2018-06-28 14:29:42 HelloZEX 阅读数 5373
  • Unity3D棋盘游戏实战入门——2D智力拼图

    本课程使用Unity3d开发软件和C#编程语言,从零开始逐步完成一个2D拼图游戏项目。在本课程中,你可以了解并学习到游戏工程的创建和文件结构的维护、Unity3D的射线检测机制、插值插件Itween的使用、游戏数据的离线保存,并初步了解Unity3D的粒子系统和动画系统。

    771 人正在学习 去看看 伍晓波
《数字图像处理-冈萨雷斯》笔记
第一章 绪论
图像处理实例:伽马射线成像、X射线成像、紫外波段成像、可见光以及红外线成像、微波波段成像、无线电波成像、声波成像。


图像处理的基本步骤:图像获取、滤波与增强、图像复原、彩色图像处理、小波与分辨率处理、压缩、形态学处理、分割、表示与描述、目标识别、


第二章 数字图像基础


角膜、巩膜外壳、脉络膜、视网膜。
视锥细胞亮视觉,视杆细胞暗视觉。
韦伯比:类似于光强的分辨率。目标给出响应,比值越小,表示亮度辨别能力越好。
彩色光源质量因素:发光强度(实际指的是能量)、光通量、亮度。
数字图像一般默认左上角是原点,x轴向下,y轴向上。
灰度值跨越的值域非正式地称为动态范围。动态范围定义为最大可度量灰度和最小可检测灰度之比。
存储图像所需的比特数b = M * N * k (比特数=长*宽*灰度级; b=1024*1024*8);
等偏爱曲线:人对图像的主观感受跟随图像大小和灰度级之间的关系。


临接和邻域:
N4(p) 4领域,
N8(p) 8领域,
ND(p) 对角领域。
邻接:
四领域和八领域好理解,m邻接的意思是:
1)q、p在四邻域中;
2)q在p的对角领域中,并且p和q的四领域没有交集。
那么就称p、q是m邻接的。


 


第三章 灰度变换与空间滤波


一些基本的灰度变换函数
1、 图像反转:s = L-1-r
2、 对数变换:s=clog(1+r) 对数变换拉伸对应的灰度值,反对数效果相反。对数变换实现了图像灰度扩展和压缩的功能。它扩展低灰度值而压缩高灰度值,让图像的灰度分布更加符合人的视觉特征。
3、 gamma变换:   在屏幕上精确显示图像则伽马校正很重要。
4、 分段线性变换;
5、 灰度直方图
6、 灰度直方图均衡:直方图均衡化处理之后,原来比较少像素的灰度会被分配到别的灰度去,像素相对集中, 处理后灰度范围变大,对比度变大,清晰度变大,所以能有效增强图像
7、 直方图匹配:使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。


平滑空间滤波
1、 平滑线性滤波(均值滤波)
2、 统计排序非线性滤波(中值、最大值、最小值)






锐化空间滤波
锐化的主要目的是突出灰度的过渡部分。
1、 拉普拉斯算子——二阶微分图像锐化
 拉普拉斯算子:
 
锐化结果:
 
2、 Sobel算子——一阶微分锐化(边缘检测和边缘增强应用)
Sobel算子:
 


第四章 频率域滤波


傅里叶级数:
  


卷积:
 




频域平滑


1、 ILPF理想低通滤波器
2、 BLPF巴特沃斯低通滤波器
3、 GLPF高斯低通滤波器


频域锐化


4、 IHPF理想高通滤波器
5、 BLPF巴特沃斯高通滤波器
6、 GLPF高斯高通滤波器


 

第五章 图像复原与重建


一些重要的噪声类型:
高斯噪声;瑞利噪声;伽马噪声;指数噪声;均匀噪声;脉冲(椒盐)噪声;


当仅存在加性噪声的时候,可以选择空间滤波的方法。


均值滤波器
算术均值滤波器:
几何均值滤波器:
谐波均值滤波器:对盐粒噪声效果较好,不适用于胡椒噪声。他善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器:
 
Q成为滤波器阶数,Q为正数时消除胡椒噪声,Q为负数时消除椒盐噪声。Q=0时就成为了算术均值滤波器。

统计排序滤波器
中值滤波器:
最大最小值滤波器:
修正的阿尔法均值滤波器:

