【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体为一种医学图像的自适应对比度增强方法及系统。
技术介绍
1、在医学诊断中，高质量的图像对于准确判断病情至关重要，然而由于医学图像的来源多样，其图像特性各异，往往存在对比度不足、噪声干扰问题，影响了图像的清晰度和细节表现力。
2、在传统的医学图像对比度增强技术中存在不足，不能够自动搜索并确定最优的对比度增强参数组合，因此，开发了一种医学图像的自适应对比度增强方法及系统显得尤为重要。
技术实现思路
1、本专利技术的目的为了弥补现有技术的不足，提供了一种医学图像的自适应对比度增强方法及系统，该系统通过引入自适应加权中值滤波、线性归一化预处理以及优化的量子启发式参数搜索算法，实现了对医学图像对比度的自适应增强，提高了图像的清晰度和细节表现力，为医生的准确诊断提供了有力支持。
2、本专利技术为解决上述技术问题，提供如下技术方案：一种医学图像的自适应对比度增强方法，其特征在于，该方法的具体步骤为；
3、s1，图像输入与预处理：接收待处理的医学图像，通过以下预处理操作得到预处理后的医学图像，采用自适应加权中值滤波方法去除噪声，对于图像中的每个像素点，以其为中心取一个大小为的窗口，其中为预设的正整数，计算窗口内各像素点的灰度值与中心像素点灰度值的绝对差值，将这些差值从小到大排序，取前个差值对应的像素点，对这个像素点的灰度值进行加权平均，权重的计算方式为：
4、，其中是第个所选像素点的灰度值，是中心像素点的灰度值，将加权
5、，其中是图像中像素点的原始灰度值，是归一化后的灰度值，和分别是图像中灰度值的最小值和最大值，通过遍历图像所有像素点完成归一化操作；
6、s2，量子启发式参数搜索初始化：定义与对比度增强相关的参数空间，该参数空间包含亮度调整系数、对比度调整系数、伽马校正系数，借鉴量子态概念初始化一组量子启发式的搜索状态及其对应的量子概率幅，设初始化的搜索状态数量为，对于第个搜索状态，其对应的参数组合为，其中、、分别是在各自取值范围内随机生成的初始值，量子概率幅的初始化采用均匀分布随机生成，取值范围为[0，1]，并满足归一化条件：；
7、s3，基于量子态叠加与纠缠特性的搜索过程：利用量子态叠加与纠缠特性对量子启发式的搜索状态讲行搜索和评估，计算各参数组合的活应度值具体如下：根据量子态叠加原理，每个搜索状态可视为多种可能参数组合的叠加态，对于第个搜索状态，其在搜索过程中的状态表示为，表示在搜索过程中对每个搜索状态进一步细分生成的子状态数量，，其中是子状态的系数，满足归一化条件：，表示细分后的具体参数组合子状态，对每个子状态，计算其对当前预处理后医学图像的影响指标值，计算公式如
8、
9、其中，是采用参数组合子状态对预处理后的医学图像进行临时增强操作，采用常规对比度增强公式：
10、
11、其中是预处理后的医学图像像素点的灰度值，和分别是预处理后图像灰度值的最小值和最大值，后像素点的灰度值，是目标灰度值，和是权重系数，的取值根据图像类型和目标对比度需求确定，的取值根据图像原始对比度情况确定对于原始对比度较差的图像，将各子状态的影响指标值加权平均得到第个搜索状态的适应度值，计算公式为：
12、建立不同搜索状态之间的纠缠关系，设搜索状态和搜索状态之间的纠缠系数为，其计算方式为：
13、
14、其中，和分别是采用搜索状态和搜索状态对应的参数组合对预处理后的医学图像进行临时增强操作后像素点的灰度值，根据纠缠系数调整搜索状态的参数组合，具体调整规则如下：对于搜索状态，其参数组合调整量、、分别为：
15、
16、更新后的参数组合为：，继续进行搜索和评估过程；
17、s4，确定最优参数组合：根据适应度值，利用量子概率幅的坍缩机制选择对比度增强参数组合，计算每个搜索状态的选择概率，计算公式为：
18、，其中是第个搜索状态的量子概率幅，是第个搜索状态的适应度值，然后通过随机数生成器生成一个在[0，1]区间内的随机数，若，则选择第1个搜索状态对应的参数组合作为最优参数组合，若，则选择第2个搜索状态对应的参数组合作为最优参数组合，以此类推，直到确定出最优的对比度增强参数组合；
19、s5，图像对比度增强：在确定最优参数组合后，利用该最优参数组合对预处理后的医学图像进行对比度增强操作以得到最终增强后的医学图像，具体过程如下：
20、定义一个中间变量用于分步计算增强效果，其计算公式为：
21、
22、其中，是预处理后的医学图像像素点的灰度值，和分别是预处理后图像灰度值的最小值和最大值；
