李登輝

摘 要： 針對傳統(tǒng)醫(yī)學(xué)圖像增強(qiáng)效果不理想、邊界模糊不清、不利于病情診斷等問題，提出了一種改進(jìn)的醫(yī)學(xué)圖像增強(qiáng)算法。首先創(chuàng)建一個(gè)適合的隸屬度函數(shù)實(shí)現(xiàn)圖像由時(shí)域到變換域的變換，通過迭代方法加強(qiáng)變換域的細(xì)節(jié)成分，最后通過模糊逆變換得到增強(qiáng)后的時(shí)域圖像。采用的適合隸屬度函數(shù)，增強(qiáng)了圖像效果，使圖像細(xì)節(jié)更清晰。實(shí)驗(yàn)表明，采用模糊方法比傳統(tǒng)的幾種方法可以更有效抑制噪聲，提取醫(yī)學(xué)圖像中的有用信息，更加有利于病情的診斷。

關(guān)鍵詞： 圖像增強(qiáng)； 模糊集； 隸屬度函數(shù)； 模糊逆變換

中圖分類號(hào)： TN919?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）12?0067?03

Abstract： According to the shortcomings of traditional algorithm used to medical images， such as undesirable enhancement effect， unclear fuzzy boundary and disbenefit to diagnosis， an improved medical image fuzzy?enhancement algorithm is proposed. An appropriate subordinating degree function is created to achieve the image transform from time domain to transform domain. The nonlinear iterative method is used to enhance the detail composition in the transform domain. The enhanced time?domain image is obtained through the fuzzy inverse transform. The appropriate subordinating degree function can enhance image effect and make the image detail more clear. Experimental results show that the fuzzy enhancement method can suppress noise more effectively， extract more useful information in medical images and is more beneficial to diagnosis in comparison with traditional methods.

Keyword： image enhancement； fuzzy set； subordinating degree function； fuzzy inverse transform

圖像質(zhì)量增強(qiáng)是圖像處理過程中不可缺少的步驟之一，對于后續(xù)圖像應(yīng)用重要。圖像增強(qiáng)的方法和手段，可以從時(shí)域、變換域等分別進(jìn)行處理。在變換域中由于可以實(shí)現(xiàn)一些比如傅里葉變換、沃爾什、哈達(dá)瑪及DCT等的正交變換，可以獲得更為有效的處理效果[1?2]。

在醫(yī)學(xué)的骨科領(lǐng)域進(jìn)行病情診斷時(shí)，往往會(huì)借助儀器對病人的骨骼拍攝一些X光影像。有時(shí)由于設(shè)備精度原因，往往會(huì)產(chǎn)生所拍攝的影像圖片部分邊界模糊，不利于病情診斷。如果此時(shí)能夠?qū)λ臄z影像圖像進(jìn)行有選擇性的區(qū)域圖像增強(qiáng)，會(huì)幫助醫(yī)生快速準(zhǔn)確診斷[3]。本文是采用基于變換域方法對圖像進(jìn)行增強(qiáng)處理的。首先利用模糊集理論構(gòu)造隸屬度函數(shù)實(shí)現(xiàn)圖像時(shí)域到變換域的變換。在變換域中，根據(jù)對有效成分的分析，通過迭代方法消除噪聲，增強(qiáng)邊界和細(xì)節(jié)成分，最后通過模糊逆變換再映射到時(shí)域，得到清楚的圖像影像。

1 增強(qiáng)方法

圖像處理前，會(huì)對時(shí)域圖像進(jìn)行一些必要的預(yù)處理，即對圖像進(jìn)行降噪，消除干擾[4]。

1.1 消除噪聲

在圖像由時(shí)域到變換域變換

圖3 拉普拉斯處理后的效果

對于增強(qiáng)結(jié)果分別從主觀和客觀角度進(jìn)行評價(jià)。主觀方面，從圖5中可以看出，其邊界和細(xì)節(jié)部分非常清楚?？陀^方面，采用均方誤差（MSE）和峰值信噪比（PSNR）進(jìn)行對比，如表1所示[8]。

從表中實(shí)驗(yàn)數(shù)據(jù)可知，采用模糊算子方法比傳統(tǒng)方法在醫(yī)學(xué)圖像的增強(qiáng)方面，均方誤差明顯減小，而峰值信噪比有所提高。因此，基于模糊集的增強(qiáng)算法更好的處理了醫(yī)學(xué)圖像的邊緣細(xì)節(jié)問題，肌肉和骨骼的分界非常清晰。

