Аннотация.

В статье рассматривается эффективность применения гомоморфной фильтрации при обработке данных, не подчиняющихся гауссову закону распределения. В качестве примера использовались данные рентгеновской компьютерной томографии. Обработка данных основана на вейвлет-фильтрации, включающей шумоподавление и усиление контуров объектов интереса. Результаты показали значительное улучшение качества обработанных данных; при этом удалось избежать некоторых нежелательных артефактов, возникающих при обработке без рассматриваемого преобразования.

Ключевые слова:

компьютерная томография, обработка изображений, нелинейное преобразование, улучшение границ, шумоподавление, преобразование по обратной функции, гомоморфная фильтрация.

Стр. 33-42.

Полная версия статьи в формате pdf. 

REFERENCES

1. Matias Prokop, Michael Galanski. Spiral and Multislice Computed Tomography of the body: Handbook; Thieme; 1st edition (2001), pp. 14-16.
2. G. Hendeby, F. Gustafsson. Fundamental filtering limitations in linear non-Gaussian systems 16th Triennial IFAC World Congress, 2005.
3. Hyvarinen A., Oja E. Independent component analysis: algorithms and applications. Neural networks. 2000;13(4), pp. 411-30.
4. Gruzman I. S. Two-Phase Methods of the Primary Processing of the Cluttered Multidimensional Signals and Images. Doctoral Thesis. Novosibirsk State Technical University, 1997.
5. Arakeri M. P., et al., editors. A comparative performance evaluation of independent component analysis in medical image denoising. ICRTIT, 2011.
6. Kampfe T., Nattkemper T.W., Ritter H. Combining independent component analysis and self-organizing maps for cell image classification. Pattern Recognition: Springer; 2001. p. 262-268.
7. Nishii T., Kono A. K., Tani W. etc. Four-dimensional noise reduction using the time series of medical computed tomographydatasets with short interval times: a static-phantom study. PEERJ, Feb. 2016, doi:10.7717/peerj.1680.
8. Liu X, Primak A. N. et al. Quantitative evaluation of noise reduction algorithms for very low dose renal CT perfusion imaging. Proc. SPIE 7258, Medical Imaging 2009: Physics of Medical Imaging, 72581T (13 March 2009); doi:10.1117/12.813777.
9. Donoho, D. De-noising via soft-thresholding, Technical report 409, Dept. of Statistics, Stanford University, 1992.
10. R. Gonsalez, R. Woods. Digital Image Processing. Prentice Hall, Pearson Education, 2002. ISBN 0-201-18075-8.
11. Kulberg N.S. Novel method of image quality enhancement in Ultrasonic medical imaging. Development and testing. Acoustic Journal, 2009, vol. 55, № 4–5, p. 526-535 (In Russian).
12. Kulberg N. S., и др. Novel Method of the Noise-Reduction in 3D X-Ray Computed Tomography. Proceedings of the Third International Workshop on Image Mining Theory and Applications, pp. 92-99, Angers, France, May 2010.
13. Feifang Hu and James V. Zidek. The Weighted Likelihood. The Canadian Journal of Statistics / La Revue Canadienne de Statistique. Vol. 30, No. 3 (Sep., 2002), pp. 347-371.
14. Oppenheim A. V. et al. Nonlinear Filtering of Multiplied and Convolved Signals. Proceedings of the IEEE Volume 56 No. 8 August 1968, pages 1264-1291 (русский перевод: Оппенхейм, Шефер, Стокхэм. Нелинейная фильтрация сигналов, представленных в виде произведения и свертки. ТИИЭР, 1968, т. 56, № 8, стр. 5-46.
15. Vadzinskiy R.N. Handbook of probability distribution. – SPb.: Science, 2001, p. 33(In Russian)