常见的图像预处理方法

数据分析是大数据处理最重要的一步，以超声图像数据为例，通过从图像数据中提取潜在诊断信息，探寻影像与细胞、蛋白、基因及分子间的内在规律，并进行处理和归类。

图像是人工智能应用于超声医学领域的重要对象，图像预处理的目的是优化或简化图像。常见的图像预处理方法包括灰度化、二值化、图像增强、去噪处理及图像增广等。

01

灰度化与二值化

在预处理过程中，首先应该将图像进行灰度化或者二值化。大部分彩色图像的显示运用的是“RGB色彩模式”，由红、绿、蓝三个通道的颜色组成，显示幕上的任何一个颜色都可以由一组RGB值来记录和表达，三种颜色的亮度范围均介于0（黑色）到255（白色）之间。

灰度指的是只包含亮度信息的特征，灰度化即指将彩色图像调整为R=G=B，则该彩色图像仅表示一种灰度颜色，此时三个通道的值都是相等的，每个像素只需要一个字节进行灰度值存放即可有效节约内存。

新生儿颅脑RGB图像灰度化处理前后（图像上方横条）

A.原始颅脑超声图像；B.灰度化处理后颅脑超声图像

而图像的二值化是指将图像上的像素点的灰度值设置为0（黑色）或255（白色），以致整幅图像只有黑、白两种颜色，但仍能反映图像的整体和局部特征。

图像灰度化或二值化后，图像数据量及存储空间减小，有利于后续进一步处理。

02

图像增强

图像增强是一种常用的图像处理技术，其目的是增强图像中全局或局部有用的信息，以增强图像特征，有效改善图像质量，提高图像清晰度。

利用Rivent软件图像增强处理前后对比图

A.原始肝脏超声图像；B.软件增强处理后肝脏超声图像

常用的图像增强方法包括以下几种：

01

灰度变换：灰度变换不改变原图像中像素的位置，只是逐一改变像素点的灰度值。灰度变化增强有以下几种实现方法：线性灰度增强、分段线性灰度增强、对数函数非线性变换、指数函数非线性变换。

02

直方图修正：图像的灰度直方图反映了图像中每种灰度级出现的频率，代表了该图像中具有每种灰度的像素个数。直方图均衡化是最常用的直方图修正方法，也是增强图像对比度的常用方法。该方法是根据输入图像的灰度频率分布来确定其对应的输出灰度值，扩展图像的动态范围，从而提升图像对比度。

03

图像平滑：是一种区域增强算法，在图像产生、传输和复制过程中，常常会受到噪声干扰或发生数据丢失，导致图像质量下降，通过图像平滑技术，可降低这些问题对后续各种图像处理效果的影响。常用的图像平滑技术包括均值滤波、中值滤波及高斯滤波等。

04

图像锐化：一般图像的能量主要集中在低频段，噪声及图像边缘信息主要在高频段，图像在滤波去噪后，图像边缘会变得模糊，图像锐化处理可使图像的边缘和细节更加清晰。常用的图像锐化方法包括高通滤波和空域微分法。

图甲状腺结节的灰度变化及图像平滑处理

A.原始图像；B.灰度化后的图；C.在图B基础上进行线性灰度增强；D.在图B基础上进行图像平滑

03

去噪处理

图像在生成和传输过程中常常受到各种噪声的干扰而影响图像质量，不利于后续的特征提取及模式识别，因此要对图像进行去噪处理。常见的噪声包括：高斯噪声、泊松噪声、椒盐噪声及斑点噪声。

图 高斯噪声中值滤波前后对比

A.原始颅脑超声图像；B.中值滤波处理后超声图像

噪声消除方法可分为空间域滤波和频率域滤波两种类型。

空间域滤波通过窗口或卷积核进行，其基于相邻像素的空间关系，通过改变单个像素的灰度值实现部分特征的强调，或去除图像中一些不需要的部分。

频率域滤波是对图像进行傅里叶变换，然后对变换后频率域图像中的频谱进行滤波。低通滤波在频率域中保留图像的低频部分，抑制高频部分，其作用是过滤掉高频中的噪声，减少图像的像素突变部分，以起到图像平滑处理的作用。但这种处理方法同时也会导致图像变得模糊。高通滤波则保留图像的高频部分而削弱低频部分，起到图像锐化作用，突显图像的边界。

04

图像增广

图像增广技术是指通过对原始图像进行一系列随机改变，产生一些相似但又不同于原始图像的训练样本，从而扩大训练集的规模。

这种技术的应用主要是基于神经网络模型的构建对大量数据集的迫切需求。为了提高模型的泛化能力以及鲁棒性，避免出现过拟合，通常要求输入足够的数据量，但是有效医学大数据的获取较为困难，此时可采用图像增广技术，对数据进行变换扩充。

图像增广的另一作用是通过随机改变原始图像，以降低模型对某些特征的依赖，从而提高模型的泛化能力。

图像增广的方法主要有以下几种：

01

图像转置：将原始图像进行顺时针或者逆时针按照随机角度进行旋转，改变图像的朝向。

02

水平镜像：将原始图像沿水平或者垂直方向进行翻转。

03

图像旋转：以图像某一点为中心旋转一定的角度形成一幅新的图像的过程。

04

图像平移：将原始图像沿着x轴或y轴方向移动，平移范围和平移步长可随机或人为定义，从而改变图像内容的位置。

05

缩放变换：按照一定的比例放大或缩小图像。

06

裁剪：随机从图像中选取一部分，然后将这部分图像裁剪出来，然后再调整至原图像大小。

07

尺度变换：将原始图像按照指定的尺度因子进行放大或缩小；或利用指定的尺度因子改变图像内容的大小或模糊程度。

08

对比度变换：改变图像的饱和度，增加光照变化。

09

噪声扰动：过拟合通常发生在神经网络学习高频特征时。为优化图像，需要随机加入噪声数据来消除高频特征，一般采用对图像中每个像素的RGB值进行随机扰动的方式实现。

图像增广的常见方法

A：原始图像；B：图像转置；C：水平镜像；D：图像旋转；E：图像平移

总而言之，图像预处理的目的是优化或简化图像，以便于后续图像处理（如图像分割、边缘检测、特征提取等）及数据分析。图像预处理方法需要根据研究目标进行适当选择，使得图像信息最大限度简化为无关和有关信息，增强有关信息的检测能力，提高分析准确性。

审核编辑：彭静