【技术实现步骤摘要】
一种医用图像采集管理方法及系统
本专利技术涉及图像管理的
，尤其涉及一种医用图像采集管理方法及系统。
技术介绍
随着医学影像技术的发展，医生开始大量采用医学影像数据作为医疗诊断与治疗的依据，目前所有的诊断成像都是计算机化且可以处理数字数据的，这其中主要包括了X射线、超声、CT等，对这些医用图像进行管理成为当前研究的热门话题。由于图像采集设备的局限性，单一图像无法全方位展示医用图像信息，比如医学CT图像主要关注人体骨骼和植入物的位置信息，而核磁共振图像聚焦于人体软组织的细节信息，因此需要采用图像融合策略将不同的医用图像进行合并，从而将更为全面的信息呈现在一副图像中，现有图像融合策略没有考虑到图像的成像机理和图像固有特征等信息，而是把源图像看做普通的数字信号进行处理，以追求多项客观评价指标的数值最大为目的，不考虑实际应用领域。同时医用图像数字水印技术可用于保护病人隐私，即将病人隐私信息作为水印隐藏在相对应的医用图像中；然而医用图像不同于普通图像，在进行水印嵌入处理时，需保证不影响医生利用它诊断的正确性和准确度。鉴于此，如何采取一种更为高效的图像融合策略进行医用图像的融合，并添加医用图像数字水印，成为本领域技术人员亟待解决的问题。
技术实现思路
本专利技术提供一种医用图像采集管理方法，通过利用基于局部自适应差分的图像融合策略进行不同医用图像的融合，同时利用基于感知哈希的医用图像水印算法对医用图像添加医用图像数字水印，将医用图像利用压缩算法进行图像压缩，实现医用图像的压缩管理...
【技术保护点】
1.一种医用图像采集管理方法，其特征在于，所述方法包括：/n获取医用图像，并利用灰度图转换方法将医用图像转换为灰度图，同时利用高斯滤波器对灰度图进行降噪处理，得到降噪后的医用图像；/n将降噪后的医用图像进行拉普拉斯金字塔分解，得到医用图像的细节系数和近似系数；/n利用基于自适应区域的图像分割算法对医用图像进行图像分割处理，得到医用图像的自适应图像块；/n对图像的近似系数采用基于自适应图像块的融合方法进行融合，对图像的细节系数采取基于图像梯度的融合方法进行融合，得到医用融合图像；/n利用基于感知哈希的医用图像水印算法对医用融合图像添加医用图像数字水印，得到带有数字水印的医用图像；/n利用基于图像阈值的图像压缩方法对带有数字水印的医用图像进行压缩处理，将压缩后的图像存储到医用图像管理系统中。/n
【技术特征摘要】
1.一种医用图像采集管理方法，其特征在于，所述方法包括：
获取医用图像，并利用灰度图转换方法将医用图像转换为灰度图，同时利用高斯滤波器对灰度图进行降噪处理，得到降噪后的医用图像；
将降噪后的医用图像进行拉普拉斯金字塔分解，得到医用图像的细节系数和近似系数；
利用基于自适应区域的图像分割算法对医用图像进行图像分割处理，得到医用图像的自适应图像块；
对图像的近似系数采用基于自适应图像块的融合方法进行融合，对图像的细节系数采取基于图像梯度的融合方法进行融合，得到医用融合图像；
利用基于感知哈希的医用图像水印算法对医用融合图像添加医用图像数字水印，得到带有数字水印的医用图像；
利用基于图像阈值的图像压缩方法对带有数字水印的医用图像进行压缩处理，将压缩后的图像存储到医用图像管理系统中。
2.如权利要求1所述的一种医用图像采集管理方法，其特征在于，所述利用灰度图转换方法将医用图像转换为灰度图，同时利用高斯滤波器对灰度图进行降噪处理，包括：
利用灰度图转换方法将医用图像转换为灰度图，所述图像的灰度图转换公式为：
Gray(i，j)＝R(i，j)×0.314+G(i，j)×0.591+B(i，j)×0.113
