CN105354835A - 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 - Google Patents

Abstract

一种结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，包括如下步骤：1)使用log-Gabor小波计算参考图像和失真图像的相位一致性图谱；2)使用Scharr算子计算参考图像和失真图像的梯度幅值图谱；3)结合1)得到的相位一致性图谱和2)得到的梯度幅值图谱得到图像局部质量图谱；4)计算参考图像的基于人眼视觉特征的结构显著图谱；5)用所述结构显著性图谱作为聚合策略对3)中的图像质量图谱进行加权求和，得到图像质量分数；6)当图像质量分数高于预设的分数阈值时，判定医学图像质量较高。本发明可靠性比较高、实用性良好。

Description

结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法

技术领域

本发明属于医学图像评价领域，尤其是涉及一种医学图像质量评价方法。

背景技术

优质的医学图像往往有助于提高医师诊断效率，并减少医疗事故的发生，但目前医学图像质量评价研究要远滞后于自然图像质量评价研究。这主要受限于硬件设备的约束，公开数据源的数量有限，从事医学影像工作人员专业背景的制约。目前还没有一个可靠性较高的方法，因此对医学图像质量评价的研究是一项必要工作。

目前，基于统计数据的图像质量评价方法和基于结构特征的图像质量评价方法(SSIM)仍是使用最多的医学图像质量评价指标，其中基于统计数据的图像质量评价方法主要有均方误差(Mean-squareError,MSE)和峰值信噪比(PeakSignal-noiseRatio,RSNR)。这些评价指标用于度量各种图像的压缩算法的效率，也用于度量其他各种医学图像处理技术对图像产生的影响。事实上，这些评价指标与人的主观评价结果的一致性并不算高，在评价图像的诊断质量时也并不实用。

基于统计数据的评价方法主要从数学统计的角度出发，将图像看成孤立点集合，而忽略局域像素间的相关性。这就决定了该方法在处理结构性失真时不能给出准确的质量评价结果。同时它将信号误差等同于质量的视觉感知，这也不符合HVS视觉特性。PSNR对于噪声失真能做出较准确的判断，但对于其他类型失真也并不适用。SSIM及其改进方法主要基于人眼视觉系统高度自适应提取场景中的结构信息的特性来进行图像质量评估。SSIM方法从图像局部亮度、对比度和结构三方面来度量参考图像与失真之间的相似性，得到图像质量图谱后采用求均值的方法获得一个整体的质量分数。该类方法性能要优于早期方法，但依旧达不到实际应用所期望的可靠性。

发明内容

为了克服传统医学图像质量评价指标与人的主观评价结果的一致性不太高，在评价诊断质量时实用性较差的不足，本发明提供了一种可靠性比较高、实用性良好的结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法。

本发明解决其技术问题所采用的技术方案是：

一种结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，包括如下步骤：

1)使用log-Gabor小波计算参考图像和失真图像的相位一致性图谱；

2)使用Scharr算子计算参考图像和失真图像的梯度幅值图谱；

3)结合1)得到的相位一致性图谱和2)得到的梯度幅值图谱得到图像局部质量图谱；

4)计算参考图像的基于人眼视觉特征的结构显著图谱；

5)用所述结构显著性图谱作为聚合策略对3)中的图像质量图谱进行加权求和，采用结构显著性模型SSM来体现人眼对图像结构信息的敏感度，用SSM(x)表示该权重图，图像质量分数IQS(x)可表示为：

$IQS\left(x\right)=\frac{{\mathrm{\Σ}}_{\mathrm{\Ω}}Q\left(x\right)\·SSM\left(x\right)}{{\mathrm{\Σ}}_{\mathrm{\Ω}}SSM\left(x\right)}---\left(9\right)$

其中，x表示图像在空域Ω上的每个像素；

6)当图像质量分数高于预设的分数阈值时，判定医学图像质量较高。

进一步，所述步骤1)中，在2D图像中，每个像素的相位一致性定义为：

$PC(x,y)=\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{W}_i(x,y)f_p\{A_{ji}(x,y)\[{\mathrm{\Δ\φ}}_{ji}(x,y)\]-T_i\}}{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{A}_{ji}(x,y)}---\left(1\right)$

Δφ(x,y)＝cos[φ_n(x,y)-φ(x,y)]

