第11章 数字图像处理的应用

1、home 第第11章章 数字图像处理的应用数字图像处理的应用内容提要内容提要:n11.1 图像处理在数字水印上的应用n11.2 基于形态学的图像颗粒度分析系统n11.3 基于内容的图像检索（CBIR）n11.4 数字化医院中的图像存档与通信系统n11.5 基于多分辨率分析的图像融合方法n11.6 数字图像处理的发展趋势n11.7 基于MATLAB GUI图像处理软件的开发home11.1 图像处理在数字水印上的应用n11.1.1 概述n11.1.2 数字水印的衡量标准n11.1.3 数字水印的分类n11.1.4 实现数字水印的一般步骤n11.1.5 图像水印举例home11.1.1 概述概述

2、多媒体技术已被广泛应用，需要进行加密、认证和版权保护的声像数据也越来越多。 如果对数字化的声像数据也采用密码加密方式，则其本身的数字信号属性就被忽略了。 用各种信号处理方法对声像数据进行隐藏加密，并将该技术用于制作多媒体的“数字水印”。 数字水印是信息隐藏技术的一个重要研究方向。home11.1.1 数字水印的衡量标准 （1）不可见性）不可见性 在数字作品中嵌入水印不会引起明显的降质，并且不易被察觉。 （2）鲁棒性）鲁棒性 在经历多种无意或有意的信号处理过程后，数字水印仍能保持完整性或仍能被准确鉴别。 处理过程包括信道噪声、滤波、数/模与模/数转换、重采样、剪切、位移、尺度变化以及有损压缩编码

3、等。home11.1.3 数字水印的分类 （1）按水印的特性分 鲁棒数字水印和脆弱数字水印 （2）按水印的检测过程分 明文水印和盲水印 （3）按数字水印的内容分 有意义水印和无意义水印 （4）按数字水印的隐藏位置分 时（空）域数印、频域水印、时频域数字水印等。home11.1.4 实现数字水印的一般步骤 三个阶段： 嵌入过程、传播过程和抽取过程。 嵌入和抽取是相互对应的，即不同的嵌入方法对应着不同的抽取方法。 水印方案的提出要充分考虑到数字产品在传播过程中会受到怎样的干扰 这些干扰可能是天然的，比如信道噪声；也可能是人为的，比如恶意的篡改数字产品。 在嵌入之前，要对嵌入载体作一些预处理或变换，

4、同样抽取水印也需要作相同的工作home图11.1 水印的嵌入和提取流程home11.1.5 图像水印举例 1LSB方法 任何一幅图片都具备一定的容噪性，像素数据的最低有效位（LSB）对人眼的视觉影响很小，秘密信息就隐藏在图像每一个像素的最低位或次低位，实现不可见性。 256色灰度图像每个像素值占8 bit，其第8位就是最低有效位。 把水印分别嵌入到图像像素的不同位，越低位嵌入，人眼越难识别。home图11.2 用LSB方法嵌入水印home 2在DCT域嵌入水印 先计算DCT，然后将水印叠加到DCT域中幅值最大的前k系数上(不包括直流分量)，通常为图像的低频分量。 若DCT系数的前k个最大分量表

5、示为D=di（i=1k），水印服从高斯分布的随机实数序列W=wi，那么水印的嵌入算法为 Di=di(1+wi) （11.1） 用新的系数做反变换得到水印图像IW。 解码函数则分别计算原始图像I和水印图像IW的离散余弦变换，并相减得到水印估计W*，再和原始水印做相关检验以确定水印的存在与否。home11.2 基于数学形态学的图像颗粒度分析系统基于数学形态学的图像颗粒度分析系统n11.2.1 概述概述n11.2.2 求图像中目标的面积和颗粒度求图像中目标的面积和颗粒度n11.2.3 实验结果与分析实验结果与分析n11.2.4 小结小结home11.2.1 概述 细胞图片中可能包含多个彼此分离的细胞

6、；金相图片中可能有多个气泡或颗粒；遥感图片中可能有不同的目标。 以有噪医学图像为例采用开运算去除噪声，再根据结构元素的变化定义并绘制图像面积函数和颗粒度函数 研究图像中各个颗粒或“子目标图像”的分布状况，得出的结论可供图像的颗粒度分析参考。home11.2.2 求图像中目标的面积和颗粒度 1. 面积的求解 （1）几何方法 不利于编程（2）运用格林公式 有利于编程（3）用边界行程码或链码 程序复杂度与运用格林公式相当home 2. 颗粒度的求解 （1） 颗粒的检出 从图像中检出颗粒Y，然后消除噪声点。 对图像X进行了一次开运算。选取结构元素进行腐蚀运算，去掉半径小于的噪声点，再进行膨胀运算。 （

