Nghiên cứu so sánh Contourlet và Ridgelet qua mô hình khử nhiễu ảnh y khoa

Trương Hoàng Vinh

8 (1) 2013

Nghiên cứu so sánh Contourlet và Ridgelet qua mô hình khử nhiễu ảnh y khoa

Tác giả - Nơi làm việc:

Trương Hoàng Vinh - Trường ĐH Mở TP.HCM , Việt Nam

Tác giả liên hệ, Email: Trương Hoàng Vinh - vinh.th@ou.edu.vn

Tóm tắt

Họ biến đổi ảnh trên miền không gian dựa vào bậc thang hình học đã được đề xuất và phát triển rất nhiều các mô hình khác nhau trong những năm gần đây. Có thể kể ra một số phép biến đổi mới thuộc thế hệ X-let, từ wavelet trở về sau này như Ridgelet, Contourlet, Bandelet [1,2,3,4]. Khử nhiễu ảnh là một vấn đề quan trọng trong ngành xử lý ảnh, đặc biệt là trong xử lý ảnh y sinh [7,8,9], việc loại bỏ nhiễu ảnh để giúp cho việc chẩn đoán, điều trị trong lĩnh vực y khoa một cách chính xác hơn là một nhu cầu cần thiết. Bài báo này trình bày nghiên cứu về mô hình khử nhiễu ảnh y thông qua việc so sánh kết quả khử nhiễu của 2 phép biến đổi của thế hệ X-let là Ridgelet và Contourlet. Thông qua kết quả nghiên cứu, chúng tôi nhận thấy rằng mô hình Contourlet hiệu quả hơn Ridgelet trong việc khử nhiễu ảnh y khoa.

Abstract
A special member of the transforming of multiscale in the frequency domain has been proposed and developed in the last few years ago. We mention here some transformations after X-let generation such as: Ridgelet, Contourlet, Bandelet [1,2,3,4]. Denoising image has been an important field in image processing, especially on medical image [7,8,9]. In order to diagnosing more and more exactly, the noise must have been removed completely after acquiring from the machine. This paper introduces the comparison of two model transform for denoising medical image. The results show that the Contourlet transform has more efficiency than the Ridgelet transform

Từ khóa

Ridgelet; Contourlet; khử nhiểu ảnh y khoa. X-let

Toàn văn:

PDF

Tài liệu tham khảo

Candes E., Demanet L., Donoho D., and Ying L., “Fast Discrete Curvelet Transforms”, Macromolecular Theory and Simulations, vol. 5, no .3, pp. 861-899, 2006.

Candes E., “Ridgelets Theory and Applications”, Stanford, USA, 1998.

M. N. Do and M. Vetterli, “The contourlet transform: an efficient directional multiresolution image representation” IEEE Trans.Image Proc., vol. 14, no. 12, December 2005.

Le Pennec, E.; Mallat, S. “Sparse geometric image representations with bandelets” (PDF). IEEE Transactions on Image Processing 14 (4): 423–438. doi:10.1109/ TIP.2005.843753.

M J Tapiovaara , R F Wagner. “SNR and noise measurements for medical imaging: I. A practical approach based on statistical decision theory”, 1993 Phys. Med. Biol. 38 71 doi:10.1088/0031-9155/38/1/006.

Alain Horé MOIVRE , “Image quality metrics: PSNR vs. SSIM”, 2010 International Conference on Pattern Recognition.

T. K. Moon and W. C.Stirling, “Mathematical Methods and Algorithms for Signal Processing”, 2000.

A.ToprakandI.Gler, “Suppression of impulse noise inmedical images with the use of fuzzy adaptive median filter” J. Med. Syst., vol. 30, no.6, 2006.

P. Gravel, G. Beaudoin, and J. A. D. Guise, “A method for modeling noise in medical images” IEEE Trans. Med. Imag., vol. 23, no. 10, pp.1221–1232, Oct. 2004.

P. Bao and L. Zhang, “Noise reduction for magnetic resonance images via adaptative multiscale products thresholding,” IEEE Trans. Med. Imag., vol. 22, no. 9, Sep. 2003.

C. I. Christodoulou, C. S. Pattichis, M. Pantziaris, and A. Nicolaides,“Texturebased classification of atherosclerotic carotid plaque,” IEEETrans. Med. Imag., vol. 22, no. 7, pp. 902–912, Jul. 2003.

J.Bleck, U. Ranft, M. Gebel, H. Hecker, M. Westhoff-Beck, C. Thiesemann, S. Wagner, and M. Manns, “Random field models in textural analysis of ultrasonic images of the liver” IEEE Trans. Med. Imag.,vol. 15, no. 6, pp. 796–801, Dec. 1996.

J. A. Noble and D. Boukerroui, “Ultrasound image segmentation: Asurvey” IEEE Trans. Med. Imag., vol. 25, no. 8, pp. 987–1010, Aug.2006.

J.L.P. Dzung, L. Pham, and C. Xu,“Current methods in medical image segmentation” Annu. Rev. Biomed. Eng., vol. 2, 2000.

A. Hua and L. Yezzi, “Vessels as 4D curves: Global minimal 4D paths to extract 3D tubular surfaces” presented at the Int. Conf. Computer Vision and Pattern Recognition Workshop, Jun. 2006.

Leonid I. Rudin, Stanley Osher, and Emad Fatemi, “Nonlinear total variation based noise removal algorithms” in Proceedings of the eleventh annual international conference of the Center for Nonlinear Studies on Experimental mathematics: computational issues in nonlinear science, Amsterdam, The Netherlands,The Netherlands, 1992, pp. 259–268, Elsevier North-Holland, Inc.

J. Stoitsis, S. Golemati, K. S. Nikita, and A. N. Nicolaides, “Characterization of carotid atherosclerosis based on motion and texture featuresand clustering using fuzzy c-means” presented at the 26th Int. Conf.IEEE EMBS, 2004.

J. Portilla, V. Strela, M. Wainwright, and E. Simoncelli, “Image denoising using scale mixtures of gaussians in the wavelet domain” IEEE Trans. on Image Processing, vol. 12, no. 11,pp. 1338–1351, Nov. 2003.

Alessandro Foi, Mejdi Trimeche, Vladimir Katkovnik, and Karen Egiazarian, “Practical Poissonian -Gaussian noise modeling and fitting for single image raw data” . IEEE Transactions on Image Processing, 17(10):1737–1754, 2008.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.