自适应滤波器
自适应局部降低噪声滤波器:

自适应中值滤波器:


2015-09-29 21:07:38 LG1259156776 阅读数 3783
  • Unity3D棋盘游戏实战入门——2D智力拼图

    本课程使用Unity3d开发软件和C#编程语言,从零开始逐步完成一个2D拼图游戏项目。在本课程中,你可以了解并学习到游戏工程的创建和文件结构的维护、Unity3D的射线检测机制、插值插件Itween的使用、游戏数据的离线保存,并初步了解Unity3D的粒子系统和动画系统。

    771 人正在学习 去看看 伍晓波

医学成像原理与图像处理一:概论


声明:引用请注明出处http://blog.csdn.net/lg1259156776/


引言:本系列博客为医学成像原理与图像处理重要笔记,由于是手写,在此通过扫描录入以图片的形式和电子版增补内容将其进行组织和共享。前半部分内容为图像处理基础内容,包括图像的灰度级处理、空间域滤波、频率域滤波、图像增强和分割等;后半部分内容为医学影象技术,包括常规胶片X光机、CR、DR、CT、DSA等X射线摄影技术、超声成像技术、磁共振成像(MRI)技术等。

本篇主要是主要内容是医学成像原理与图像处理的概论。


手写笔记录入

这里写图片描述

这里写图片描述
这里写图片描述


内容补充

关于生物医学工程

首先这就涉及到本人的专业-生物医学工程,这是一个交叉学科领域,所要求的知识范围比较广,从生物化学实验(基因工程,生理解剖学等)到计算机科学(微机原理与接口技术,单片机,DSP,FPGA,ARM),从硬件电路设计(生物医学电子学,电路分析基础,模电数电)与制作到软件程序的设计与调试(c,c++,matlab,数据结构与算法设计,数值方法),从医学图像处理到自动控制原理,从传感器(光电检测技术,生物测量仪器原理)到信号处理(信号与系统,数字信号处理,高等数字信号处理)等。因此,总是有许多上不完的课,但是整个下来的培养方式感觉还是可以得。因为生物医学工程要解决的问题是复杂的系统工程,需要多学科交叉融合,如果没有足够的知识面是很难独当一面的。虽然内容多而杂,但是如果真正从头到尾完成一件生物医学测量装置的工程时,就会发现所学到的东西大多都需要用到,即使有些遗忘,因为学过,只要稍加复习整理,就能快速使用,这可能就是“先博后渊”的学习策略吧!

专业出口与前景

本篇手写笔记第一张中所列举的国内外从事医疗器械的公司就是生物医学工程的对口期望输出单位。特别是国内医疗器械市场还是一个有待开垦的市场,在可见不远的将来,在云计算与智能化的浪潮推动下,数字医疗、智能医疗、可穿戴医疗等概念和产品都将极大的促进该行业的蓬勃发展,极大地改善边远地区落后的医疗基础设施。中国大部分农村医疗基础设施将是一个医疗器械市场的大的出口。

医学影像学

大部分人应该都用过X光机,拍过胸片,而孕妇大都使用过超声查看婴儿的状态等。这些都是医学影象技术,其实跟人们的生活离得挺近的。
然而大家也都知道,对于大部分的检查(通过影像学),通常都是对人体有损害的,所谓辐射量的控制。MRI号称对人的伤害最小,因此在各大医院几乎都能看到它的身影。所以,如果能开发一种完全无损且实时成像或者快速成像的医学影象设备,那将是对人类的极大贡献。

在了解医学影像学原理前,必须对基本的图像处理知识进行学习。因为大部分的医学影象学的原始图像是很难看并辅助诊断的,通常都会采取一系列的图像处理手段之后才被用来进行诊断。所以,本系列的博文组织形式也将是先概要介绍一下,然后进入图像处理基本知识,最后介绍几种医学影像学技术原理。


2015-9-29 艺少

2013-03-01 13:27:01 utimes 阅读数 4203
  • Unity3D棋盘游戏实战入门——2D智力拼图

    本课程使用Unity3d开发软件和C#编程语言,从零开始逐步完成一个2D拼图游戏项目。在本课程中,你可以了解并学习到游戏工程的创建和文件结构的维护、Unity3D的射线检测机制、插值插件Itween的使用、游戏数据的离线保存,并初步了解Unity3D的粒子系统和动画系统。

    771 人正在学习 去看看 伍晓波


Pieter Vuylsteke, Emile Schoeters,Agfa-Gevaert N.V.,Mortsel,B.: "Image Processing in Computed Radiography",DGZfP Processdings BB 67-CD,Page 87-101,Germany March 15-17 1999.