7、2）颗粒分布函数home11.2.3 实验结果与分析 1. 结构元素的选取结构元素的选取（a）正方形结构元素（）正方形结构元素（d =3） （b）圆形结构元素（）圆形结构元素（r = 3） 图图11.6 两种结构元素两种结构元素home 2去噪预处理去噪预处理 读入原始图像，将彩色图像转换为灰度图像（图读入原始图像，将彩色图像转换为灰度图像（图11.7（a）。）。 加上椒盐噪声（图加上椒盐噪声（图11.7（b）。）。 选取合适的结构元素（图选取合适的结构元素（图11.6）。）。 对含有噪声的图像进行开运算，去除亮斑点；对得到对含有噪声的图像进行开运算，去除亮斑点；对得到的图像再进行闭运算，消除

8、图像中的暗斑点，即滤除了图的图像再进行闭运算，消除图像中的暗斑点，即滤除了图像中相应的噪声（图像中相应的噪声（图11.7（c）和图）和图11.7（d）。）。home图11.7 显微图像的形态学去噪处理 （a）原始灰度 （b）含噪声图像 （c）选取正方形结构元素去噪（d = 3） （d）选取圆形结构元素去噪（r = 3） （e）选取正方形结构元素去噪（d = 4） （f）选取圆形结构元素去噪（r = 4） home11.3 11.3 基于内容的图像检索（基于内容的图像检索（CBIRCBIR）n 11.3.1 概述概述n 11.3.2 基于内容图像检索的发展基于内容图像检索的发展n 11.3.3

9、图像特征的概念图像特征的概念n 11.3.4 基于内容图像检索系统的框架基于内容图像检索系统的框架n 11.3.5 相似度测量公式相似度测量公式n 11.3.6 基于内容的图像检索系统简介基于内容的图像检索系统简介n 11.3.7 基于内容图像检索技术的研究热点基于内容图像检索技术的研究热点n 11.3.8 基于颜色和纹理特征的图像检索算法基于颜色和纹理特征的图像检索算法home11.3.1 11.3.1 概述概述 随着互联网技术、计算机技术、信号处理技术等的不断发展，每天都有大量的图像数据需要处理，图像数据的应用领域已涉及到科学技术和日常生活的各个方面。 在气象、遥感领域，人们要处理海量的气

10、象图片和遥感图片。 在医疗卫生领域，由于医学图像的数字化存档和通讯系统已经越来越为各医疗机构所重视，采用各种各样的医学影像设备帮助医生进行诊断治疗，医学影像设备产生的图像数据很大部分已实现了数字化管理。 在日常生活中，数码相机、扫描仪、数字摄像机等信息电器，使得电脑硬盘或光盘里可能存储了成千上万张人物、风景图片。home11.3.2 基于内容图像检索的发展基于内容图像检索的发展 基于文本检索利用了自然语言的优势，间接地实现了对图像的索引。但： （1）人工标注要受到人的主观意识限制。 （2）大量的图像进行人工标注时要花费大量精力。 （3）没有直接基于图像的视觉特征，没有充分利用图像本身所包含的特

11、征如颜色、纹理、形状等，也没有充分利用计算机对数字图像的处理能力。home基于内容的图像检索（CBIR）技术 基于内容的图像检索（CBIR, Content-Based Image Retrieval）技术应运而生。 更有效、更直接地反映图像视觉信息必须基于图像本身的属性。 基于内容的图像检索使用颜色、纹理、形状、空间关系等图像的视觉内容来表示和索引图像。 现在基于内容图像检索已经融入了相关反馈技术，让用户参与到检索过程中，从而获得知觉、语义上更加有意义的检索结果。home11.3.3图像特征的概念 图像的特征是人对图像视觉感受的量化描述。 图像特征从各个方面描述了图像的内在语义，从而可以作为

12、图像的抽象表示。 基于特征（内容）的图像检索利用不同特征定义的相似度表示不同图像之间的相似程度。 基于内容的图像检索 首先要确定特征，以便让计算机自动地或半自动地从图像中提取这些特征。 其次根据这些特征进行相似性度量，认为查询图像与目标图像特征值越接近则两幅图像越相似。home图像特征分为低层特征和高层语义特征 低层特征如颜色、纹理、形状和空间关系等 简单、直观、有效，所以现有的大多数CBIR系统都采用了这些特征。 高层语义特征描述了图像本身与其反映的客观世界之间的关系。 由于图像内容的复杂性，人对图像内容的理解往往建立在经验的基础上，所以人对图像内容的理解很难仅靠统计特征来描述。 语义特征或

