文摘

一个优化的基于小波变换的医学图像压缩算法和改进的矢量量化。该方法的目的是维护诊断相关信息的医学图像压缩比很高。小波变换是第一个应用于图像。最低频率子带的小波系数,无损压缩方法是利用;为每个高频部分波段,用可变块大小优化的矢量量化实施。小说中矢量量化方法,当地的分形维数(最晚完成日期)是用于分析每个小波系数的局部复杂性,部分波段。然后一个最优的四叉树法划分每个小波系数子带分成几个子块的大小。在那之后,一个修改K方法则是基于能量函数中使用的码书训练阶段。最后,矢量量化编码在不同类型的子块实现的。为了验证该算法的有效性,JPEG,如JPEG2000,分形编码方法被选为对比算法。实验结果表明,该方法可以提高压缩性能和实现之间的平衡压缩比和图像的视觉质量。

1。介绍

随着现代医疗行业的迅速发展,医学图像由内科医生准确诊断中发挥重要作用。然而,大量的图像提出了一个高容量的存储设备的需求。除此之外,远程医疗是医疗行业的发展趋势,而狭窄的传输带宽限制的发展这个项目。解决上面提到的问题,大量的研究已经进行到医学图像压缩。

医学图像压缩方法可以简单地分为两类:无损压缩和有损压缩。无损压缩可以完全相同的重建原始图像。有损压缩利用人类的软弱psychovisual效果优化压缩结果但失去某些图像信息(1]。无损编码方法喜欢霍夫曼编码(2],LZW [3],算术编码[4),和其他一些改进方法(5)可以用完美的代码一个图像和解码结果。然而,这些方法只能获得低压缩比在1到4;更高的压缩比是很难获得的。尽管医生和科学家更愿意处理未堕落的数据,适度压缩提供的无损编码通常是不足为传输或存储的目的。在这些情况下,一个有损压缩方法,保留了诊断信息是必要的。有很多有损图像编码方法,如预测编码(6),离散余弦变换(DCT)编码7],fractal-based编码[8],小波编码[9,10),矢量量化(VQ)方法(11,12),和一些其他方法。主要预测编码方法可以减少时间和空间域像素的相关性。这种方法可以得到一个好的视觉质量解码图像,但其压缩比只是普通。小波方法常用于图像编码,可以分析一个图像在不同分辨率。DCT很容易实现和广泛应用于图像编码,它能在短时间内解码图像,但压缩比是有限的,或者它可能将其解码图像块效应。分形图像编码具有良好的视觉质量和压缩比。然而,它有一些局限性像详尽的固有的编码时间。有一些修改方法针对缩短编码时间的分形方法,可以发现在13]。人工神经网络(ANN) [14)方法是一种新型的图像编码方法,并被广泛使用,但其样本的训练是耗费时间和神经网络模型的选择是至关重要的在图像编码。有很多种关于小波变换图像编码算法,如嵌入式图像的小波(EZW) [15),设置分区分层树(SPIHT) [16),和一些其他方法。近年来这些方法都取得了极大的成功。然而,所有这些方法无法提供高压缩比。

矢量量化编码方法是一种有效的信息来源。的原则,构建一个向量基于几个标量数据组,因此,矢量量化编码优于标量量化编码。LBG算法命名其提议的林德等人,然后有很多其他改进方法(17]。这种方法可以提供一种高压缩比和一个简单的解码过程。然而,一个严重的问题在传统矢量量化边缘退化。为了解决这个问题,介绍了可变块图像编码Vaisey和Gersho [18]:这项技术获得一个令人满意的质量编码的结果在一个较高的比率。可变块图像编码是基于传统的矢量量化。而不是把图像分解为一系列的子块均匀大小的传统矢量量化算法,可变块编码段原始图像分成几个类型的块。在这个过程中,区域呈现高复杂性分为小块,而那些低复杂性分为大块。可变块编码方法可以达到一个高的视觉质量和相对较高的压缩比。相关作品的矢量量化可变块已报告,(19),执行可变块编码的小波域。此外,Sasazaki et al。20.)使用当地的分形维数作为指标来评估当地的图像的复杂性。