AGFA HealthCare -Agfa’s MUSICA²™ Download :MUSICATM2 White Paper


1.摘要

本文首先概述了使用基于存储荧光计算机放射成像系统图像处理技术然后,我们将阐述医学图像增强算法工作原理和图像质量我们重点讨论这已成为最先进的多尺度图像增强

2.背景介绍

.............

3.CR图像处理

................

4.影像对比增强

本节主要集中阐述了影像后处理技术是如何提高CR影像质量的。

在周围正常的光线环境下,CR的IP板摄影动态范围相对于普通暗盒或显示器的有效密度范围而言是非常宽的。如果没有影像后处理技术,这种不协调将导致在CR成像过程中图像信息严重的额外丢失。因此,下一小节将讲述除调节整体密度(global density)对比度和层次调节外,通过特殊的影像增强技术是如何最大程度的将影像信息转换到的可视范围内的。

4.A 边缘增强

影像的边缘和细微结构可以通过提高影像中高空间频率成份的频率幅度而更清楚显示。例如,通过二维的高通过(High-pans)滤过。不鲜明蒙片(Unsharp masking)是最早运用于CR系统公认最好的方法,其基本形式可由公式(4.1)表示。


这里,X、Y、X分别表示原始影像的像素值。处理后影像的像素值和原始图像通过移动均化(moving average)所得均值。(X-X)为图像的像素差值,表示着图像中高空间频率成份的含量,而增强系数α决定着最终图像中高频成份的增量。如今,商用CR设备中,为便于更好的控制,增强系数a常与图像数据联系在一起。

这里系数α决定着影像增强的程度, β(x)的功能是调节影像增强程度以适应局部影像的密度变化,而β(x)的功能类型则是根据具体的检查需要来选择。因此,在胸部纵膈低穿透区域内降低增强程度以避免噪音扩大成为可能。
这里强调的空间频率的频宽是由处理中心的尺寸决定的,如果中心尺寸小的话,则相对于中低频率成份面言,所有高频成份的信号都被增强了;如中心尺寸增大,则中频率成份被放大,这原理已由图4.1曲线清楚说明了。图4.1表示的是不同中心尺寸m(以像素值为单位)下,基本不鲜明蒙片(Unsharp masking)处理的频率响应。其由公式(4.3确定)。

这里的f为空间频率,表示的是每像素值(Pixel)的波数,(1+α)为高频(asymptotic)放大系数。频率响应最低值可通过 fc=1/m确定。一般来说,不鲜明蒙片处理比中心尺寸更能突出影像细微特征,所以,如果只需增加边缘锐利度,那么只要将中心尺寸稍微超过影像边缘范围即可。其影像特征为设定比影像边缘的完成频率值稍大即可。一个细节可以看作是由左边缘和右边缘连接而成的,因此边缘增强的即是细节增强。


(图4.1中心尺寸分别为109、39、13和5(像素值),不鲜明蒙片处理的频率响应)

尽管这些处理中心的特性在频谱上容易显示,但在不同的检查部位要确定最恰当的中心尺寸却不是轻而易举的。小的中心直径曾被报道适合提高影像锐利度和纤细线样结构的清晰度,但同时,噪音频谱中的高频成分也随之增加,从而产生典型的纤细条纹状表现;中等大小的处理中心增强的缺陷就是掩盖了没有轮廓的病变,如肺内小结节;采用大的处理中心,则大的所低对比的物体可能被抑制;轻度增强也曾被建议运用,因为没有边界的大对比度的结构,会因采用大中心尺寸而被抑制。
配备与密度密切相关的不鲜明蒙片后,由窄频率内噪音放大引起的纤细条纹状征象可减少。这是通过选择增强曲线β(x)以避免纵隔低穿透区的过度边缘增强来达到的。因为纵隔区内噪音最容易扭曲影像。然而,纵隔的代表性血管结构影像不会衰减。
边缘增强必须谨慎应用,因为一些增强会产生伪影。大幅度的阶样高频成份的放大会导致所谓的“rebound”或“overshoot”伪影,这种情况下,过度增强会在实际图像的边缘出现一条白线或黑线。此外,这种波浪线还会遮掩紧靠高对比度边缘邻近区域中的低对度损伤的显出。

