醫(yī)學數(shù)字圖像處理

 第1章 緒論   1.1  數(shù)字圖像處理在醫(yī)學中的應用    1.1.1  超聲    1.1.2  x射線及x射線負片    1.1.3  X.CT    1.1.4  磁共振成像    1.1.5  顯微圖像分析測量系統(tǒng)    1.1.6  電子內窺鏡系統(tǒng)    1.1.7  PACS    1.1.8  數(shù)字人體  1.2  醫(yī)學數(shù)字圖像處理系統(tǒng)  1.3  本書的主要內容    1.3.1  醫(yī)學圖像成像機理和臨床應用    1.3.2  醫(yī)學數(shù)字圖像處理基礎    1.3.3  醫(yī)學圖像增強    1.3.4  醫(yī)學圖像分割    1.3.5  醫(yī)學圖像配準    1.3.6  醫(yī)學圖像融合    1.3.7  醫(yī)學數(shù)字圖像特征分析與提取  1.4  醫(yī)學數(shù)字圖像處理要解決的問題  1.5  醫(yī)學數(shù)字圖像處理的發(fā)展方向  1.6  本章小結第2章  醫(yī)學圖像成像機理和臨床應用  2.1  基本名詞解釋  2.2  x射線影像  2.3  超聲影像  2.4  CT影像  2.5  MRI影像  2.6  核醫(yī)學影像    2.6.1  PET醫(yī)學影像    2.6.2  SPECT醫(yī)學影像    2.6.3  fMRI醫(yī)學影像  2.7  分子影像學    2.8  本章小結第3章醫(yī)學數(shù)字圖像處理基礎  3.1  圖像的表示    3.1.1  圖像和圖像處理    3.1.2  數(shù)字圖像的矩陣表示  3.2  圖像的數(shù)字化    3.2.1  采樣    3.2.2  量化    3.2.3  空間和灰度分辨率  3.3  像素間的鄰域和鄰接    3.3.1  鄰域    3.3.2  鄰接    3.3.3  連通性和距離  3.4  圖像灰度直方圖及其運算    3.4.1  灰度直方圖    3.4.2  灰度直方圖的應用    3.4.3  灰度直方圖的均衡化  3.5  基于像素的圖像運算    3.5.1  基于像素的灰度變換——點運算    3.5.2  基于像素的圖像代數(shù)運算    3.5.3  基于像素的圖像邏輯運算    3.5.4  基于像素的圖像幾何運算  3.6  本章小結第4章  醫(yī)學圖像增強  4.1  醫(yī)學圖像增強概述  4.2  醫(yī)學圖像的空域增強    4.2.1  空域增強    4.2.2  空域平滑濾波器    4.2.3  空域銳化濾波器    4.2.4  基于多幅圖像的平均方法  4.3  醫(yī)學圖像的頻域增強    4.3.1  傅里葉變換及圖像的頻域特征    4.3.2  頻域增強    4.3.3  頻域平滑濾波器    4.3.4  頻域銳化濾波器  4.4  本章小結第5章  醫(yī)學圖像分割  5.1  醫(yī)學圖像分割的概念  5.2  基于閾值的分割方法    5.2.1  基于閾值分割方法的定義    5.2.2  簡單直方圖分割法    5.2.3  *佳閡值分割法    5.2.4  0TSU算法  5.3  基于邊緣檢測的分割方法    5.3.1  圖像邊緣的定義    5.3.2  圖像邊緣與導數(shù)(微分)的關系    5.3.3  一階微分銳化    5.3.4  二階微分銳化    5.3.5  微分銳化的實現(xiàn)程序  5.4  基于邊界跟蹤的分割方法    5.4.1  邊界連接    5.4.2  邊界跟蹤的基本方法    5.4.3  基于光柵跟蹤的邊界分割方法  5.5  基于區(qū)域的分割方法    5.5.1  區(qū)域生長    5.5.2  區(qū)域分裂合并  5.6  基于輪廓模型的分割方法    5.6.1  Snake模型    5.6.2  傳統(tǒng)Snake模型的離散形式    5.6.3  Snake模型初始輪廓的確定    5.6.4  傳統(tǒng)Snake模型舉例計算    