23、考虑伽马校正对图像的进一步调整，以为基础，通过伽马校正系数进行校正，得到最终增强后医学图像像素点的灰度值，计算公式为：
24、
25、在整个对比度增强过程中，通过上述分步计算的方式，先综合亮度调整系数和对比度调整系数对图像进行初步的对比度调整，得到中间结果，再利用伽马校正系数对中间结果进行非线性变换。
26、进一步地，所述s1噪声去除采用自适应加权中值滤波方法中，对于窗口内像素点的选取，还可进一步根据像素点在图像中的位置进行加权，具体加权方式为：设窗口内像素点相对于中心像素点的水平距离为，垂直距离为，则该像素点的额外权重为：，将此额外权重与按照灰度值差异计算的权重相乘，得到最终用于加权平均的权重，即：，通过这种方式，不仅考虑了像素点灰度值的差异，还考虑了其在图像中的位置因素，使得噪声去除效果更加精细和准确。
27、更进一步地，所述s1归一化处理采用线性归一化方法中，对于图像中存在的灰度值与大部分像素点灰度值相差较大的像素点，可先进行识别和处理，识别方法为：计算图像中每个像素点的灰度值与相邻像素点灰度值的平均差值，若该差值大于预设的阈值，则将该像素点将被标记，对于被标记的像素点，可采用其相邻像素点灰度值的加权平均来替换其原始灰度值，加权平均的权重可按照与相邻像素点的距离关系确定，如距离越近权重越大，这样可以避免离群值对归一化效果的影响，使归一化后的图像更加符合后续处理的要求。
28、更进一步地，所述s2量子启发式参数搜索初始化步骤中，对于亮度调整系数、对比度调整系数、伽马校正系数的取值范围设定，还可根据待处理医学图像的具体类型进行进一步细化，对于x光图像，由于其本身亮度相对较高且对比度较低，可将的取值范围调整为的取值范围调整为[0.8，1.5]，的取值范围调整为[0.6，1.2]，对于mri图像，因其图像特性不同，可将的作范围调整为[-0.4，0.4]，的取值范围调整为[0.6，1.8]，的取值范围调整为[0.5，1.3]，通过这种根据具体图像类型调整取值范围的方式，可以更精准地在本文档来自技高网...
【技术保护点】
1.一种医学图像的自适应对比度增强方法，其特征在于，该方法的具体步骤为：
2.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S1噪声去除采用自适应加权中值滤波方法中，对于窗口内像素点的选取，还可进一步根据像素点在图像中的位置进行加权，具体加权方式为：设窗口内像素点相对于中心像素点的水平距离为，垂直距离为，则该像素点的额外权重为：，将此额外权重与按照灰度值差异计算的权重相乘，得到最终用于加权平均的权重，即：，通过这种方式，不仅考虑了像素点灰度值的差异，还考虑了其在图像中的位置因素。
3.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S1归一化处理采用线性归一化方法中，对于图像中存在的灰度值与大部分像素点灰度值相差较大的像素点，可先进行识别和处理，识别方法为：计算图像中每个像素点的灰度值与相邻像素点灰度值的平均差值，若该差值大于预设的阈值，则将该像素点将被标记，对于被标记的像素点，可采用其相邻像素点灰度值的加权平均来替换其原始灰度值，加权平均的权重可按照与相邻像素点的距离关系确定。
4.根据权利要求1
5.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S2量子启发式参数搜索初始化步骤中，对于量子概率幅的初始化，还可采用图像特征的初始化方法，具体操作如下：计算预处理后医学图像的灰度直方图，将直方图划分为若干个区间，统计每个区间内像素点的数量占总像素点数量的比例，记为，表示第个区间，根据这些比例来初始化量子概率幅，即：，其中对应的参数组合在搜索过程中对应该区间的图像特征有一定的关联性。
6.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S3基于量子态叠加与纠缠特性的搜索过程中，对于量子态叠加利用步骤中计算影响指标值的公式，还可根据图像的局部特征进行动态调整，具体操作如下：将预处理后的医学图像划分为若干个大小相等的子区域，对于每个子区域，计算其内部像素点的平均灰度值与目标灰度值的差值，记为，若，则说明该子区域偏亮，此时可将的值降低，降低到0.4，将的值提高，提高到0.6，若，则说明该子区域偏暗，此时可将的值提高，提高到0.7，将的值降低，降低到0.3，通过这种根据图像局部特征动态调整权重系数的方式，可以更精准地评估每个子状态对不同局部区域的影响。