介绍了一种新颖的基于小波变换的医学图像压缩方法和矢量量化,从而提供了一种高效的压缩性能良好的视觉质量。在我们的方案中,作为原始图像的大部分能量集中在低频子带,我们将原始图像分解为一个低频子图象和几个高频子图象使用小波变换的低频子图象与霍夫曼编码的信息操纵人类的眼睛很敏感。信息在高通八度乐队总是细节或边缘。根据人类视觉系统(HVS),这部分的损失不会察觉。所以,我们处理高频子图象与我们提出的矢量量化方法。

2。我们的方案大纲

在我们的计划,首先将原始图像分解为通过小波变换多分辨率子图象;然后,系数低通八度乐队由霍夫曼编码方法编码系数在每个高通八度乐队提出新颖的矢量量化编码的可变块。该算法的图是图所示1。

霍夫曼编码方法是一种常见的方法在图像压缩领域,所以这一部分的介绍将被忽略。优化的矢量量化与可变块大小包括两个步骤。第一步是将子图象划分为一系列的子块。系数矩阵的平滑区域分为子块尺寸相对较大,而包含很多细节分为小型子块。复杂性的度量是基于当地的分形维数的价值(最晚完成日期)。为了当地的分形维数进行分类成预定的类,应用判别分析的方法(21]。之后,一个优化的四叉树(QT)方法是利用子图象的分割成不同大小的块。第二步是量子化的一步。的过程中,每一个码书是由几个sub-books。每个sub-books训练的修改K——方法。然后每个子图象编码和解码的电报密码本。

3所示。基于我们的医学图像压缩算法

3.1。将高频分解划分为适应可变块

分形维数(FD)是一个统计量,给出了关于如何完全分形对象似乎填补空间。FD的价值有很强的相关性与表面粗糙度的人类的判断。从这个意义上讲,FD是一个很好的工具在图像处理领域。分形维数测量不能派生但必须估计。本文全面方法(22)是用来估计当地的分形维数的图像。在子图象技术,由高通系数可以被视为一个丘陵地形表面的高度从地面正常的价值系数成正比(23]。那么所有点的距离两边表面生成一个毯子厚度2ε。由其上表面覆盖层定义和(24]。反复的表面积覆盖计算。最初的毯子,表面和由子图象的系数的值。然后,不同的表面是由

在哪里像素之间的距离吗和像素。在这个公式中,点(米,n)被四个点的直接邻居。毯子的体积计算

在面积测量

另一方面,行为根据分形表面的面积 在哪里是一个常数为一个特定的形象和D表示一个物体的分形维数。

因此,FD价值可以从线性估计的对毯子的刻度范围从1到,斜率应该等于2 d。当地分形维数的估计,当地总是的窗口大小,,,或者更大。

子图象的局部复杂性分析后,最晚完成日期映射图像。最晚完成日期映射图像,每一点的像素值是当地的分形维数对应像素的原始子图象。根据当地的分形维数,不同大小的图像分为区块。因为所有的最晚完成日期值小数的子图象,是不可能把子图象分割成许多类型的块作为当地的分形维数显示的数量。所以我们必须将最晚完成日期将图像映射到一定数量的类。在过程中,判别分析(21]。这种技术可以自适应地选择一个阈值,将用于将图像划分为对象和背景。

在这篇文章中,一个优化的四叉树方法进行分解的子图象分成几个尺寸块。为了理解优化的四叉树法、四叉树算法是第一个解释如下。

四叉树是一个树的数据结构被芬克尔和宾利在1974年(25]。在四叉树分解,判断是第一块是否可以用一个大块或必须分为四个区块(26]。在这篇文章中,当地的分形维数的分类结果被视为判断的四叉树分解的过程。四叉树递归细分技术图像分为四个象限或区域,直到当前块的优先级是同质的。

过程中可变块分割,大小的块像素将包含不仅取决于自身的优先级,但也在其周围像素的优先级。所以我们可以得出一个结论,邻接关系是非常重要的每一个像素。至于整个副环带,如果我们能找到一个好的邻接关系对所有像素,不同大小的图像块的比例将会改变,解码子图象的质量也将改变。优化的四叉树的目的是选择一个优秀的初始位置分割子图象,这将提高压缩比、提高图像质量在同一比例。