动态范围压缩

骨盆或肩关节的照射范围太广而不能以恰当的对比度来显示所有的影像区域。因此采用不鲜明蒙片和非常大的中心尺寸,可通过减低影像中低频成份的相对影响而提高所有相关影像特征的对比度。假设影像中低频成分不包含重要信息,则
Y=(X-X)+α(X)      (4.4)  且α<1     (4.5)
这里X为模糊影像的像素值,其在非常大的中心尺寸(达到255像素值),通过滑动均化操作获得。
表达式(4.4)由两部分组成,第一部分中低频成分(即背景)已被移去,第二部分表示背景(contribution)。且第一部分(X-X)与影像中到高空间频率的频率相一致,它包含着所有相关影像特征,这一部分不作任何修改,保持原状。而背景从另一方面而言,已被压缩。

谐调处理

边缘增强和动态范围压缩这两种增强方法发展至今已有很大变化,但它们都共同依赖空间邻域操作(a spatial neighbourhood operator),多数为滑动均化处理。正如上面所提的,医学影像领域中关于中心直径的选择争论十分激烈,但回答这个问题并不是很简单,许多时候,最佳选择只是一个折衷的办法。在上述增强方法中,影像数据根据空间频率分成两个不同的频段,且在每个频段内根据不同的机理来调节影像的对比度。但这种影像增强不是最佳的,因为在大多数影像中,相关影像特征的频率成份纵贯大部分频段。细微的影像特征如边缘和微小结节完全占据频谱最高端;较大和大的影像特征如大结节和正常解剖结构覆盖着整个中至高频范围,而不同身体部位与背景区之间的较大密度差异则绝大多数分布在频段低端。如前所述,忽略部分频段是非常危险的,因为细微病变可存在任何一个灰阶上,发现不明显的病灶和寻找细微或微小结节是同等的重要。
本章节讲述的谐调处理不再选择物体尺寸或空间频率作为控制影像增强程度的标准,而是选择影像细节的放射对比度直接反映。部分影像特征可自行清楚显示,而另外一些影像细节只有轻微的对比,因此容易忽略。谐调处理可适用于任何大小或任何灰价上的影像特征。例如:边缘、纹理、致密影,巨大解剖结构或不透X光区,通常影像的细微特征可以通过提高对比度而清楚显示,同时,高频率成份可在没有信息丢失的情况下衰减。因此,不需考虑影像细节尺寸而清楚显示出各影像细节的方式称为谐调处理。它是谐调处理的基础,商业术语称之为agfa、ADC系统中的MULSICA为“Multiscale Image Contrast Amplification”的首字母缩写词。

谐调处理表达式

谐调处理的基本观点是将影像分解成代表着影像单个细节的像素,然后立即在这些像素而不是原始图像上操作提高对比度。
根据线性函数,影像X(i,j)被分解成二个基本函数A(i,g)和转变系数Bk.I的总和,而转变系数Bk.I表示着写原如图像一致的基本涵数的相关作用。
X(i,j)∑k.l b k.l•A(i,j)     (4.6)

周期性基本函数的线性转变如付利叶函数不适合对比度增强的用途因为这个基本函数贯穿整个影像屏。因此,基本函数必须被压缩,且局限空间领域(domain)以适合各个特征的显示。此外,谐调处理必须包括所有层次能表示任何大小的结构,同时也必须连续而不能中断,否则处理后影像将不连续。波形函数的几个实例符合上述标准,而Haar函数除外,因为它不能满足连续性这一准则。在MUSICA中,影像根据Laplacian金字塔函数分解。


