第二代Curvelet变换在低剂量CT图像增强中的应用

doi:10.3778/j.issn.1002-8331.2010.06.056

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (6): 191-193.DOI: 10.3778/j.issn.1002-8331.2010.06.056

• 图形、图像、模式识别 • 上一篇下一篇

第二代Curvelet变换在低剂量CT图像增强中的应用

张涛¹，王宾¹，杨立娟²，齐乃新³

1.西北大学信息学院，西安 710069
2.西安市第四医院 CT室，西安 710004
3.西安交通大学医学院第二附属医院 CT室，西安 710004

收稿日期:2008-11-20 修回日期:2009-02-13 出版日期:2010-02-21 发布日期:2010-02-21
通讯作者: 张涛

Low dose CT image enhancement based on second generation Curvelet transform

ZHANG Tao¹，WANG Bin¹，YANG Li-juan²，QI Nai-xin³

1.Information College，Northwest University，Xi’an 710069，China
2.CT Department，Xi’an 4th Hospital，Xi’an 710004，China
3.CT Department，the Second Hospital of Xi’an Jiaotong University，Xi’an 710004，China

Received:2008-11-20 Revised:2009-02-13 Online:2010-02-21 Published:2010-02-21
Contact: ZHANG Tao

摘要/Abstract

摘要： 低剂量CT图像信噪比低，图像对比度差。对婴幼儿低剂量颅脑CT图像应用第二代Curvelet变换，分别对低频子带进行非线性增强、对高频子带应用自适应域值方法进行去噪后再进行非线性增强，再经Cuverlet反变换后，其结果与小波变换增强及直方图均衡增强的结果进行比较。结果显示第二代Curvelet变换增强图像对比度及信噪比明显提高，图像细节显示清晰，效果良好。

关键词: Curvelet变换, 图像增强, 低剂量CT

Abstract: Low dose CT has low Signal-Noise Ratio（SNR） and bad contrast.The second generation Curvelet transform is used to enhanced low dose CT images of infant brain.Firstly，the CT source images are decomposed by Curvelet transform.Then nonlinear enhancing function is applied to enhance the image’s global contrast in the low frequency sub-band，and threshold denoising method is combined with non-linear gain method，it can reduce the noise and enhance the details of image at each scale in the high frequency sub-band.Compared with wavelet and histogram equalization，enhanced images based on the second generation Curvelet transform show that image SNR and contrast are increased，image edges are preserved.It has a good visual effect.

Key words: Curvelet transform, images enhanced, low dose CT

中图分类号:

TP393

张涛¹，王宾¹，杨立娟²，齐乃新³. 第二代Curvelet变换在低剂量CT图像增强中的应用[J]. 计算机工程与应用, 2010, 46(6): 191-193.

ZHANG Tao¹，WANG Bin¹，YANG Li-juan²，QI Nai-xin³. Low dose CT image enhancement based on second generation Curvelet transform[J]. Computer Engineering and Applications, 2010, 46(6): 191-193.

[1]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[6]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[7]	刘祎，高净植，桂志国. 基于NSST域卷积神经网络的低剂量CT图像恢复[J]. 计算机工程与应用, 2019, 55(23): 209-215.
[8]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[9]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[10]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[11]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[12]	李安迪1，2，刘祎1，2，张权1，2，桂志国1，2. 各向异性加权先验模型MAP投影域降噪[J]. 计算机工程与应用, 2018, 54(22): 180-185.
[13]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[14]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.
[15]	王永鑫1，2，刁鸣1，韩闯2. 基于同态滤波的水下图像增强与色彩校正模型[J]. 计算机工程与应用, 2018, 54(11): 30-34.

第二代Curvelet变换在低剂量CT图像增强中的应用

Low dose CT image enhancement based on second generation Curvelet transform

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics