[发明专利]基于多尺度分解的图片能量归一化处理方法及系统

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于多尺度分解的图片能量归一化处理方法及系统。

背景技术

随着数字技术的发展，图像被数字化为大量像素点组成的点阵，像素点的光学特性则由像素值表征。

数字化后的图像，方便计算机处理，为基于机器学习的各类检测系统提供了先决条件。

现在，基于机器学习的检测系统，被应用到各个领域；以医学领域为例，检测系统通过对大量数字化的医学检测影像的学习，可以实现智能的轮廓分离，疾病检测等功能；例如，X线胸部平片(简称胸片)是肺部疾病检测的基本影像手段之一，通过以大量数字化的胸片(扫描或通过直接数字化X线摄像系统得到)作为样本进行机器学习，智能检测系统可以智能的对肺病疾病进行检测，如肺结节检测。

然而，在进行检测时，由于采集胸片的机器和时间的不同，胸片图像中的能量分布往往具有较大差异性，这就给智能检测带来了障碍，因此，在将图像输入基于机器学习的智能检测系统前，需要对图像进行归一化预处理。

类似的，针对于其他图片的机器学习系统也存在着需要对输入的图像进行归一化预处理的问题。

现有，对图像进行归一化处理的方法主要有以下三种：

1、最值归一化：

通过一定的代数变换将图像中的像素值控制在一定范围内。如线性函数变换，表达式为y＝(x-MinValue)/(MaxValue-MinValue)，其中x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值；对数函数变换，表达式为y＝log10(x)；反余切函数变换，表达式为y＝arctan(x)*2/PI。这种归一化方法适用于本来就分布在有限范围内的数据，但该方法只是对图像做了简单的线性变换处理，没有考虑图像本身的结构信息,处理后得到的图像可能会存在空洞或分布不均匀的现象；

2、均值方差归一化：

通过将像素值减去均值除以方差，来将均值归一化到0，方差归一化到1；适用于分布没有明显边界的情况，然而该方法仅计算图像的均值和方差然后做的线性变换处理，没有考虑可能存在的局部强信号当图像中有明显边界时处理后可能会使边缘模糊化；

3、直方图统计归一化：

通过统计图像像素的直方图累计分布，去掉分布谱上前面1％和后面2％的直方图成分，然后在新的直方图范围内调整像素值范围；当该方法只考虑图像的像素值分布，没有考虑图像本身的能量，导致图片信息的丢失；

现在，亟需一种对图像进行有效能量归一化的处理方法及系统，以克服现有技术的缺陷，使得归一化处理后最终得到的图像能量分布更均匀，且更大可能的保留了图像的原有信息。

发明内容

本发明所要解决的技术问题是提供一种对图像进行有效能量归一化的处理方法及系统，对图像进行多尺度分解，各个尺度分别归一化处理，使得最终得到的图像能量分布更均匀，且更大可能的保留了图像的原有信息。

为解决上述技术问题，本发明提出以下技术方案：

基于多尺度分解的图片能量归一化处理方法，包括如下步骤：

步骤(1)：对原始图像进行多尺度分解，分别得到尺度从精细到粗糙的多级子带图像；

步骤(2)：对步骤(1)中得到的各级子带图像分别进行归一化处理；

步骤(3)：对步骤(2)得到的归一化处理后的各级子带图像进行多尺度重建，得到重建后的图像。

步骤(4)：将步骤(3)中重建后的图像中的各点性变换归一化为取值在[0 1]之间,进而得到最终处理后的图像。

本发明中所称的图像均是指数字图像或模拟图像的数字化后的图像。

数字图像本身既包含大尺度信息如轮廓等，又包含小尺度上的细节信息如边缘等，这些信息一起构成图像的总体效果，缺一不可。如果直接在原图上进行归一化处理，可能会丢失其中的一些信息。因此，上述技术方案的特点是：先对图像进行多尺度分解，充分提取出图像在不同尺度上的结构和信息，最大可能地保留图像各个层次的信息，大的尺度保留图像中的轮廓等大致信息，小的尺度保留边缘等细节；而后，各个尺度分别归一化处理使得最终得到的图像能量分布更均匀且更大可能的保留了图像的原有信息，可快速高效地实现图像的能量归一化处理。

进一步，所述步骤(4)中，根据设定的有效百分位数值的上限和下限，将重建后的图像中百分位数值等于上限和下限的各点以及上限和下限之间的各点线，线性变换归一化为取值在[0 1]之间；高于上限的点则取值1，低于下限的点则取值0，进而得到最终处理后的图像。