(2)

-|sin[φ_n(x,y)-φ(x,y)]|

其中，m和n分别表示方向尺度个数，Aji(x)和Φji(x)分别表示在第i个方向第j个对数尺度上的幅度和局部相位偏差，Ti是在第i个方向上的估计噪声，Wi是第i个方向上的权重函数，Φ(x,y)是在(x,y)位置处的局部相位加权均值。

再进一步，所述步骤2)中，图像梯度幅值使用卷积核来表示，使用的梯度算子为Scharr算子，梯度幅值GM的定义为：

$GM=\sqrt{G_x^2+G_y^2}---\left(3\right)$

其中，Gx和Gy分别表示图像f(x)在水平和竖直方向上偏导数.

更进一步，所述步骤3)中，假设Ref表示参考图像，Dst表示失真图像，PC₁和PC₂分别为参考图像Ref和失真图像Dst的相位一致性图谱，G₁和G₂为参考图像Ref和失真图像Dst的梯度幅度图谱，PC_S为两幅相位一致性图像的相似性图谱，GM_S为两幅梯度幅度图的相似性图谱，Q为失真图像的局部质量图；用PCs(x)表示相位一致性图的相似性，用GMs(x)表示梯度幅度图的相似性，PCs定义如下：

${\mathrm{PC}}_S\left(x\right)=\frac{2{\mathrm{PC}}_1\left(x\right)\·{\mathrm{PC}}_2\left(x\right)+c_1}{{\mathrm{PC}}_1^2\left(x\right)+{\mathrm{PC}}_2^2\left(x\right)+c_1}---\left(4\right)$

其中，c₁是一个小正数常量；

GMs定义如下：

${\mathrm{GM}}_S\left(x\right)=\frac{2G_1\left(x\right)\·G_2\left(x\right)+c_2}{G_1^2\left(x\right)+G_2^2\left(x\right)+c_2}---\left(5\right)$

其中，c₂是一个小正数常量；

局部质量图谱Q(x)表示为：

Q(x)＝PC_S(x)·GM_S(x)(6)。

所述步骤4)中，用Pb(x,y,θ)来表示(x,y)位置θ方向成为边缘的概率，Pb的计算基于亮度，色彩，纹理三个通道的梯度方向信息计算得到；

对于亮度通道，使用被一条直径分割成两半的圆作为窗口，通过调整直径的方向，计算出两个半圆所对应的直方图g和h，用g和h计算(x,y)处两个直方图的距离：

${\mathrm{\χ}}^2(g,h)=\frac{1}{2}\underset{i}{\Σ}\frac{{\left(g\right(i)-h(i\left)\right)}^2}{g\left(i\right)+h\left(i\right)}---\left(7\right)$

纹理和色彩通道也用同样的方式进行处理；

然后引入三个尺度来检测精细结构和粗糙结构，最后把多尺度上的局部亮度，色彩和纹理信息结合起来，全局边缘概率定义为：

$gPb(x,y,\mathrm{\θ})=\underset{s}{\Σ}\underset{i}{\Σ}{\mathrm{\β}}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})+\mathrm{\γ}\·sPb(x,y,\mathrm{\θ})---\left(8\right)$

其中，s是尺度的索引，i是特征通道的索引(亮度，色彩，纹理)，Gi,σ(i,s)(x,y,θ)测量通道i中半径为σ(i,s)，圆心为(x,y)的圆被一条角度为θ的直径分为两个半圆之后，两个半圆的直方图之差。Pb(x,y,θ)测量在(x,y)处位置θ方向成为边缘的概率。βi,s和γ的值通过使用BSDS训练图像的F-measure的梯度上升得到。结构显著性模型SSM由上述全局边缘概率的方法实现。

本发明的有益效果主要表现在：获得了与专业评估高度一致的结果，提高客观图像质量评价方法的可靠性，实用性良好。

附图说明

图1是结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法的算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，包括如下步骤：

1)使用在计算机视觉和感知领域应用极为广泛的log-Gabor小波计算参考图像和失真图像的相位一致性图谱；

在2D图像中，每个像素的相位一致性可以定义为：

$PC(x,y)=\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{W}_i(x,y)f_p\{A_{ji}(x,y)\[{\mathrm{\Δ\φ}}_{ji}(x,y)\]-T_i\}}{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{A}_{ji}(x,y)}---\left(1\right)$