5.6.5  傳統(tǒng)Snake模型的缺點    5.6.6  GVF Snake模型  5.7  基于數(shù)學形態(tài)學的分割方法    5.7.1  數(shù)學形態(tài)學基本知識    5.7.2  基本概念    5.7.3  二值形態(tài)學    5.7.4  灰度形態(tài)學    5.7.5  灰度形態(tài)學梯度  5.8  本章小結第6章  醫(yī)學圖像配準  6.1  序言    6.1.1  醫(yī)學圖像配準的基本概念    6.1.2  醫(yī)學圖像配準方法的分類    6.1.3  醫(yī)學圖像配準的步驟    6.1.4  醫(yī)學圖像配準的基本框架  6.2  圖像的基本變換    6.2.1  剛體變換    6.2.2  仿射變換    6.2.3  投影變換    6.2.4  非線性變換  6.3  醫(yī)學圖像配準的一些關鍵問題    6.3.1  醫(yī)學圖像配準的特征提取    6.3.2  基于物理模型配準方法的改進    6.3.3  結合圖像分層和特征約束的策略    6.3.4  應用智能優(yōu)化方法.  6.4  基于角點檢測的配準方法    6.4.1  角點檢測的概念    6.4.2  Harris角點檢測的原理    6.4.3  Harris角點的性質  6.5  基于SIFT的配準方法    6.5.1  尺度空間極值檢測    6.5.2  關鍵點定位    6.5.3  方向確定    6.5.4  關鍵點描述    6.5.5  特征點匹配    6.5.6  剔除誤配點    6.5.7  基于SIFT算法的配準實驗  6.6  基于灰度的配準方法——力矩主軸法    6.6.1  概述    6.6.2  力矩主軸法  6.7  醫(yī)學圖像配準的評估  6.8  本章小結第7章  醫(yī)學圖像融合  7.1  序言    7.1.1  醫(yī)學圖像融合的基本概念    7.1.2  醫(yī)學圖像融合的分類    7.1.3  融合優(yōu)勢    7.1.4  圖像融合方法的分類  7.2  四種醫(yī)學圖像融合的融合現(xiàn)狀    7.2.1  PET／CT融合技術    7.2.2  PET／MRI融合技術    7.2.3  SPECT／CT融合技術    7.2.4  SPECT／MRI融合技術  7.3  像素級融合方法    7.3.1  像素級融合概述    7.3.2  基于空域的融合算法    7.3.3  基于頻域的融合算法  7.4  特征級融合方法    7.4.1  特征級融合概述    7.4.2  主成分分析法  7.5  決策級融合方法  7.6  醫(yī)學圖像融合效果的評價    7.6.1  基于信息量的評價    7.6.2  基于統(tǒng)計特性的評價    7.6.3  基于相關性的評價    7.6.4  基于信噪比的評價    7.6.5  基于梯度值的評價  7.7  本章小結第8章  醫(yī)學數(shù)字圖像特征分析與提取  8.1  圖像的幾何形狀特征    8.1.1  常見的幾何形狀特征    8.1.2  基于圓形度的幾何形狀特征    8.1.3  基于形狀描述子的幾何形狀特征  8.2  基于灰度直方圖的統(tǒng)計特征  8.3  基于不變矩的形狀特征    8.3.1  Hu七階不變矩的解釋    8.3.2  連續(xù)狀態(tài)下的不變矩    8.3.3  離散狀態(tài)下的不變矩    8.3.4  Hu七階不變矩舉例  8.4  紋理特征    8.4.1  基于灰度共生矩陣的紋理特征    8.4.2  Tamura紋理特征    8.4.3  基于小波包的紋理特征  8.5  特征提取實驗結果及分析  8.6  仿真實驗程序    8.6.1  提取幾何特征程序    8.6.2  提取統(tǒng)計特征程序    8.6.3  提取七階不變矩特征程序    8.6.4  提取GLCM特征程序    8.6.5  提取小波特征程序    8.6.6  提取Tamura紋理特征程序  8.7  本章小結主要參考文獻