图4.2 Laplacian金字塔分解和反转原理图。

影像分解和黑白反转原理图被系统地绘制在图4.2,原始图像用5×5高斯的低通过(Low-pass)处理。二次采样因子值取2,接下来,中间结果内插进原始影像尺寸和原始影像采集的像素值(pixel wise)这个次频段影像是最好的Laplacian金字塔。接下来一层也类似,在前层的影像上开始,每进行一层,影像的像素值被平分一次,分解继续进行,直到二次采样的影像只有一个像素,这个像素值表示影像的DC成份。

如一副2k×2k的影像中,Laplacian金字塔包括11层,在分解过程中,原始图像的任何低密度复制都将作为高斯平滑图像gi之一。在MUSICA中,(ROI Finding algorithm)所需的分割后影像g4正是通过这种方式获得的。金字塔分解中的每一个阶段影像数据都被分割,不同听连续模糊操作存储在相应的Laplacian金字塔层。这些不同的影像每个都表达特定的影像细节并与相应灰阶相对应。在空间频率区域Laplacian金字塔的每一层都和原始频率相应的八份相对应,次频段有很多的重叠,从图4,8中可以看出。
   影像反转原理如图4.2右半部分所示,其重建过程由最低层开始,而最低层面只由一个象素组成。影像放大可根据金字塔下一层像素值通过内插法而得以实现,然后与灰度相对应的细节信息从相应的金字塔层读取并递增。这种影像放大和信息递增不断重复,直至处理后影像达到原始影像的大小。如果分解过程中插入的处理和反转过程中的处理完全相同,那么处理后影像就和原始影像完全一致。

Laplacian金字塔安全可以表示原始影像,而且,绰绰有余。因为这儿有4/3的转变系数可以和它们的像素一致。


图4.3  Laplacian金字塔转变中2至4层中的高斯分布,(the finest scale layer)最佳层面上(未画出)影像在每个象素上由相同的波形成且基本函数分布重叠,均匀的传遍整个影像屏。

正如图4.3所见,基本函数分布在有限空间范围内呈高斯分布有部分重叠,而且在所有层面包括整个空间。就分解的基本目的而言,这些特性是必不可少的。例如,为改变单个细节和局部基本的影像特征的对比度,只要将影像分解成可由数字控制的像素即可。

 对比度均衡化

对比度可以通过修改Laplacian金字塔系数而得以提高,因为小的系数值代表着影像的细微特征。当系数值增大时,其相应影像结构的清晰度也提高;另一方面,较大的密度变化主要取决于整体动态范围,且由高值系数表示。这些系数值可以通过压缩动态范围,在没有任何信息丢失的情况下减少,同时整体影像对比度也将提高。谐调处理的分解,对比度均衡和重建全过程已在图4.4绘图说明。


图4.4 谐调处理对比度均衡,左上:原始影像。左下:Laplacian金字塔分解的4层,右下:对比度均衡后的金字塔层面,右上:反转及金字塔系数均化处理后影像。

对比度可通过金字塔层面的转变系数的非线性递增进行调整,其可由公式y(x)=αx x / x    (4.7)表示。

系数x在(-1,1)之间变动,α为按一定比例恢复处理后影像到原始动态范围的影响因素。指数p控制着递增曲线的斜率,因此当影像通过反转修改金字塔系数时,指数也同时控制着对比度增强的增量。当p<1时,递增曲线呈“S”形,这就保证了较小的函数值相对较大的函数值更易放大。当0.7

图4.5,p=1.0、0.7、0.5时,金字塔系数的非线性递增。


图4.6 左:髋关节原始图像(p=1)      中、右:谐调处理后图像(p=0.7, p=0.5)

谐调处理最显著的效果就是在整个影像上均匀提高了细微特征的清晰度,而影像外观保持跟原始影像一致。税利度增加,而且低对比度低穿透的区域从提高显出中获益。纵隔这低穿透区域的谐调处理效果更引人注目,和肺部谐调处理效果一样好。骨骼检查时,软组织影也可清楚显示。