7.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S3基于量子态叠加与纠缠特性的搜索过程中，对于量子纠缠特性应用步骤中计算纠缠系数的公式，还可加入对图像纹理特征的考虑，具体操作如下：计算预处理后医学图像的纹理特征值，采用灰度共生矩阵方法来计算纹理特征值，记为，设图像的宽为，高为，则对于灰度共生矩阵的计算，选取距离和角度参数，通过统计在这些特定条件下不同灰度值组合出现的频率来构建灰度共生矩阵，从灰度共生矩阵中提取能表征纹理特征的统计量，这里选取对比度作为主要的纹理特征表征量，记为，其计算方式根据灰度共生矩阵元素的相关公式得出，将纹理特征值融入到纠缠系数的计算中，修改后的纠缠系数计算公式为：
8.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S4确定最优参数组合步骤中，对于计算每个搜索状态的选择概率的公式，还可引入一个调节因子来进一步优化选择过程，修改后的选择概率计算公式为：
9.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述S5图像对比度增强步骤中，对于采用的最终增强公式，还可根据最优参数组合中各系数的具体取值情况进行进一步的调整优化，当最优参数组合中的亮度调整系数的绝对值小于阈值时，可在最终增强公式中增加一个辅助亮度调整项，具体形式如下：
10.根据权利要求1-8任一项所述一种医学图像的自适应对比度增强系统，其特征在于，该系统包括图像输入与预处理模块、量子启发式参数搜索初始化模块、基于量子态叠加与纠缠特性的搜索过程模块和确定最优参数组合模块以及...
【技术特征摘要】
1.一种医学图像的自适应对比度增强方法，其特征在于，该方法的具体步骤为：
2.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述s1噪声去除采用自适应加权中值滤波方法中，对于窗口内像素点的选取，还可进一步根据像素点在图像中的位置进行加权，具体加权方式为：设窗口内像素点相对于中心像素点的水平距离为，垂直距离为，则该像素点的额外权重为：，将此额外权重与按照灰度值差异计算的权重相乘，得到最终用于加权平均的权重，即：，通过这种方式，不仅考虑了像素点灰度值的差异，还考虑了其在图像中的位置因素。
3.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述s1归一化处理采用线性归一化方法中，对于图像中存在的灰度值与大部分像素点灰度值相差较大的像素点，可先进行识别和处理，识别方法为：计算图像中每个像素点的灰度值与相邻像素点灰度值的平均差值，若该差值大于预设的阈值，则将该像素点将被标记，对于被标记的像素点，可采用其相邻像素点灰度值的加权平均来替换其原始灰度值，加权平均的权重可按照与相邻像素点的距离关系确定。
4.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述s2量子启发式参数搜索初始化步骤中，对于亮度调整系数、对比度调整系数、伽马校正系数的取值范围设定，还可根据待处理医学图像的具体类型进行进一步细化，对于x光图像，由于其本身亮度相对较高且对比度较低，可将的取值范围调整为的取值范围调整为[0.8，1.5]，的取值范围调整为[0.6，1.2]，对于mri图像，因其图像特性不同，可将的作范围调整为[-0.4，0.4]，的取值范围调整为[0.6，1.8]，的取值范围调整为[0.5，1.3]，通过这种根据具体图像类型调整取值范围的方式，可以更精准地在适合该类型图像的参数空间内进行搜索。
5.根据权利要求1所述一种医学图像的自适应对比度增强方法，其特征在于，所述s2量子启发式参数搜索初始化步骤中，对于量子概率幅的初始化，还可采用图像特征的初始化方法，具体操作如下：计算预处理后医学图像的灰度直方图，将直方图划分为若干个区间，统计每个区间内像素点的数量占总像素点数量的比例，记为，表示第个区间，根据这些比例来初始化量子概率幅，即：，其中对应的参数组合在搜索过程中对应该区间的图像特征有一定的关联性。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。