Методы повышения качества рентгенорадиологических изображений

Метод линейного контрастирования.

Данный метод применяется в ситуациях, когда исходное изображение R(k₁, k₂) является малоконтрастным, т.е. все точки исходного изображения закрашены примерно одним цветом, что не позволяет выделять диагностически значимые объекты на уровне фона.

Потеря контрастности изображения обусловлена тем, что диапазон значений яркости [R_min, R_max] на исходном изображении оказывается слишком узким (R_min ≈ R_max).

В этой ситуации возникает необходимость получения такого нового изображения R^*(k₁, k₂), для которого диапазон значений яркости [R_min^*, R_max^*] значительно шире, чем диапазон значений яркости [R_min, R_max] на исходном изображении:

R_min^* << R_min; R_max^* >> R_max

В рамках рассматриваемого метода используется следующая процедура преобразования значений яркости в точках исходного изображения.

R^*(k₁, k₂) = a₀ + a₁R(k₁, k₂)

Коэффициенты а₀, а₁, присутствующие в этом выражении определяются путем решения системы алгебраических уравнений вида

Подобный метод как правило используется для коррекции статических искажений. Статическими называются искажения, которые приводят к отличиям яркостей в точках изображения от их идеальных значений, причем степень этих отличий не зависит от координат точек на изображении.

Напротив, динамические искажения приводят к отличиям яркостей в точках изображения от их идеальных значений, причем степень этих отличий зависит от координат точек на изображении. Обычно динамические искажения описываются моделью вида

R(k₁, k₂) = (k₁, k₂) + ε(k₁, k₂),

где R(k₁, k₂) – значения яркостей в точках реального изображения, получаемого на выходе изображающей системы;

(k₁, k₂) – значения яркостей в точках идеального изображения, не искаженного присутствием помех;

ε - некоторая случайная ошибка.

Эффективным методом коррекции динамических искажений является метод медианной фильтрации.

Метод медианной фильтрации

Основу медианной фильтрации составляет специальная маска, имеющая структуру матрицы, соседние ячейки которой смещены друг относительно друга на одну точку или на один пиксель. Наиболее часто используются маски размера 3×3 или 5×5 точек.

В процессе обработки центр маски последовательно совмещается с каждой точкой исходного изображения. Тогда при использовании, например, маски размера 3×3 область маски локализует 9 значений яркостей в окрестности центра.

Предположим, что на текущем шаге центр маски совмещен с точкой, положение которой задается дискретными координатами k₁, k₂. Тогда область маски определит следующим набор значений яркости.

В качестве нового значения яркости R^*(k₁, k₂) в точке, совпадающей с центром маски, выбирается среднее арифметическое значений яркости, определяемых ячейками маски:

R^*(k₁, k₂) =  [R(k₁-1, k₂+1) + R(k₁, k₂+1) + R(k₁+1, k₂+1) + … + R(k₁+1, k₂-1)]

Идея метода медианной фильтрации состоит в следующем: поскольку маска определяет малую окрестность точки с координатами k₁, k₂, можно ожидать, что вариации значений яркости в границах этой маски обусловлены только влиянием случайных помех. Иными словами, мы предполагаем, что имеют место следующие условия:

R(k₁-1, k₂+1) = (k₁, k₂) + ε(k₁-1, k₂+1);

R(k₁, k₂+1) = (k₁, k₂) + ε(k₁, k₂+1);

R(k₁+1, k₂+1) = (k₁, k₂) + ε(k₁+1, k₂+1) и т.д.,

где (k₁, k₂) – неизвестное нам истинное значение яркости в точке (k₁, k₂),

ε – случайная погрешность, которая в принципе может быть разной в разных точках.

Поскольку мы исходим из того, что погрешности являются случайными, следовательно, появление положительных и отрицательных значений этих погрешностей примерно равновероятно. Если это так, то в результате усреднения значений яркостей положительные и отрицательные погрешности будут взаимно компенсироваться, а значит, как результат мы получим значение яркости, близкое к идеальному значению.