象其它对比度增强技术一样,谐调处理在影像细节增强的同时,噪音也增大。但是,谐调处理不会出现边缘增强那有代表性的纤细条纹状征象。
可调节的领域操作如不鲜明蒙片为基础的谐调处理在高密度区显示出特有的表现:过渡区的宽度恰好和中心尺寸半径一致时,这种规则的外观形成明显的rebound伪影成为可能;另一方面,谐调处理更有力的反对阶梯样响应(step response),因为所有的频段都是在相似的方法上运行的。而且本质上是没有移行区的,因为所有的层面都已包括在内。多年的临床影像经验已证实MUSICA不会受金属植入体边缘或骨骼和软组织交界面rebound,伪影的困扰。
ADC系统中,谐调处理用于所有检查部位,因为它结合了对比度自然提高和伪影消失这两大优点。

频率处理

谐调处理表达式非常适合采用传统处理的增强方式,如边缘增强或低频衰减。后者被应用于缩小摄影动态范围,且更进一步称之为动态范围压缩(Latitude reduction)。实际上,任一频率响应都能根据Laplacian金字塔系数所在层面恰当的估量它的值而轻易描述,因为金字塔的每一层面都与空间频率的倍频程相联系。
在MUSICA,对比度均衡是基本的影像增强方式,也是大多数检查中唯一的方式。如果另外需要边缘增强或Latitude reduction则可通过链接达成。对比度转换适用于所有层面,首先从Laplacion金字塔系数开始,然后每层面都乘以层面相关系数αek和αll,其中αek和αll,和分别表示着边缘增强和动态范围压缩,图4.7表述了少数几层链接在一起的多样增强流程。


图4.7,连接在一起的多样增强包括对比度,边缘增强和动态范围压缩。

边缘增强可通过小层面的金字塔系数乘以层面相关因素αll,aer获得而αek可由公式(4.8)取值。

αek=fe(1-k/Ne)     0≤k这里fe表示最佳影像(即层面指数k为0时的影像)中控制边缘增强程度的参数,Ne指边缘增强应用于金字塔层面的层数。这就意味着边缘增强的每倍频程     的比率递增,在频谱高端的Ne频倍程中平均分布。根据这种递增处理的特性,缩小密度变异大区域的rebound伪影是可能的。
同样,动态范围压缩可通过大层面金字塔系数乘以层面相关系数αek计算出,而αek可由公式(4.9)确定。
αek=1      kαek=fl(L-R-n1-1)n1       L-n1≤k这里,n1为动态范围压缩所应用L层的总数,且在相应空间频率段中对比度的每倍频程落     的比率衰减。其动态范围压缩总量由参数f1决定,且f1≥1。在MUSICA中,边缘增强的层面数ne为3,而动态范围压缩的层面数n1为5。在对比度均衡作为基本增强方式的情况下,边缘增强的增量是相当有限的。事实上,影像的大部分边缘是模糊的,因此它们将通过对比度均衡而被衰减。而在少数检查部位如下肢则需通过中等增强(边缘对比参数为3,fe=1.7)增加边缘锐利度。但大多数检查部位更强的边缘增强是没有价值的,因为它不可避免地提高了噪音水平。
动态范围压缩应用在少数几个检查部位,如肩部,因为这里的影像密度差异变化大;而中度的减少系数和f1=1.4比较适合肩部,因为自身的对比度均衡减少了肩部理应需要的摄影动态范围。而整个影像大的密度差异变化主要取决于动态范围。因此,影像中大的密度差异对比也随之大部衰减。
边缘增强和动态范围压缩在空间频率坐标上的频率响应描绘如图4.8。虚点曲线以下表示着从DC至最佳层面上Laplacian层面的频率响应,这些频率相应总数与从未经修改的金字塔开始完全影像的频率是相一致的。实践是参数为1.7时边缘增强的频率响应,而且虚线则是参数1.4时动态范围压缩的频率响应。当系数值分别由公式(4.8)和(4.9)确定时,这些频率响应等同于单个层面频率响应的总和。这儿,对比度均衡的结果不作考虑,而空间频率区域不适合描述对比度均衡的结果,因为对比度均衡在每个频段内本质上是非线性关系,然而边缘增强和动态范围压缩为线性关系,比较适合。