3 結(jié) 論

本文所采用的基于模糊集的圖像增強(qiáng)算法，利用隸屬度函數(shù)實(shí)現(xiàn)圖像的變換域轉(zhuǎn)換，通過修正隸屬度函數(shù)進(jìn)一步增強(qiáng)圖像邊緣和細(xì)節(jié)成分，最后通過逆變換重新回到時(shí)域空間，得到增強(qiáng)后的高質(zhì)量圖像。

通過實(shí)驗(yàn)仿真效果的對比，利用模糊集理論的隸屬度函數(shù)可以更清楚地體現(xiàn)醫(yī)學(xué)圖像的邊緣和細(xì)節(jié)，有利于醫(yī)生的正確診斷。該模糊算法也有一些不足之處：如隸屬函數(shù)值的取值范圍不是嚴(yán)格的[0，1]區(qū)間，需要對隸屬函數(shù)進(jìn)一步改進(jìn)；再如模糊增強(qiáng)算子中系數(shù)的選擇，S函數(shù)中的[m，n]參數(shù)等，這將也要根據(jù)經(jīng)驗(yàn)選取，這些是下一步工作的重點(diǎn)。

參考文獻(xiàn)

[1] 韓得水，王明泉.基于同態(tài)濾波與直方圖均衡化的射線圖像增強(qiáng)圖[J].電視技術(shù)，2013，37（7）：20?22.

[2] 龔昌來，羅聰，楊冬濤.一種改進(jìn)的正弦灰度圖像增強(qiáng)算法[J].電視技術(shù)，2012，36（13）：60?62.

[3] 饒謙，田豐.X光機(jī)數(shù)字圖像增強(qiáng)器的關(guān)鍵技術(shù)研究[J].電視技術(shù)，2012，36（13）：52?54.

[4] 王杰，毛玉泉，李思佳.霧天紅外圖像增強(qiáng)方法研究[J].電視技術(shù)，2012，36（21）：149?152.

[5] PAL S K， KING R A. On edge detection of X?ray images using fuzzy sets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（1）： 69?77.

[6] ZHANG Xiao?guang， GAO Ding. Generalized fuzzy enhancement of image for radiographic testing weld [C]// Proceedings of the 4th International Symposium on Image and Signal Processing and Analysis. [S.l.]： ISISPA， 2005： 94?99.

[7] ZHANG Kun?hua， ZHANG Li， YANG Yuan. Infrared image adaptive enhancement based on fuzzy sets theory [C]// Proceedings of 2nd International Asia Conference on Informatics in Control， Automation and Robotics. Wuhan， China： IEEE， 2010： 242?245.

[8] TANG Shi?wei， ZU Guo?feng， NIE Ming?ming. An improved image enhancement algorithm based on fuzzy sets [C]// Proceedings of 2010 International Forum on Information Technology and Applications. Kunming， China： IEEE， 2010： 197?199.

摘 要： 針對傳統(tǒng)醫(yī)學(xué)圖像增強(qiáng)效果不理想、邊界模糊不清、不利于病情診斷等問題，提出了一種改進(jìn)的醫(yī)學(xué)圖像增強(qiáng)算法。首先創(chuàng)建一個(gè)適合的隸屬度函數(shù)實(shí)現(xiàn)圖像由時(shí)域到變換域的變換，通過迭代方法加強(qiáng)變換域的細(xì)節(jié)成分，最后通過模糊逆變換得到增強(qiáng)后的時(shí)域圖像。采用的適合隸屬度函數(shù)，增強(qiáng)了圖像效果，使圖像細(xì)節(jié)更清晰。實(shí)驗(yàn)表明，采用模糊方法比傳統(tǒng)的幾種方法可以更有效抑制噪聲，提取醫(yī)學(xué)圖像中的有用信息，更加有利于病情的診斷。

關(guān)鍵詞： 圖像增強(qiáng)； 模糊集； 隸屬度函數(shù)； 模糊逆變換

中圖分類號(hào)： TN919?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）12?0067?03

Abstract： According to the shortcomings of traditional algorithm used to medical images， such as undesirable enhancement effect， unclear fuzzy boundary and disbenefit to diagnosis， an improved medical image fuzzy?enhancement algorithm is proposed. An appropriate subordinating degree function is created to achieve the image transform from time domain to transform domain. The nonlinear iterative method is used to enhance the detail composition in the transform domain. The enhanced time?domain image is obtained through the fuzzy inverse transform. The appropriate subordinating degree function can enhance image effect and make the image detail more clear. Experimental results show that the fuzzy enhancement method can suppress noise more effectively， extract more useful information in medical images and is more beneficial to diagnosis in comparison with traditional methods.

