在醫(yī)學(xué)圖像處理中,由于三維超聲圖像數(shù)據(jù)具有海量、非均質(zhì)的特點(diǎn),使得處理過(guò)程復(fù)雜度增大,出現(xiàn)執(zhí)行效率低等問(wèn)題.因此,為實(shí)現(xiàn)海量數(shù)據(jù)處理的高效化和有效化,進(jìn)行數(shù)據(jù)抽樣是十分必要的.提出一種基于改進(jìn)型八叉樹(shù)分解的三維超聲圖像數(shù)據(jù)抽樣方法,能自動(dòng)高效地獲得三維超聲圖像的高壓縮率抽樣數(shù)據(jù).首先采用基于模糊集的灰度圖像閥值分割算法確定分割閥值;然后,使用改進(jìn)型八叉樹(shù)算法對(duì)三維超聲圖像進(jìn)行分解;最后根據(jù)選取準(zhǔn)則輸出最優(yōu)同質(zhì)立方體和典型異質(zhì)立方體作為三維超聲圖像數(shù)據(jù)抽樣結(jié)果.抽樣方法充分考慮了抽樣對(duì)象的空間關(guān)系,抽樣結(jié)果代表性強(qiáng)且圖像數(shù)據(jù)縮減到原始圖像體積的1.758%,有效提高后續(xù)圖像處理操作的運(yùn)算效率. 

【文章來(lái)源】：云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,42(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

算法流程圖Fig.1Algorithmflowchart

=0即可將原始圖像置于擴(kuò)展矩陣的左上角，其余的部分灰度值均為0，顯示背景色為黑色，完成圖像尺寸的處理.八叉樹(shù)分解的兩個(gè)主要參數(shù)確定后，三維超聲腹壁疝圖像可以通過(guò)八叉樹(shù)分解劃分為多個(gè)立方體，返回相關(guān)節(jié)點(diǎn)數(shù)據(jù)信息.2.2同質(zhì)和異質(zhì)立方體的選取結(jié)果（1）根據(jù)最優(yōu)同質(zhì)立方體選取準(zhǔn)則，第一步選取最大尺寸立方體，查看分割次數(shù)對(duì)應(yīng)的最大尺寸立方體個(gè)數(shù)，選適中的作為第一步結(jié)果.如表1中的八叉樹(shù)分割參數(shù)所示，選擇的分割尺寸為64×64×64，統(tǒng)計(jì)個(gè)數(shù)為11個(gè).此外，考慮到圖3同質(zhì)和異質(zhì)立方體的抽樣Fig.3Samplingprocessofhomogeneousandheterogeneouscubes第42卷?xiàng)罾^婷等：基于改進(jìn)型八叉樹(shù)分解的三維超聲圖像數(shù)據(jù)抽樣方法447

的抽樣效率.表1八叉樹(shù)分割參數(shù)Tab.1TheparametersofOctreedecomposition分割次數(shù)分割尺寸/體素最大尺寸立方體數(shù)有效數(shù)1256×256×256002128×128×12800364×64×64113432×32×324125表2原始圖像和抽樣圖像數(shù)據(jù)壓縮比Tab.2Thecompressionratiobetweenoriginalimagedataandthesamplingimagedata圖像尺寸大小/體素壓縮比/%原始三維超聲圖像512×512×512=134217728/同質(zhì)立方體64×64×64=2621440.195異質(zhì)立方體128×128×128=20971521.57抽樣結(jié)果262144+2097152=23592961.758圖4腹壁疝圖像的最優(yōu)同質(zhì)立方體選�。ü跔蠲嬉暯牵〧ig.4Selectionofoptimalhomogenouscubeinabdominalwallherniaimage(coronalperspective)圖5腹壁疝圖像的典型異質(zhì)立方體選取（冠狀面視角）Fig.5Selectionoftypicalheterogeneouscubeinabdominalwallherniaimage(coronalperspective)448云南大學(xué)學(xué)報(bào)（自然科學(xué)版）http://www.yndxxb.ynu.edu.cn第42卷

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)支持向量機(jī)算法的超聲圖像分割技術(shù)[J]. 王萌.  生物醫(yī)學(xué)工程研究. 2019(02)
[2]醫(yī)學(xué)超聲圖像分割技術(shù)的研究及發(fā)展趨勢(shì)[J]. 王琳璐.  影像研究與醫(yī)學(xué)應(yīng)用. 2018(24)
[3]基于ABUS圖像的輕量型切口疝補(bǔ)片計(jì)算機(jī)輔助檢測(cè)與評(píng)估算法[J]. 顏光前,趙柳,吳俊,陳悅,陳林,裘之瑛.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[4]一種改進(jìn)的SIFT圖像檢測(cè)與特征匹配算法[J]. 楊雨薇,張亞萍.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[5]基于GPU的圖像處理并行算法分析[J]. 邵欣明.  中小企業(yè)管理與科技(上旬刊). 2017(03)
[6]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[7]基于同質(zhì)區(qū)域自動(dòng)選取的各向異性擴(kuò)散超聲圖像去噪[J]. 吳俊,汪源源,陳悅,余錦華,龐蕓.  光學(xué)精密工程. 2014(05)
[8]基于DPCNN的無(wú)向賦權(quán)圖的最小生成樹(shù)的求解[J]. 楊麗云,周冬明,趙東風(fēng),張紹堂.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(02)
[9]醫(yī)學(xué)圖像配準(zhǔn)中的數(shù)據(jù)抽樣方法研究[J]. 胡順波,劉常春.  光電子.激光. 2008(02)
[10]計(jì)算線(xiàn)性八叉樹(shù)邊界象素集的新算法[J]. 盧聲凱,唐澤圣.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 1989(01)

博士論文
[1]基于GPU的三維醫(yī)學(xué)圖像處理算法研究[D]. 李冠華.大連理工大學(xué) 2009



本文編號(hào)：3358095