13、者由文本标注得到，或者经过基于视觉内容的复杂推理过程得到。home11.3.4基于内容图像检索系统的框架 CBIR系统一般包括下面几个模块： 用户界面模块、图像输入模块、特征抽取模块、结果显示模块以及用户反馈模块。 各模块独立完成一定的功能： 用户界面模块提供系统与用户的接口； 图像输入模块在向系统输入图像的同时进行预处理； 特征抽取模块完成对特征的提取 决定CBIR系统性能优劣的关键之一； 结果显示模块把示例图像的特征与图像特征库中的特征进行相似匹配，并按相似度从大到小显示图像； 用户反馈模块完成用户与系统的交互，系统根据用户的反馈对参数作相应的调整，从而提高查询正确率。home图11.8

14、基于内容图像检索系统 用 户 界 面 输入图象 示例图象 图象预处理 图象预处理 特征提取 存储图象 显示结果 图象库 匹配结果 特征匹配 特征库 用户反馈 特征提取 用 户 home11.3.5相似度测量公式 1Minkowski-Form距离公式 2Quadratic Form（QF）距离公式 3Mahalanobis距离公式（马氏距离） 4Kullback-Leibler（KL）Divergence和Jeffrey-Divergence（JD）距离公式home11.3.6基于内容的图像检索系统简介 1.QBIC系统 2.VIRAGE系统 3.VisualSeek/WebSeek系统 4.

15、 章毓晋等人研制的基于特征的图像查询和检索系统。 该系统不仅提供了多种包括颜色、纹理、形状等单一特征的查询和检索手段，而且还可综合利用各种不同特征进行检索操作。 系统采用的特征包括基于累积直方图和局部累积直方图，这是颜色特征；基于灰度共生矩阵的4种纹理量；基于不变矩的形状特征等。系统能自动提取特征向量，能同时显示查询图、特征图和检索结果。home11.3.7基于内容图像检索技术的研究热点 1.综合特征检索技术 考虑到颜色、纹理、形状和空间关系等特征各有特点，它们各自反映图像某一方面的内容，如果进行综合利用则有可能提高检索性能。 2.相关反馈检索技术 实现了人机交互，用户根据先前检索结果借助权重

16、调整已有的查询要求以给检索系统提供更多更直接的信息，从而使系统能更好地满足用户的需求。 3.基于语义的检索技术 人对图像的理解主要是在语义层次上的，所以将图像的语义特征结合到检索系统中将会极大地提高检索性能。home11.3.8 基于颜色和纹理特征的图像检索算法 1. 概述 2. 颜色特征的提取 3. 纹理特征的提取 4. 距离度量与相似检索 5. 实验结果home图图11.10 11.10 不同特征的检索结果不同特征的检索结果home11.4 数字化医院中的图像存档与通信系统数字化医院中的图像存档与通信系统 11.4.1 PACS概述概述 11.4.2 国内外发展现状国内外发展现状 11.4

17、.3 主要解决的问题和技术要点主要解决的问题和技术要点 11.4.4 DICOM图像格式图像格式 11.4.5 DICOM 3.0标准及其面向对象的实现标准及其面向对象的实现 11.4.6 小结小结 home11.4.1 PACS概述概述 医学影像已经不再是仅供医生参考的信息而成为诊断疾病的重要依据。 电子病历数字化是进入医院的根本标志，而建立电子病历当数图像的存储、检索和通信最为困难。 1992年，第一个集文字和图像于一体的电子病历系统：图像存档和通信系统PACS（Picture Archiving and Communication System）诞生。 PACS 是图像处理技术和计算机通

18、信技术密切结合的典型产物，具有图像获取、存档、检索、传送、显示、管理等功能的完整的网络系统。home11.4.2 国内外发展现状 PACS按照规模和功能分，有 小型PACS、数字PACS和全规模PACS。 以服务于单一影像部门、含X线影像及其所有影像设备和全放射科或医学影像学科范围甚至包括临床影像浏览、会诊系统和远程放射学服务为特征。 国外已经处于“第二代PACS（Hi-PACS, Hospital integrated PACS）”阶段。 Hi-PACS的基本含义 模块化结构、开放式架构、DICOM标准、整合HIS-RIS（医院信息系统-放射学信息系统）等特征的全规模PACS。home图11

19、.11 HU-PACS的体系结构home图11.12 PACS标准框架设计模式home11.4.3 主要解决的问题和技术要点 1.投资规模问题。 2.基于DICOM的PACS与现存信息系统的兼容性问题。 3.研究医学图像的数字化、影像设备的数字接口问题。 4.压缩存储和传输，提高图像的复用率。 5.图像数据库的建立和图片检索问题。 6.图像终端显示和浏览。 home图11.13 DICOM标准的体系结构home11.4.4 DICOM图像格式 DICOM：指医学数字成像和通信系统。 Digital Imaging and Communications in Medicine 涵盖了数字图像信息