Keyword： image enhancement； fuzzy set； subordinating degree function； fuzzy inverse transform

圖像質(zhì)量增強(qiáng)是圖像處理過程中不可缺少的步驟之一，對于后續(xù)圖像應(yīng)用重要。圖像增強(qiáng)的方法和手段，可以從時(shí)域、變換域等分別進(jìn)行處理。在變換域中由于可以實(shí)現(xiàn)一些比如傅里葉變換、沃爾什、哈達(dá)瑪及DCT等的正交變換，可以獲得更為有效的處理效果[1?2]。

在醫(yī)學(xué)的骨科領(lǐng)域進(jìn)行病情診斷時(shí)，往往會(huì)借助儀器對病人的骨骼拍攝一些X光影像。有時(shí)由于設(shè)備精度原因，往往會(huì)產(chǎn)生所拍攝的影像圖片部分邊界模糊，不利于病情診斷。如果此時(shí)能夠?qū)λ臄z影像圖像進(jìn)行有選擇性的區(qū)域圖像增強(qiáng)，會(huì)幫助醫(yī)生快速準(zhǔn)確診斷[3]。本文是采用基于變換域方法對圖像進(jìn)行增強(qiáng)處理的。首先利用模糊集理論構(gòu)造隸屬度函數(shù)實(shí)現(xiàn)圖像時(shí)域到變換域的變換。在變換域中，根據(jù)對有效成分的分析，通過迭代方法消除噪聲，增強(qiáng)邊界和細(xì)節(jié)成分，最后通過模糊逆變換再映射到時(shí)域，得到清楚的圖像影像。

1 增強(qiáng)方法

圖像處理前，會(huì)對時(shí)域圖像進(jìn)行一些必要的預(yù)處理，即對圖像進(jìn)行降噪，消除干擾[4]。

1.1 消除噪聲

在圖像由時(shí)域到變換域變換

圖3 拉普拉斯處理后的效果

對于增強(qiáng)結(jié)果分別從主觀和客觀角度進(jìn)行評價(jià)。主觀方面，從圖5中可以看出，其邊界和細(xì)節(jié)部分非常清楚?？陀^方面，采用均方誤差（MSE）和峰值信噪比（PSNR）進(jìn)行對比，如表1所示[8]。

從表中實(shí)驗(yàn)數(shù)據(jù)可知，采用模糊算子方法比傳統(tǒng)方法在醫(yī)學(xué)圖像的增強(qiáng)方面，均方誤差明顯減小，而峰值信噪比有所提高。因此，基于模糊集的增強(qiáng)算法更好的處理了醫(yī)學(xué)圖像的邊緣細(xì)節(jié)問題，肌肉和骨骼的分界非常清晰。

3 結(jié) 論

本文所采用的基于模糊集的圖像增強(qiáng)算法，利用隸屬度函數(shù)實(shí)現(xiàn)圖像的變換域轉(zhuǎn)換，通過修正隸屬度函數(shù)進(jìn)一步增強(qiáng)圖像邊緣和細(xì)節(jié)成分，最后通過逆變換重新回到時(shí)域空間，得到增強(qiáng)后的高質(zhì)量圖像。

通過實(shí)驗(yàn)仿真效果的對比，利用模糊集理論的隸屬度函數(shù)可以更清楚地體現(xiàn)醫(yī)學(xué)圖像的邊緣和細(xì)節(jié)，有利于醫(yī)生的正確診斷。該模糊算法也有一些不足之處：如隸屬函數(shù)值的取值范圍不是嚴(yán)格的[0，1]區(qū)間，需要對隸屬函數(shù)進(jìn)一步改進(jìn)；再如模糊增強(qiáng)算子中系數(shù)的選擇，S函數(shù)中的[m，n]參數(shù)等，這將也要根據(jù)經(jīng)驗(yàn)選取，這些是下一步工作的重點(diǎn)。

參考文獻(xiàn)

[1] 韓得水，王明泉.基于同態(tài)濾波與直方圖均衡化的射線圖像增強(qiáng)圖[J].電視技術(shù)，2013，37（7）：20?22.