Δφ(x,y)＝cos[φ_n(x,y)-φ(x,y)]

(2)

-|sin[φ_n(x,y)-φ(x,y)]|

其中m和n分别表示方向尺度个数，Aji(x)和Φji(x)分别表示在第i个方向第j个对数尺度上的幅度和局部相位偏差。Ti是在第i个方向上的估计噪声，Wi是第i个方向上的权重函数。Φ(x,y)是在(x,y)位置处的局部相位加权均值。

2)使用Scharr算子计算参考图像和失真图像的梯度幅值图谱；

图像梯度幅值使用卷积核来表示，使用的梯度算子为Scharr算子，梯度幅值GM的定义为：

$GM=\sqrt{G_x^2+G_y^2}---\left(3\right)$

其中Gx和Gy分别表示图像f(x)在水平和竖直方向上偏导数；

3)结合1)得到的相位一致性图谱和2)得到的梯度幅值图谱得到图像局部质量图谱；

参照图1，其中Ref表示参考图像，Dst表示失真图像，PC₁和PC₂分别为由相应原图计算出的相位一致性图，G₁和G₂为相应原图的梯度幅度图，PC_S为两幅相位一致性图像的相似性图谱，GM_S为两幅梯度幅度图的相似性图谱，Q为失真图像的局部质量图，这里用PCs(x)表示相位一致性图的相似性，用GMs(x)表示梯度幅度图的相似性，PCs具体定义如下：

${\mathrm{PC}}_S\left(x\right)=\frac{2{\mathrm{PC}}_1\left(x\right)\·{\mathrm{PC}}_2\left(x\right)+c_1}{{\mathrm{PC}}_1^2\left(x\right)+{\mathrm{PC}}_2^2\left(x\right)+c_1}---\left(4\right)$

其中，c₁是一个小正数常量以避免分母为0的情况，PC₁和PC₂分别为参考图和失真图的相位一致性图，同样地，GMs可以定义如下：

${\mathrm{GM}}_S\left(x\right)=\frac{2G_1\left(x\right)\·G_2\left(x\right)+c_2}{G_1^2\left(x\right)+G_2^2\left(x\right)+c_2}---\left(5\right)$

其中，G₁和G₂分别是参考图和失真图的梯度幅度图，c₂是一个小正数常量以避免分母为0的情况，局部质量图谱Q(x)可以表示为：

Q(x)＝PC_S(x)·GM_S(x)(6)

4)计算参考图像的基于人眼视觉特征的结构显著图谱；

基于人眼视觉特征的结构显著性模型通过全局边缘概率的方法来实现，用Pb(x,y,θ)来表示(x,y)位置θ方向成为边缘的概率，Pb的计算主要基于亮度，色彩，纹理三个通道的梯度方向信息计算得到，对于亮度通道，使用被一条直径分割成两半的圆作为窗口，通过调整直径的方向，计算出两个半圆所对应的直方图g和h，用g和h计算(x,y)处两个直方图的距离：

${\mathrm{\χ}}^2(g,h)=\frac{1}{2}\underset{i}{\Σ}\frac{{\left(g\right(i)-h(i\left)\right)}^2}{g\left(i\right)+h\left(i\right)}---\left(7\right)$

纹理和色彩通道也用同样的方式进行处理。然后引入三个尺度来检测精细结构和粗糙结构，最后把多尺度上的局部亮度，色彩和纹理信息结合起来，最终全局边缘概率定义为：

$gPb(x,y,\mathrm{\θ})=\underset{s}{\Σ}\underset{i}{\Σ}{\mathrm{\β}}_{i,s}{G}_{i,\mathrm{\σ}(i,s)}(x,y,\mathrm{\θ})+\mathrm{\γ}\·sPb(x,y,\mathrm{\θ})---\left(8\right)$