20、构成和通信两个领域。 现在最新的版本共分为16章。 第1章和第2章是导论和一致性声明部分，为描述了本标准所涉及的范围，标准的目的、宗旨、意义。 DICOM标准允许工程实现者部分或全部地遵从，所以在产品说明中必须声明遵从的程度。 后几章讲述的内容包括端到端通讯、数据交换中存储和媒质格式、端到端支持的打印管理、灰度标准显示函数、安全规范等。home 用户可以根据医学工作的需要，制定符合DICOM标准的图像文件格式。 医学图像文件结构部分主要参考标准的 第3章：信息对象定义 第4章：服务类规范 第5章：数据结构和编码规定 第6章：数据字典（Data Dictionary） 第11章：数据交换中介质存

21、储方式和文件格式home11.4.5 DICOM 3.0标准及其面向对象的实现标准及其面向对象的实现 1DICOM信息对象定义和服务类信息对象定义和服务类 DICOM标准融入了面向对象的思想。 信息对象定义IOD反映的是某类具有相同性质或属性的客观世界对象的信息。 Information Object Definition IOD与面向对象编程中“类”的概念非常相似。 信息模型来反映IOD之间的关系，这种信息模型是在表示DICOM标准适用范围之内所有现实世界对象之间关系的应用模型基础上抽象而来的。home图11.14 IOD结构示意图 I O D IE IE 1 IE 2 IE 3 IE n

22、Module 1 Module 2 Module 3 Module n NormalizedIODCompositeIODAttributehome图11.15 数据元素结构 Data Element Data Element Data Element Tag VR Value Length Value Group Element Data Sethome 2.DICOM标准数据结构、编码和文件格式标准数据结构、编码和文件格式 标准以文件形式封装一个服务对象对实例，若干文件组成文件集。 文件是由文件元信息和DICOM数据集构成。 元信息由文件头和组号为0002的元元素构成。 文件头包括128字

23、节的文件前文4字节的前缀，这个前缀的内容只能是“DICM”，它用来表示此文件是DICOM格式文件。 应用程序可以使用128字节的文件前文，也可以不使用，如不使用则填充“00H”。文件元元素使用显式VR表示，包括文件元信息版本，传输语法等内容。home图11.16 DICOM文件集和文件格式 A File-set contains DICOM Formated Files A File contains one SOP Instance DICOM File Meta Information DICOM Data Set DICOM SOP Instance DICOM Part 5Encodi

24、nghome11.5 基于多分辨率分析的图像融合方法11.5.1 图像融合的层次图像融合的层次图像融合由低到高分为3个层次： 数据级（Pixel-level）融合 特征级（Feature- level）融合 决策级（Decision-level）融合。 home图11.18 像素级图像融合过程home 11.5.2 图像融合的方法 1基于非多分辨率分析的图像融合方法。 2基于多分辨率分析的图像融合方法。 （1）基于金字塔变换的图像融合方法 （2）基于小波变换的图像融合方法 （3）基于超小波变换的图像融合方法home11.6 11.6 数字图像处理的发展趋势数字图像处理的发展趋势 数字图像处理技

25、术是20世纪60年代初开始发展起来的，经过了初创期、发展期、普及期及广泛应用几个阶段。 近几年来，随着计算机和各个相关领域研究的迅速发展，科学计算可视化、多媒体技术等研究和应用的兴起，数字图像处理从一个专门领域的学科，变成了一种新型的科学研究和人机界面的工具，其研究和应用呈现出蓬勃发展的崭新势头。home数字图像处理的发展趋势主要反映在： （1）在图像的安全技术方面，侧重研究图像数字水印和图像信息隐藏； 在图像的自动识别方面，人体生物特征的提取与验证引起高度重视； 在图像理解方面，图像匹配与融合等较高层的课题得到更多的关注； 在图像数据库方面，对于基于内容的图像和视频检索的研究继续升温。home （2）“传统的”图像分割和图像压缩编码等领域仍有研究的价值。 国内近十多年来占据文献最多的两个研究方向是图像分割和图像压缩编码。 学者们对这些经典问题的研究兴趣反映了这个课题十分重要，如图像分割是由图像处理到图像分析的关键步骤，图像压缩编码具有很大的应用价值，同时也反映这些工作具有相当的难度和挑战性。home （3）加强对人的视觉特性、心理学特性等的进一步研究。 作为边缘学科，图像处理技术更应该注意借鉴其他学科的理论、技