[2] 龔昌來，羅聰，楊冬濤.一種改進(jìn)的正弦灰度圖像增強(qiáng)算法[J].電視技術(shù)，2012，36（13）：60?62.

[3] 饒謙，田豐.X光機(jī)數(shù)字圖像增強(qiáng)器的關(guān)鍵技術(shù)研究[J].電視技術(shù)，2012，36（13）：52?54.

[4] 王杰，毛玉泉，李思佳.霧天紅外圖像增強(qiáng)方法研究[J].電視技術(shù)，2012，36（21）：149?152.

[5] PAL S K， KING R A. On edge detection of X?ray images using fuzzy sets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（1）： 69?77.

[6] ZHANG Xiao?guang， GAO Ding. Generalized fuzzy enhancement of image for radiographic testing weld [C]// Proceedings of the 4th International Symposium on Image and Signal Processing and Analysis. [S.l.]： ISISPA， 2005： 94?99.

[7] ZHANG Kun?hua， ZHANG Li， YANG Yuan. Infrared image adaptive enhancement based on fuzzy sets theory [C]// Proceedings of 2nd International Asia Conference on Informatics in Control， Automation and Robotics. Wuhan， China： IEEE， 2010： 242?245.

[8] TANG Shi?wei， ZU Guo?feng， NIE Ming?ming. An improved image enhancement algorithm based on fuzzy sets [C]// Proceedings of 2010 International Forum on Information Technology and Applications. Kunming， China： IEEE， 2010： 197?199.

摘 要： 針對傳統(tǒng)醫(yī)學(xué)圖像增強(qiáng)效果不理想、邊界模糊不清、不利于病情診斷等問題，提出了一種改進(jìn)的醫(yī)學(xué)圖像增強(qiáng)算法。首先創(chuàng)建一個(gè)適合的隸屬度函數(shù)實(shí)現(xiàn)圖像由時(shí)域到變換域的變換，通過迭代方法加強(qiáng)變換域的細(xì)節(jié)成分，最后通過模糊逆變換得到增強(qiáng)后的時(shí)域圖像。采用的適合隸屬度函數(shù)，增強(qiáng)了圖像效果，使圖像細(xì)節(jié)更清晰。實(shí)驗(yàn)表明，采用模糊方法比傳統(tǒng)的幾種方法可以更有效抑制噪聲，提取醫(yī)學(xué)圖像中的有用信息，更加有利于病情的診斷。

關(guān)鍵詞： 圖像增強(qiáng)； 模糊集； 隸屬度函數(shù)； 模糊逆變換

中圖分類號(hào)： TN919?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）12?0067?03

Abstract： According to the shortcomings of traditional algorithm used to medical images， such as undesirable enhancement effect， unclear fuzzy boundary and disbenefit to diagnosis， an improved medical image fuzzy?enhancement algorithm is proposed. An appropriate subordinating degree function is created to achieve the image transform from time domain to transform domain. The nonlinear iterative method is used to enhance the detail composition in the transform domain. The enhanced time?domain image is obtained through the fuzzy inverse transform. The appropriate subordinating degree function can enhance image effect and make the image detail more clear. Experimental results show that the fuzzy enhancement method can suppress noise more effectively， extract more useful information in medical images and is more beneficial to diagnosis in comparison with traditional methods.

Keyword： image enhancement； fuzzy set； subordinating degree function； fuzzy inverse transform

圖像質(zhì)量增強(qiáng)是圖像處理過程中不可缺少的步驟之一，對于后續(xù)圖像應(yīng)用重要。圖像增強(qiáng)的方法和手段，可以從時(shí)域、變換域等分別進(jìn)行處理。在變換域中由于可以實(shí)現(xiàn)一些比如傅里葉變換、沃爾什、哈達(dá)瑪及DCT等的正交變換，可以獲得更為有效的處理效果[1?2]。

在醫(yī)學(xué)的骨科領(lǐng)域進(jìn)行病情診斷時(shí)，往往會(huì)借助儀器對病人的骨骼拍攝一些X光影像。有時(shí)由于設(shè)備精度原因，往往會(huì)產(chǎn)生所拍攝的影像圖片部分邊界模糊，不利于病情診斷。如果此時(shí)能夠?qū)λ臄z影像圖像進(jìn)行有選擇性的區(qū)域圖像增強(qiáng)，會(huì)幫助醫(yī)生快速準(zhǔn)確診斷[3]。本文是采用基于變換域方法對圖像進(jìn)行增強(qiáng)處理的。首先利用模糊集理論構(gòu)造隸屬度函數(shù)實(shí)現(xiàn)圖像時(shí)域到變換域的變換。在變換域中，根據(jù)對有效成分的分析，通過迭代方法消除噪聲，增強(qiáng)邊界和細(xì)節(jié)成分，最后通過模糊逆變換再映射到時(shí)域，得到清楚的圖像影像。