其中：
R(i，j)，G(i，j)，B(i，j)为医用图像像素(i，j)在R，G，B三个颜色分量中的像素值；
Gray(i，j)为像素(i，j)的灰度值；
利用高斯滤波器对灰度图进行降噪处理，所述基于高斯滤波器的降噪公式为：
其中：
(i，j)表示灰度图的像素点；
ω表示高斯模板在像素点(i，j)的权值；
g(i，j)表示降噪后的像素点(i，j)；
σ为平滑程度参数，将其设置为医用图像像素的标准差。
3.如权利要求2所述的一种医用图像采集管理方法，其特征在于，所述将降噪后的医用图像进行拉普拉斯金字塔分解，包括：
所述拉普拉斯金字塔是由源图像减去先缩小后放大的图像的一系列图像构成的，是高斯金字塔的逆运算；所述拉普拉斯金字塔的分解流程为：
1)将降噪后的医用图像映射到拉普拉斯金字塔中，所述拉普拉斯金字塔第i层Li的表示为：
其中：
Gi为拉普拉斯金字塔第i层的医用图像；
UP()操作是将降噪后的医用图像中位置为(x，y)的像素映射到目标图像的(2x+1，2y+1)位置，即进行向上取样；
表示卷积操作；
g5×5表示5×5的高斯内核；
2)将高一层的低分辨率图像进行扩充，使两层图像的大小一致；扩充的方法是在原有像素之间插入新的像素，新像素值是原像素所在区域内灰度值的加权平均；
3)将高一层的扩充的低分辨率图像与低一层的高分辨率图像做差值运算，求得的结果与最高层的高斯金字塔分解结果共同构成了拉普拉斯金字塔分解图像；所述运用差值求得的一系列图像为近似系数，而高斯金字塔顶层分解获得的图像为细节系数。
4.如权利要求3所述的一种医用图像采集管理方法，其特征在于，所述利用基于自适应区域的图像分割算法对医用图像进行图像分割处理，包括：
1)初始化医用图像的图像块数，其中图像块被表示为xi，j(g)，i表示图像块的编号，j表示图像块的维数，g表示自适应分割的迭代次数；
2)随机从初始化的医用图像块中选择不同的三个图像块，计算其中任意两个图像块差的向量加权相加到第三个图像块上，产生一个新的图像块yi(g+1)：
yi(g+1)＝xi1(g)+F·(xi2(g)-xi3(g))
其中：
i，i1，i2，i3表示不同的图像块编号；
F为缩放因子；
3)计算添加图像块的目标函数值f′，其中f为最小化适应度函数；通过多次迭代计算，得到不同图像块数量的目标函数值，依据最小的目标函数值所对应的图像块数量对医用图像进行图像分割处理，得到若干医用图像块。
5.如权利要求4所述的一种医用图像采集管理方法，其特征在于，所述对图像的近似系数采用基于自适应图像块的融合方法进行融合，对图像的细节系数采取基于图像梯度的融合方法进行融合，包括：
对图像的近似系数采用基于自适应图像块的融合方法进行融合，其步骤为：
1)构建大小等同于医用图像块的全零矩阵D，确定两张同源医用图像块的拉普拉斯能量；
2)若同源医用图像中图像块A和B的拉普拉斯能量一致，则将医用图像块在全零矩阵D中对应的位置设置为1，反之则设置为0，得到基于拉普拉斯的医用图像矩阵；
3)对于矩阵中dij为1的位置，则选取医用图像块A的近似系数作为融合后图像的近似系数，反之则选取医用图像块B的近似系数作为融合后图像的近似系数；利用众数滤波算法进行融合后近似系数的优化，即若中心的近似系数来源于医用图像A，而围绕周围的近似系数来源于医用图像B，则将中心的近似系数变为医用图像B中的近似系数。
对图像的细节系数采取基于图像梯度的融合方法进行融合，其步骤为：
通过设置不同大小的窗口，对于窗口大...
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。