第10章 数字图像处理的应用,内容提要: 10.1 图像处理在数字水印上的应用 10.2 基于形态学的图像颗粒度分析系统 10.3 基于内容的图像检索（CBIR） 10.4 数字化医院中的图像存档与通信系统 10.5 基于多分辨率分析的图像融合方法 10.6 PHOTOSHOP图像处理软件简介,10.1 图像处理在数字水印上的应用,10.1.1 概述 10.1.2 数字水印的衡量标准 10.1.3 数字水印的分类 10.1.4 实现数字水印的一般步骤 10.1.5 图像水印举例,10.1.1 概述,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。,10.1.1 数字水印的衡量标准,（1）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 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等。,10.1.3 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。,10.1.4 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，同样抽取水印也需要作相同的工作,图10.1 水印的嵌入和提取流程,10.1.5 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。,图10.2 用LSB方法嵌入水印,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) （10.1） 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。,10.2 基于数学形态学的图像颗粒度分析系统,10.2.1 概述 10.2.2 求图像中目标的面积和颗粒度 10.2.3 实验结果与分析 10.2.4 小结,10.2.1 概述,细胞图片中可能包含多个彼此分离的细胞；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。,10.2.2 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,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。 （2）颗粒分布函数,10.2.3 实验结果与分析,1. 结构元素的选取 （a）正方形结构元素（d =3） （b）圆形结构元素（r = 3） 图10.6 两种结构元素,2去噪预处理 读入原始图像，将彩色图像转换为灰度图像（图10.7（a）。 加上椒盐噪声（图10.7（b）。 选取合适的结构元素（图10.6）。 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，消除图像中的暗斑点，即滤除了图像中相应的噪声（图10.7（c）和图10.7（d）。,图10.7 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）,3计算和绘制颗粒度分布函数,图10.8 图像颗粒分布函数,10.3 基于内容的图像检索（CBIR）,10.3.1 概述 10.3.2 基于内容图像检索的发展 10.3.3 图像特征的概念 10.3.4 基于内容图像检索系统的框架 10.3.5 相似度测量公式 10.3.6 基于内容的图像检索系统简介 10.3.7 基于内容图像检索技术的研究热点 10.3.8 基于颜色和纹理特征的图像检索算法,10.3.1 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。,10.3.2 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。,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。,10.3.3 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。,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。,10.3.4 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。,图10.9 基于内容图像检索系统,10.3.5 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,10.3.6 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. 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。,10.3.7 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。,10.3.8 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,图10.11 不同特征的检索结果,10.4 数字化医院中的图像存档与通信系统,10.4.1 PACS概述 10.4.2 国内外发展现状 10.4.3 主要解决的问题和技术要点 10.4.4 DICOM图像格式 10.4.5 DICOM 3.0标准及其面向对象的实现 10.4.6 小结,10.4.1 PACS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。,10.4.2 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。,图10.12 HU-PACS的体系结构,图10.13 PACS标准框架设计模式,10.4.3 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