 (3)在研究分析了Beck-Teboulle基于快速梯度投影法的去模糊算法的基礎(chǔ)上，提出了圖像去模糊的新模型。新模型摒棄了傳統(tǒng)圖像去模糊算法計(jì)算量大、耗時(shí)長(zhǎng)的弊端，降低了算法的運(yùn)算復(fù)雜度，提高了收斂速度。但和目前的圖像去模糊算法一樣，去模糊算法數(shù)學(xué)模型中均衡化參數(shù)同樣沒(méi)有結(jié)合圖像的統(tǒng)計(jì)學(xué)信息，影響了圖像的去模糊效果。為了克服這個(gè)缺點(diǎn)，在去模糊數(shù)學(xué)模型中同樣引入了第三章提出的二分法技術(shù)，

8、使得均衡參數(shù)能夠根據(jù)圖像的統(tǒng)計(jì)學(xué)信息，自動(dòng)選擇均衡參數(shù)最優(yōu)值。結(jié)合圖像的去模糊數(shù)學(xué)模型，對(duì)二分法技術(shù)做了嚴(yán)密的理論推導(dǎo)，并將該算法成功擴(kuò)展應(yīng)用到彩色無(wú)線膠囊內(nèi)鏡圖像去模糊處理上。實(shí)驗(yàn)結(jié)果表明，結(jié)合了二分法技術(shù)的圖像去模糊新算法，可以很快確定最優(yōu)均衡參數(shù)數(shù)值，收斂速度快，恢復(fù)得到的圖像質(zhì)量高，從而提高算法的去模糊性能及自適應(yīng)性。
　　 (4)討論了圖像的盲去模糊問(wèn)題。圖像的普通去模糊問(wèn)題是在卷積算子信息已知的情況下恢復(fù)降質(zhì)圖像。因

9、為圖像的去模糊數(shù)值求解過(guò)程中，牽扯到卷積算子的反演計(jì)算，屬于一類病態(tài)問(wèn)題，所以它一直是圖像處理領(lǐng)域比較前沿并且具有一定挑戰(zhàn)性和難度的研究方向和課題。傳統(tǒng)基于全變差框架盲去模糊算法，均利用交替迭代最小化算法實(shí)現(xiàn)圖像的盲去卷積，這導(dǎo)致圖像恢復(fù)和卷積算子的確定總存在一定時(shí)間上的延遲，不能同時(shí)恢復(fù)圖像和卷積算子。數(shù)值實(shí)現(xiàn)上的迭代延遲導(dǎo)致了圖像恢復(fù)的過(guò)程中，將會(huì)在一定程度上損失一些圖像的紋理細(xì)節(jié)以及邊緣信息。針對(duì)這個(gè)問(wèn)題，基于Beck-Tebou

10、le的算法和內(nèi)積空間知識(shí)，本文提出了一個(gè)新的基于全變差框架的盲去模糊算法模型，把圖像和卷積算子看做為兩個(gè)獨(dú)立的未知變量，運(yùn)用了現(xiàn)有快速梯度投影算法的思想，實(shí)現(xiàn)了同時(shí)恢復(fù)圖像和卷積算子，最后成功的將該算法擴(kuò)展應(yīng)用到彩色無(wú)線膠囊內(nèi)鏡圖像上。實(shí)驗(yàn)結(jié)果表明，該算法因?yàn)槌浞掷昧藞D像和卷積算子的信息，所以優(yōu)化得到的圖像和卷積算子的絕對(duì)誤差均明顯小于其他算法，并且新算法具有更好的魯棒性、穩(wěn)定性和更快的收斂速度。
　　 (5)討論了經(jīng)典的主動(dòng)

11、輪廓C-V模型和測(cè)地學(xué)Geodesic Active Contours(GAC)模型。就C-V模型的優(yōu)缺點(diǎn)進(jìn)行了分析，并分析兩種模型存在的缺點(diǎn)：(1)水平集曲線在演化的過(guò)程中必須不斷的進(jìn)行初始化，以確保零水平集函數(shù)不會(huì)遠(yuǎn)離符號(hào)函數(shù)；(2)初始水平集函數(shù)必須包括被分割的目標(biāo)物體；(3)對(duì)于噪聲和模糊比較敏感，且深度凹陷物體及弱邊緣圖像檢測(cè)效果不理想。結(jié)合C-V模型和GAC模型，提出一種改進(jìn)的單相水平集圖像分割模型，引入邊緣檢測(cè)函數(shù)，提高了

12、算法收斂速度以及算法檢測(cè)圖像弱邊界的能力；改變了傳統(tǒng)算法中面積項(xiàng)的權(quán)重系數(shù)為常數(shù)的弊端，將該權(quán)重系數(shù)和圖像信息充分結(jié)合，使演化曲線能夠根據(jù)該信息及時(shí)調(diào)整曲線演化方向。內(nèi)部能量項(xiàng)的引入，避免了初始化零水平函數(shù)的過(guò)程，并且初始化水平基函數(shù)的位置可以在任意位置，不必包圍被分割的目標(biāo)物體。該模型同時(shí)兼具GAC模型和C-V模型的優(yōu)勢(shì)，并且對(duì)于強(qiáng)噪聲和模糊具有比較強(qiáng)的適應(yīng)性和魯棒性，能夠更好檢測(cè)多物體輪廓、弱邊緣以及深度凹陷輪廓?；谕瑯拥乃枷耄瑢?duì)