肺部CT图像压缩的小波分析研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇肺部CT图像压缩的小波分析研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘 要】目的：实现肺部患者数字化ct图像的无损压缩。方法：利用小波分析新算法，对我院具有重要临床意义的40名肺部患者2189张CT数字化图像进行压缩；结果：压缩比为4时，经肺部影像专家肉眼盲法评判，压缩前后的临床诊断情况基本符合，综合效果评分显示压缩前后评分差别无统计学意义。结论：利用小波分析新算法，可以对肺部患者的数字化CT图像实现无损压缩。
【关键词】小波分析；图像压缩；肺部患者；CT图像
【中图分类号】R318 【文献标识码】A 【文章编号】1004-7484（2013）11-0783-01
小波分析（Wavelet analysis）非平稳信号分析的一种数学工具，它具有两个重要的数学实体“小波变换”和“小波级数”组成[1]，是近20年来应用数学领域新发展起来的一个分支，成为国际研究的热点。小波分析有压缩比高、压缩速度快，压缩后能保持信号与图像的特征基本不变，且在传递过程中可以抗干扰，因此，获得了较好的压缩效果。随着MATLAB软件的出现，小波分析及其应用变得更加广泛和简单[2-3]。简单方法可以采用MATLAB中的小波工具箱（Wavelet toolbox）中基于MATLAB技术计算环境的函数包的集合来实现，复杂方法也可以借助MATLAB平台编程实现。本研究利用小波分析，借助MATLAB软件平台对40例共2186张肺部患者CT图像进行压缩，取得了良好的效果，现将结果报告如下。
1 材料与方法
1.1 研究材料 收集2013年1月～2013年6月在我院影像科进行肺部CT检查的40例肺部患者，共2186张CT图像，其中男25例共1495张，女15例共691张。本研究通过采用小波分析，借助MATLAB软件平台对40例肺部患者共2186张肺部CT图像进行压缩，主要探讨借助MATLAB软件平台编程，采用小波分析中的新算法来实现对医学图像的压缩以求达到解决医学图像所占空间大、传输难的问题。
1.2 压缩方法 对图像做小波分解后，可得到一系列不同分辨率的子图像（他们所对应的频率不相同）。而对于图像来说，表征它的最主要部分是低频部分，而高频部分大部分点的数值均接近于0，而且频率越高，这种现象越明显。因此，利用小波分解去掉图像的高频部分而仅保留图像的低频部分是一种最简单的图像压缩方法。对图像进行小波分解后，提取低频系数，进行量化编码。为了解决对称性和精确信号重构的不相容性，本文引进了双正交小波，称为对偶的两个小波，分别用于信号的分解和重构。双正交小波解决了线性相位和正交性要求的矛盾。令信号f（t），在分解中用小波
3 结论
随着各种现代化医疗成像设备的不断发展，数字化的医学图像在临床诊断中的地位显得越来越重要，肺部CT图像更是医学诊断和治疗肺部患者的重要根据。由于图像数据实际上包含着大量冗长而无关紧要的信息，因此，在不降低人眼对图像的感觉的前提下，完全有可能大量地压缩或削减图像数据中无关紧要的信息，这就是图像压缩的任务[4]。 因此，医学图像的压缩已经成为医学图像信息的传输和存储需要解决的重要问题，为了实现图像的存储和远程医疗中快速传输图像的要求，必须对图像进行压缩[5]。在相同肉眼视觉条件下DICOM格式压缩为DICOM格式的压缩比为4时，BMP格式压缩为PNG格式的压缩比为3.5，压缩后的图像经三名肺部影像专家肉眼盲法评判，40位患者中有36位患者压缩前后的临床诊断情况完全符合，4位患者压缩前后的临床诊断情况基本符合，且对2186张图像按综合效果评分显示压缩前后评分无差别。由此可见在相同的肉眼效果下，直接以DICOM格式压缩为DICOM格式的压缩较BMP格式压缩为PNG格式的压缩比高；而且在临床，普遍以DICOM格式阅片，且大部分压缩软件不能直接读取DICOM格式图片；再者，大部分压缩软件也不能读入DICOM格式的CT图像，且经过图像格式转变本身就是一种压缩或解压缩过程。由此就更显得利用小波分析，借助MATLAB软件平台编程压缩的优越性。由此可见，小波分析的图像压缩方法是切实可用的，而且还具有一定的优势。
参考文献：
[1] 薛慧. 基于小波与小波包分析的CT 图像去噪研究. 中国医学物理学杂志， 2011， 28（2）： 2541-2545.
[2] 张德丰. MATLAB 小波分析. 北京： 机械工业出版社， 2010， 65-100.
[3] Stanley WD. Technical Analysis and Applications with MATLAB. Thomson Delmar Learning， 2004， 20（2）： 24-30.
[4] 王甜甜， 余晓锷. 基于小波分析的CT图像噪声类型识别. CT理论与应用研究， 2011， 20（2）： 184-189.
[5] Liò， Pietro.Wavelets in bioinformatics and computational biology： state of art and perspectives.Oxford University Press， 2003， 19（1）： 2-9.