首先在传统四叉树方法,图像分成许多初始大小的区块从第一行到最后,从第一列到最后一列,那么最初的子块将继续分裂。在拟议的技术中,初始分割位置经常会改变,然后最好的初始分割位置选择过程的初始分割图像。小说的方法包括两个步骤:统计步骤和选择步骤。优化的四叉树方法的示意图如图2。

假设初始子块的大小表示;原来的子图象的大小,在那里的行数和吗是子图象的列数。在该方法中,有两种方法可以改变位置。第一种方式是固定的左侧初始段在第一列的位置,同时改变了从1到上面线。第二种方法是改变左边从1到初始段的位置列,而修复上面第一行。通过这种方式,类型的位置。为了确保原始子图象的完整性,子图象将扩展时以某种方式改变位置。例如,如果初始位置变化的行方向和原线分裂的位置kth,上部的形象将延长行和图片的下方将会延长行。类似的过程改变位置时将向列方向。扩展的部分只是一个副本的第一行和最后一行。这样,原始子图象的大小扩大,所以在解码端,解码子图象应该缩小相应的方式。

在每个初始位置,可变块执行部门。在这个过程中,不同大小的图像块的数量将统计和部门之间的结构相似度(SSIM)图像和最晚完成日期计算映射图像。之后,最好的初始位置,这将导致最大的求和结构相似度(SSIM)和最小的子块的数量,将被选择作为最后的初始分割段的子图象。结构相似度将在下面详细介绍部分。结构相似度是一个区间的数值高优先级的子块,而近似。所以结构相似性应该乘以10⁵在上述操作之前。选择最佳的方式被定义为初始分割位置

在这里,求和的结构相似性和数量最小的子块。最高优先级的子块的数量吗初始分割的位置。

SSIM [27]是一个客观图像质量度量,它在图像处理中扮演各种各样的角色。它可以用来调整图像质量;此外,它可以用来优化算法和图像处理系统的参数设置。本文利用优化算法。

相似性度量的SSIM分离任务分为三个比较:亮度、对比度和结构。两个图像之间的SSIM的定义

在哪里α> 0,β> 0,γ> 0参数用来调整三个组件的相对重要性。这个公式表示两幅图像的亮度对比。表示对比两张图片的对比。显示的结构比较两个图像。

为了简化表达式,我们集,这意味着亮度、对比度和结构比较两个不同的图像的图像相似度度量方法将扮演同样重要的角色。特定形式的SSIM的结果定义如下: 在哪里,指的是图像的强度吗和:分别之间的协方差形象吗和y;和是常数,这是用来避免不稳定时非常接近于零。

3.2。生成一个与几个Subcodebooks电报密码本

K算法则是一个有用的聚类算法,其中分歧数据点在一个我维空间分成集群。每个集群由一个向量参数化,这表明每个集群的中心。开始K算法,则组以某种方式初始化。然后,该算法将进入一个迭代的两步阶段:任务和更新步骤。在作业步骤中,每个数据点被分配到最近的意思是,在更新一步,意味着调整匹配的样本均值数据点。当算法达到预定的最大迭代时间或增量误差低于预定阈值,迭代结束。

的一个缺点K方法则是它很容易陷入局部最优的结果。这取决于初始集群的性能严重。所以,一个好的初始码书的过程中可以有效地减少迭代次数训练速率和大大提高解码图像的质量。

一个常用的方法来初始化密码本是Forgy和随机分区(28]。它随机选择观测的数据集,并使用这些数据作为初始意味着而随机划分方法首先随机分配一个集群每个观察,然后执行一个更新步骤,因此计算集群的初始是重心的随机点。Forgy方法倾向于最初的传播手段,而随机分割的地方都接近中心的数据集。根据哈默尔和埃尔坎29日),随机划分方法通常是可取的。