1 增強(qiáng)方法

圖像處理前，會(huì)對時(shí)域圖像進(jìn)行一些必要的預(yù)處理，即對圖像進(jìn)行降噪，消除干擾[4]。

1.1 消除噪聲

在圖像由時(shí)域到變換域變換

圖3 拉普拉斯處理后的效果

對于增強(qiáng)結(jié)果分別從主觀和客觀角度進(jìn)行評價(jià)。主觀方面，從圖5中可以看出，其邊界和細(xì)節(jié)部分非常清楚。客觀方面，采用均方誤差（MSE）和峰值信噪比（PSNR）進(jìn)行對比，如表1所示[8]。

從表中實(shí)驗(yàn)數(shù)據(jù)可知，采用模糊算子方法比傳統(tǒng)方法在醫(yī)學(xué)圖像的增強(qiáng)方面，均方誤差明顯減小，而峰值信噪比有所提高。因此，基于模糊集的增強(qiáng)算法更好的處理了醫(yī)學(xué)圖像的邊緣細(xì)節(jié)問題，肌肉和骨骼的分界非常清晰。

3 結(jié) 論

本文所采用的基于模糊集的圖像增強(qiáng)算法，利用隸屬度函數(shù)實(shí)現(xiàn)圖像的變換域轉(zhuǎn)換，通過修正隸屬度函數(shù)進(jìn)一步增強(qiáng)圖像邊緣和細(xì)節(jié)成分，最后通過逆變換重新回到時(shí)域空間，得到增強(qiáng)后的高質(zhì)量圖像。

通過實(shí)驗(yàn)仿真效果的對比，利用模糊集理論的隸屬度函數(shù)可以更清楚地體現(xiàn)醫(yī)學(xué)圖像的邊緣和細(xì)節(jié)，有利于醫(yī)生的正確診斷。該模糊算法也有一些不足之處：如隸屬函數(shù)值的取值范圍不是嚴(yán)格的[0，1]區(qū)間，需要對隸屬函數(shù)進(jìn)一步改進(jìn)；再如模糊增強(qiáng)算子中系數(shù)的選擇，S函數(shù)中的[m，n]參數(shù)等，這將也要根據(jù)經(jīng)驗(yàn)選取，這些是下一步工作的重點(diǎn)。

參考文獻(xiàn)

[1] 韓得水，王明泉.基于同態(tài)濾波與直方圖均衡化的射線圖像增強(qiáng)圖[J].電視技術(shù)，2013，37（7）：20?22.

[2] 龔昌來，羅聰，楊冬濤.一種改進(jìn)的正弦灰度圖像增強(qiáng)算法[J].電視技術(shù)，2012，36（13）：60?62.

[3] 饒謙，田豐.X光機(jī)數(shù)字圖像增強(qiáng)器的關(guān)鍵技術(shù)研究[J].電視技術(shù)，2012，36（13）：52?54.

[4] 王杰，毛玉泉，李思佳.霧天紅外圖像增強(qiáng)方法研究[J].電視技術(shù)，2012，36（21）：149?152.

[5] PAL S K， KING R A. On edge detection of X?ray images using fuzzy sets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（1）： 69?77.

[6] ZHANG Xiao?guang， GAO Ding. Generalized fuzzy enhancement of image for radiographic testing weld [C]// Proceedings of the 4th International Symposium on Image and Signal Processing and Analysis. [S.l.]： ISISPA， 2005： 94?99.

[7] ZHANG Kun?hua， ZHANG Li， YANG Yuan. Infrared image adaptive enhancement based on fuzzy sets theory [C]// Proceedings of 2nd International Asia Conference on Informatics in Control， Automation and Robotics. Wuhan， China： IEEE， 2010： 242?245.

[8] TANG Shi?wei， ZU Guo?feng， NIE Ming?ming. An improved image enhancement algorithm based on fuzzy sets [C]// Proceedings of 2010 International Forum on Information Technology and Applications. Kunming， China： IEEE， 2010： 197?199.