基于空間預測與變換的醫學(xué)圖像壓縮方法

1、引言

　　圖像是人類(lèi)最主要的信息源。在信息爆炸的時(shí)代，圖像數據壓縮技術(shù)是解決海量圖像數據的存儲和傳輸重要手段。因此尋求最佳的圖像數據壓縮技術(shù)也始終是信息技術(shù)領(lǐng)域中的一個(gè)研究熱點(diǎn)。

　　隨著(zhù)醫學(xué)成像技術(shù)和計算機技術(shù)的發(fā)展，數字化醫學(xué)圖像在醫學(xué)臨床診斷和教學(xué)研究中的應用日益廣泛。一方面，從X射線(xiàn)、計算機斷層掃描（CT）到核磁共振（MRI）、超聲圖像等的出現和發(fā)展，使得醫學(xué)影像的質(zhì)量越來(lái)越高，在醫學(xué)診斷中扮演越來(lái)越重要的角色；另一方面，醫學(xué)影像具有的信息量也越來(lái)越大，在醫院使用PACS系統和遠程醫療診斷系統中，均需大量的存儲空間來(lái)存儲和傳輸，圖像數據的大小將會(huì )直接影響到傳輸的速度，導致目的地臨床醫生無(wú)法進(jìn)行有效的診斷。醫學(xué)圖像壓縮編碼現已成為醫療信息學(xué)一個(gè)重要的研究方向，它要求重構圖像不能有明顯的失真，可以滿(mǎn)足日益龐大的醫學(xué)圖像數據的壓縮和傳輸任務(wù)。

2、空間域圖像壓縮算法介紹

2．1 頻率域圖像壓縮算法的缺陷

　　近年來(lái)，圖像數據的壓縮取得了很大的發(fā)展，涌現了很多非常優(yōu)秀的壓縮算法。目前受到廣泛應用，并已納入新的國際標準的基于小波的壓縮方法是一種成熟的、具有高保真壓縮效果的壓縮方法，但針對醫學(xué)圖像的壓縮，該方法有一些嚴重的缺陷：

　?。?）基于小波的壓縮方法是通過(guò)犧牲高頻信息、保存低頻信息的方法來(lái)?yè)Q取壓縮比的，圖像經(jīng)小波分解量化后會(huì )損失高頻信息，并且隨著(zhù)壓縮倍率的提高，高頻信息的損失將越嚴重，這樣會(huì )直接造成圖像中紋理細節的損失；

　?。?）該方法必須以大面積圖像為基礎（隨著(zhù)小波分解所用基礎面積的減小，恢復圖像質(zhì)量將急劇降低），并在多次二維小波分解基礎上再做無(wú)失真編碼后，才能得到高保真的壓縮效果，但這種以大面積作為處理基礎的算法是難于實(shí)現實(shí)時(shí)壓縮的。

2．2 空間域圖像壓縮算法簡(jiǎn)介

　　正因為變換域編碼存在以上缺陷，因此，人們又把目光投向了基于空間域的壓縮方法。

　　在文獻[4]中作者提出了多分辨率空間重采樣圖像壓縮算法RBC算法。RBC算法在壓縮比為4倍左右的應用情況下，其壓縮質(zhì)量不低于基于小波的壓縮算法。但是因為RBC算法在對圖像的結構描述上過(guò)于簡(jiǎn)單，隨著(zhù)壓縮比的上升，其壓縮質(zhì)量迅速下降，因此，文獻[5]在此基礎上進(jìn)行了改進(jìn)，提出了基于模式特征的圖像壓縮算法SDBC算法。該算法以4×4的像素塊作為基本的圖像子區，用作壓縮處理的基本單元，每個(gè)圖像子區根據其紋理結構的復雜程度，分為平坦區、粗紋理區和細紋理區三類(lèi)，以子區內圖像的平均方差作為分類(lèi)的準則，其壓縮質(zhì)量較RBC算法有顯著(zhù)提高。

　　雖然SDBC算法考慮了圖像中紋理的分布，進(jìn)行分區壓縮，但是該算法只是用了4×4大小的塊，并且只進(jìn)行了三種分類(lèi)模式，顯然，這種方法并不能覆蓋圖像中的所有紋理。因此，本文延續SDBC的算法思想，借鑒H.264視頻編碼標準中的幀內編碼技術(shù)，提出了基于空間預測和變換的壓縮方法來(lái)解決以上的問(wèn)題。

3、基于空間預測與變換的醫學(xué)圖像壓縮方法

3．1 基于空間預測與變換的醫學(xué)圖像壓縮方法概述

　　基于空域的圖像壓縮算法一般不能像基于小波變換的算法那樣能進(jìn)行全圖的運算，而是要分塊處理，為了便于計算機處理，一般圖像的分塊大小為2n×2n。本文選取4×4和16×16兩種大小不同的塊作為處理的窗口，以SAD作為窗口大小的選擇的準則。本算法以16×16的宏塊為單位進(jìn)行編碼。

　　基于空間預測和變換的醫學(xué)圖像壓縮方法的大體流程如下：

　?。?）把圖像分成若干個(gè)16×16大小的宏塊；

　?。?）預測分析：對一個(gè)16×16的窗口進(jìn)行預測分析。經(jīng)過(guò)分析，得到最終進(jìn)行編碼的窗口大?。?6×16或者4×4，以及最佳預測模式；

　?。?）預測編碼：根據（2）得到的窗口大小及最佳預測模式對該塊進(jìn)行變換、量化和掃描處理，此外，還要進(jìn)行反變換和反量化，生成重建窗口。

　　(4) 對（3）中得到的數據進(jìn)行熵編碼；

　　(5)重復（2）、（3）、（4），遍歷圖像中所有的16×16宏塊。

3．2 預測類(lèi)型

　　根據窗口的大小不同，本算法有兩種預測類(lèi)型，分別為4×4預測類(lèi)型和16×16預測類(lèi)型。圖1中給出了產(chǎn)生4×4預測類(lèi)型的像素分布，圖2中給出了除模式2外的其他8種預測模式，而模式2是均值預測模式，它是用當前塊的上邊及左邊像素的灰度值的均值來(lái)作為當前塊每個(gè)像素的預測值。16×16預測類(lèi)型有4種預測模式，分別為垂直預測方式、水平預測方式、直流預測方式和平面預測方式（如圖3所示）。4×4預測類(lèi)型適合預測細節多、變換相對較大、包含多個(gè)不同對象的圖像區域，而16×16預測類(lèi)型較適合于預測平滑的圖像區域，對圖像中相對不變的部分進(jìn)行編碼。