X光图像增强

　　X光拍摄出的原始图像，一般都比较模糊不清，而在医学应用上，这些被模糊的细节又非常有用，因此，X光图像的增强一直是人们研究的重点。下面，给大家介绍一种非常有用的增强方法：Gauss Laplacian Pyramid算法

关于该方法，已有不少文献对其进行了介绍和阐述，但一般都比较晦涩难懂，本人做了一个比较清晰的实现步骤，以此供大家参考。而关于分解的细节图像如何进行增强（后文会提到），不是本文介绍的重点，在这只做些基础介绍，有更高要求的朋友，可以去查查专业文献来实现。

先上图，看下效果：

       

　　　　　　　　　　　　　　　　　　原始图像

        

     

　　　　　　　　　　　　　　　　　增强效果

实现步骤：

一： 图像分解：

1. 输入原始图像I，大小为m*n。因为该算法是金字塔分解，我们设图像尺寸为m*n时为第一层；
2. 对I进行5*5的高斯滤波，得到结果为F；
3. 对F进行下采用，具体操作是将F隔行和隔列采集，得到图像R,大小为m/2*n/2；
4. 对图像R进行5*5的高斯滤波，并将图像插值放大尺寸至m*n，得到图像E；
5. 图像I减去图像E，得到细节图像D，大小为m*n。这里需要对细节图像进行增强处理，以使得后面重建的图像为一增强图像；
6. 将第三步的下采样图像R赋值到第一步中的I，m更新为m/2，n更新为n/2，然后在顺序执行1~6，直到F图像尺寸为1*1。

二 重建部分

1. 设分解的最后一层（设为k层）的下采样图像R尺寸为m*n，将R进行高斯滤波并上采样得到图像E，尺寸变为2*m * 2*n，设2*m = M，2*n = N；
2. 将E和分解的第k-1层的细节图像D（因为是第k-1层，所以其大小也为2*m * 2*n）相加，得到2*m * 2*n的增强图像En;
3. 将En赋值到第一步的R，然后顺序执行1~2，并将m更新为M，n更新为N。直至加到第一层的细节图像，得到最终的重建图像。

　　需要注意的是，如果我们按照以上的分解和重建步骤来做，不对分解过程中的细节图像做增强，那么重建后的图像和原始输入图像应该是完全一样的。

三　细节图像增强方法　　

　　细节图像增强方法主要分为两部分，一个是针对分解过程中每一层的细节图像特点，给予不同的增益权重。另外，针对细节图像特点，要保证其在最终的重建图像不失真要求，本人采用了指数函数对其增强：

　　

　　参数a就是根据不同层设置不同的增益权重，下图显示的就是不同参数p的不同增强效果。

　　在图像分解过程中发现，一般在第四层是个分水岭，前三层图像细节较小，后面开始细节相对来说比较明显，因此可以对前三层图像乘以一个较大的系数，而对后面几层乘以一个相对小一点的系数。

　　关于细节图像的增强，相关文献中有很多更详细的解释，在此不一一介绍了。另外，大家还可以通过Gauss卷积后的图像做下光照调整，可以使得最终的重建效果更加完美。