图4.8边缘增强的空间频率响应(实线)和动态范围压缩空间频率响应(虚线)。虚点曲线以下表示着Laplacion金字塔从DC到最佳图像的频率响应。

图4.9的足跟影像变化示范着对比度均衡,边缘增强和动态范围压缩如休整 ,何以特别的方式影响影像质量的。选择设置的过大的(exaggerate)参数值可将这些影像差异清楚显示。在这种很大的情况下,调节增强因子,增益(gains)和设置可获得的合理的层次对比,并且在同样的感兴趣区的同样的信息范围内。这些已在图4.9的影像密度方面得已证实。(右上)边缘增强影像显示出纤细结构的强大对比,密度外观和原始图像相似。


图4.9:影像增强方式的对比,左上:原始足跟影像,右上:边缘增强,左一:对比度均衡,右下:动态范围压缩,跨过中线的密度全貌被描述在每个影像的顶点。

但作为反弹效果,校正边界处的边缘伪影也可清楚显示(左下)。对比度均衡后影像在骨髂和软组织方面提高了任一影像特征和细节原始曲线包括短-中-长范围变化,都被增强,尽管增强很明显,但是没有边缘伪影。

在右下,通过动态范围压缩,类似的效果可以获得,可以看出中小尺寸的细节对比得到提高,但不如同样程度的对比度均衡效果明显,并且不包括影像所有区域。最好的效果在关节区域,但是在靠近足趾的那一半影像仍然看不见。从左到右通过抑制长范围的密度增加,相关的对比度提高。这和密度曲线的表现是相一致的,在这同时密度变化放大,不像对比度均衡,动态范围压缩趋向于把影像“压扁”如此可以消除部分肉眼可见的密度层次。

=======================================================================================

转载请注明出处:http://blog.csdn.net/utimes/article/details/8511314

=======================================================================================

2019-06-14 16:18:30 susylovecici 阅读数 148
  • Unity3D棋盘游戏实战入门——2D智力拼图

    本课程使用Unity3d开发软件和C#编程语言,从零开始逐步完成一个2D拼图游戏项目。在本课程中,你可以了解并学习到游戏工程的创建和文件结构的维护、Unity3D的射线检测机制、插值插件Itween的使用、游戏数据的离线保存,并初步了解Unity3D的粒子系统和动画系统。

    771 人正在学习 去看看 伍晓波

一、应用场景
适用于铸件、锻件、工业元器件、汽车轮毂等产品内部结构检测
二、产品构成
采用高频恒压光源、数字平板探测器、操控平台、自主研发的高性能数据采集及图像处理系统,远程操控前端设备,完成X射线的成像,获取材料内部结构图像,并通过大数据深度学习智能检测工具,自动获取图像信息进行分析处理,对合格品和不良品进行分类和剔除。
含铭X射线检测仪

三、检测效果
汽车活塞油道检测–用X光成像技术获取图像,利用亮度均衡算法及深度学习神经网络,自动检测活塞内部气泡、盐渍、及形态缺陷。在这里插入图片描述

电子元器件计数检测-用X光成像技术获取图像,利用深度学习算法,自动识别料盘上元器件类型,并快速统计元器件数量。
在这里插入图片描述

纺织业氧化锆陶瓷铸件检测-用X光成像技术获取图像,结合大数据处理,对瓷坯体或者釉中发生的气体造成的小泡等缺陷进行标识和缺陷测量。在这里插入图片描述

服饰鞋子类轻加工业检测-用X光成像技术获取图像,结合含铭大数据深度学习和图像处理系统的应用技术,在复杂纹理环境下针对名牌服饰鞋类加工产线上的产品进行异物检测。
在这里插入图片描述
如有兴趣了解或者意向需求,欢迎致电:13645601030 汪小姐

2011-07-15 12:01:40 jjj839222 阅读数 1584
  • Unity3D棋盘游戏实战入门——2D智力拼图

    本课程使用Unity3d开发软件和C#编程语言,从零开始逐步完成一个2D拼图游戏项目。在本课程中,你可以了解并学习到游戏工程的创建和文件结构的维护、Unity3D的射线检测机制、插值插件Itween的使用、游戏数据的离线保存,并初步了解Unity3D的粒子系统和动画系统。

    771 人正在学习 去看看 伍晓波
 

x射线管的kV、mA、mAs

阅读数 11330

医学图像处理综述

阅读数 1204

图像处理基础知识

阅读数 443

没有更多推荐了,返回首页