5)用所述结构显著性图谱作为聚合策略对3)中的图像质量图谱进行加权求和，得到有效的图像质量分数；

6)当图像质量分数高于预设的分数阈值时，判定医学图像质量较高。

参照图1，SSM为参考图像的结构显著性图谱，用它来对质量图谱Q做加权聚合，以得到最终图像质量分数。

在由质量图谱得到最终分数时，我们采用结构显著性模型SSM来体现人眼对图像结构信息的敏感度。用SSM(x)表示该权重图，图像质量分数IQS(x)表示为：

$IQS\left(x\right)=\frac{{\mathrm{\Σ}}_{\mathrm{\Ω}}Q\left(x\right)\·SSM\left(x\right)}{{\mathrm{\Σ}}_{\mathrm{\Ω}}SSM\left(x\right)}---\left(9\right)$

其中，x表示图像在空域Ω上的每个像素。

Claims (5)

1.一种结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，其特征在于：所述评价方法包括如下步骤：

1)使用log-Gabor小波计算参考图像和失真图像的相位一致性图谱；

2)使用Scharr算子计算参考图像和失真图像的梯度幅值图谱；

3)结合1)得到的相位一致性图谱和2)得到的梯度幅值图谱得到图像局部质量图谱；

4)计算参考图像的基于人眼视觉特征的结构显著图谱；

5)用所述结构显著性图谱作为聚合策略对3)中的图像质量图谱进行加权求和，采用结构显著性模型SSM来体现人眼对图像结构信息的敏感度，用SSM(x)表示该权重图，图像质量分数IQS(x)可表示为：

其中，x表示图像在空域Ω上的每个像素；

6)当图像质量分数高于预设的分数阈值时，判定医学图像质量较高。

2.如权利要求1所述的结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，其特征在于：所述步骤1)中，在2D图像中，每个像素的相位一致性定义为：

Δφ(x,y)＝cos[φ_n(x,y)-φ(x,y)](2)

-|sin[φ_n(x,y)-φ(x,y)]|

其中，m和n分别表示方向尺度个数，Aji(x)和Φji(x)分别表示在第i个方向第j个对数尺度上的幅度和局部相位偏差，Ti是在第i个方向上的估计噪声，Wi是第i个方向上的权重函数，Φ(x,y)是在(x,y)位置处的局部相位加权均值。

3.如权利要求1或2所述的结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，其特征在于：所述步骤2)中，图像梯度幅值使用卷积核来表示，使用的梯度算子为Scharr算子，梯度幅值GM的定义为：

其中，Gx和Gy分别表示图像f(x)在水平和竖直方向上偏导数。

4.如权利要求1或2所述的结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，其特征在于：所述步骤3)中，假设Ref表示参考图像，Dst表示失真图像，PC₁和PC₂分别为参考图像Ref和失真图像Dst的相位一致性图谱，G₁和G₂为参考图像Ref和失真图像Dst的梯度幅度图谱，PC_S为两幅相位一致性图像的相似性图谱，GM_S为两幅梯度幅度图的相似性图谱，Q为失真图像的局部质量图；用PCs(x)表示相位一致性图的相似性，用GMs(x)表示梯度幅度图的相似性，PCs定义如下：

其中，c₁是一个小正数常量；

GMs定义如下：

其中，c₂是一个小正数常量；

局部质量图谱Q(x)表示为：

Q(x)＝PC_S(x)·GM_S(x)(6)。

5.如权利要求4所述的结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法，其特征在于：所述步骤4)中，用Pb(x,y,θ)来表示(x,y)位置θ方向成为边缘的概率，Pb的计算基于亮度，色彩，纹理三个通道的梯度方向信息计算得到；

对于亮度通道，使用被一条直径分割成两半的圆作为窗口，通过调整直径的方向，计算出两个半圆所对应的直方图g和h，用g和h计算(x,y)处两个直方图的距离：

纹理和色彩通道也用同样的方式进行处理；

然后引入三个尺度来检测精细结构和粗糙结构，最后把多尺度上的局部亮度，色彩和纹理信息结合起来，全局边缘概率定义为：

其中，s是尺度的索引，i是特征通道的索引(亮度，色彩，纹理)，G_i,σ(i,s)(x,y,θ)测量通道i中半径为σ(i,s)，圆心为(x,y)的圆被一条角度为θ的直径分为两个半圆之后，两个半圆的直方图之差。Pb(x,y,θ)测量在(x,y)处位置θ方向成为边缘的概率，β_i,s和γ的值通过使用BSDS训练图像的F-measure的梯度上升得到。