在本文中,我们介绍一种新的方法来设置初始代码矢量码书,基于每个子块的能量。在该方法中,我们首先计算每个子块的能量。能量函数的定义是 在哪里像素的数量吗kth子块和灰度的像素。然后所有的子块的能量是有序的,和预定的数字代码向量相等的时间间隔。小说中方法,图像信息是考虑在选择初始码书的过程。

4所示。结果和讨论

验证提出的医学图像压缩算法的性能,30-pair肝脏CT医学数字成像和通信(DICOM)和脑CT图像DICOM图像从一个64行CT机在国内大型医院进行了测试。所有的图像的分辨率。在小波变换的过程中,双正交小波基的选择bior4.4将医学图像。结果通过不同小波基不明显不同。确保图像的大部分能量是不会丢失,执行二级小波分解的实验。

之后,每个高频子带的最小的致命剂量值将被分为三个类别判别分析方法,然后每个可分为,,子块。为了证明提出的码书训练方法的有效性,我们将为每一个副环带构造两种电报密码本。一种电报密码本是由k - means基于随机初始码书,而另一个是得到的能量函数初始码书。因此,有六个sub-codebooks子图象,产生的,,的子块图像,分别。在随后的论文的一部分,码书由随机初始码书叫做随机码,和码书由能量函数构造初始码书叫做能量的速率。

肝脏CT图像和脑CT图像用于测试该方法。图3重建图像显示了不同的电报密码本。数据3(一个)和3 (d)是原始图像,数据3 (b)和3 (e)由能源电报密码本,解码图像编码和数字吗3 (c)和3 (f)由随机码解码图像编码。压缩比的计算应该采取这两种无损和有损部分考虑。无损压缩的压缩比是1.5097,损耗的部分是15.4451,所以真正的压缩比是9.7943。至于头部图像,无损压缩的压缩比是1.3458,和损耗的部分是15.3250,实际压缩比是9.5363。

如图3我们可以看到,两个图像解码质量不同的码书几乎是相同的,当压缩比是固定的。然而,腹部的轮廓的能量速率比随机码清晰。此外,的SSIM值解码图像能量的速率和原始图像由0.02高于随机码。头部图像,两个解码图像的保真度低于肝脏图像,但它不会导致诊断失败。重建图像的对比的能量速率优于随机码,和能源之间的SSIM解码图像和原始图像是高于随机解码图像。的平均SSIM值30肝脏图像和30头图像解码速率在不同压缩比的两种数据中所示4和5。

如数据所示4和5在低压缩比,能源电报密码本的性能类似于随机电报密码本。然而,能源码的性能明显优于随机电报密码本在高压缩比。

为了验证算法的有效性,我们比较算法与最近的一些和常规压缩方法,如DCT、费雪的分形编码,JPEG,如JPEG2000。相应的对比结果如图6(一)原始的肝脏图像;6 (b),6 (c),6 (d),6 (e),6 (f)分别是DCT压缩结果,JPEG,如JPEG2000,费雪的分形编码和算法的压缩比25。

如图6,当压缩比25、肝脏图像压缩所有上述算法存在失真现象。然而,de-compressed图像的纹理特征与我们提出的算法与其他方法比那些图片。

我们用峰值信噪比(PSNR),均方误差(MSE),运行时间,归一化互相关(NCC)四个评价指标比较我们的算法对比方法。当压缩比是固定的25岁以上的价值评价指标如表所示1。

如表所示1,我们的算法的PSNR和NCC值均高于其他四个对比方法,虽然它的运行时间和均方误差值低于其他对比的方法。

5。结论

在本文中,我们提出一个优化的医学图像压缩算法基于小波变换和矢量量化与可变块大小。我们分别操纵霍夫曼编码的低频分量和高频分量,提高了小波变换的矢量量化的艾滋病。虽然该算法的实现更复杂的比一些传统的医学图像压缩算法,它可以压缩图像具有良好的视觉质量和高压缩比。此外,相比一些传统和当前的医学图像压缩算法,该算法拥有更好的性能通过PSNR值的评价指标,运行时间,MSE和NCC。

确认

这项研究是由中国国家自然科学基金(没有。61272176,没有。60973071)和基础研究基金为中央大学(没有。110718001)。