基于小波变换的图像特征点提取方法

技经济市场　基于小波变换的医学图像特征点互信息配准　谢景权　（无锡职业技术学院，江苏无锡２１４１２１）　摘　要：医学图像配准是医学图像分析诊断的基础，也是图像融合等图像处理需要先行解决的问题．目前医学图像配准方　法基本上分为基于形状特征和基于像素相似性两种方法．文中用小波变换提取图像特征点，将特征点互信息作为图像配准　的相似性测度，并使用粒子群算法来求解配准所需的空间变换参数．实验结果表明，此方法减少了计算量，具有较快的配准　速度，能准确地实现多模态医学图像的配准。　关键词：医学图像配准；小波变换；特征点互信息；粒子群算法　１前言　医学图像配准是医学图像处理领域中的一项重要技术，对　临床诊断和治疗起着越来越重要的作用。尽管医学图像配准研　究已经开展多年，但是目前的主要方法仍然存在不足，需进一步　改进，才能使其更好地应用于临床。　医学图像配准是指对于一幅医学图像寻求一种（或一系列）　空间变换，使它与另外一幅医学图像上的对应点达到空间上的　一致。目前提出的图像配准算法大多可分为基于灰度的配准方　法和基于特征的配准方法，两类方法各有利弊。基于图像像素ｆ体　素）相似性的配准具有较高的精度，但这种方法计算量过大，配　准速度较慢，而配准时间过长在临床上是不能被接受的。基于图　像特征的配准，通过特征提取，把待处理的图像数据减少为少量　的相似性特征点、线或面，配准速度快，缺点主要在于图像特征　提取过程复杂，图像配准精度受图像特征提取精度的影响。　如何有效融合两类方法，将图像边缘信息结合到互信息量　当中，保证精度并兼顾速度，成为近年来医学图像配准领域的热　点之一。１９９９年Ｒａｎｇａｒａｊａｎ等对待配准的两幅图像提取出形状　特征点的集合，然后利用互信息法来进行配准。在特征点提取　中，文献中采用Ｃａｎｎｙ边缘检测算法得到图像的边缘，然后作　聚类分析得到形状特征点。这一方法的应用存在局限性，尤其　对ＭＲＩ图像。ＭＲＩ图像的特点在于能够较好地分辨出头部软组　织，图像内部包含较多细节。经边缘提取得到的边缘线较密集，　因而聚类得到的特征点分布随机性较强。互信息的计算易受这　种随机性的干扰，影响最终配准精度。２００２年周永新、罗述谦等　对该法进行了一定的简化和修正，引入人机交互，缩短了优化过　程，避免了局部极值。　本文在对小波变换进行研究的基础上，提出了一种基于小　波多尺度积特征点互信息的配准新方法。多尺度小波系数由于　其相关性在去噪中得到应用，本文利用小波多尺度积来最大限　度的抑制噪声，得到准确的图像边缘及特征点，将图像的特征信　息与互信息结合起来，它只需针对提取出来的特征点进行计算，　计算量大大减少。实验证明，该方法避免了人机交互过程，能准　确地实现多模态医学图像的配准，并具有较快的配准速度。　２小波变换多尺度积提取图像特征点　传统的几种边缘检测算子在抗噪性和边缘定位等方面往往　不尽如人意，这主要是边缘和噪声都是高频信号，很难在噪声和　边缘中取舍。而小波变换可以从能量方面来区分边缘和噪声，使　得小波变换在抗噪和边缘定位方面有独特的优势。　１９８５年，Ｍａｌｌａｔ分析了由Ｃｒｏｉｓｉｅｒ，Ｅｓｔｅｂａｎ和Ｇａｌａｎｄ提出的　用于数字电话的正交镜像滤波器（Ｑｕａｄｒａｔｕｒｅ　Ｍｉｒｒｏｒ　Ｆｉｌｔｅｒ，　ＱＭＦ），由Ｂｕｆｆ和Ａｄｅｌｓｏｎ提出的用于数字图像处理的金字塔算　法和由Ｓｔｏｒｍｂｅｒｇ及其合作者提出的标准正交基之间的密切关　系，将计算机视觉中的多尺度分析思想引入到小波分析中，提出　了多分辨率分析（Ｍｕｌｔｉ—ｒｅｓｏｌｕｔｉｏｎ　Ａｎａｌｙｓｉｓ，ＭＲＡ）的概念。　多尺度边缘检测的基本思想就是沿梯度方向，分别用几个　不同尺度的边缘检测算子在相应点上检测模极大值的变换情　况，并通过对阈值的选取，再在不同尺度上进行综合得到最终边　缘图像，可以较好的解决噪声和定位精度之间的矛盾。下面介绍　这种简单而有效的小波多尺度积边缘检测算法。　ｊ儿　（　，　＝１　（１）ｌｉ　Ｉ　ｍ　Ｏ（ｘ，Ｊ，）＝０　对０（ｘ，ｙ）分别沿ｘ、Ｙ方向求偏导数　（　，）：　Ｃｘ　：（　）：　２）　ｖｙ　令　（ｘ　＝　（　，　）、　（ｔ　。（妻　）。　对于任一函数ｆ　ｙ）　Ｌ２（Ｒ２），ｆ（ｘ，ｙ）经平滑函数０　ｃｘ，ｙ）在尺　度Ｓ作用下的二维小波变换有两个分量，分别为　Ｗ　厂（　，　，ｙ）＝ｆ（ｘ，　）　，１（　，　）　１Ｗ　２厂（　，ｘ，　）：厂（　，　）　：（ｘ，　）　（。）　这里　表示卷积．令　（　，　）＝：ｌ　ｏ、ｘ　，詈），可得：　ｆ　厂　］　ｌ　“　ｓ）（　ｙ＂Ｉ　，　，）Ｊ—ｌ　（（，　”川）ｌ　（４）　＝ｓｖ－（ｆ　Ｏ　Ｘ　，ｙ）　因此，小波变换的两个分量分别表征了ｆ（　ｙ）经０（ｘ，ｙ）平滑　后，沿水平方向及垂直方向的梯度矢量，则ｆ　０　（ｘ’ｙ）梯度矢量　的模为：　１　（　，　）＝（Ｉ　，　ｊ，）　，墨　）　（５）　梯度矢量与水平方向的夹角为：　＝ａｒｃｔａｎｌ　ｊ　㈦　若我们对某一２Ｄ图像，　ｙ）实施小波变换，则小波变换的　局部极大值点即为沿着梯度方向Ａｆ（ｓ，ｘ，ｙ）上模ＭＪ’（ｓ，墨ｙ）的局部　作者简介：谢景权（１９７８一），男，江苏扬州人，无锡职业技术学院，硕士研究生，主要研究领域为：计算机控制技术、医学图像处理。　＠　２０１

雷达图像处理中的特征提取算法

雷达是一种主要用于探测和跟踪目标的电子设备。雷达探测信号传输距离远、速度快、精度高等优点，因此在现代化战争和民用领域得到广泛应用。雷达系统要求对采集的信号进行实时处理和分析，以提取目标特征信息。而特征提取算法是实现这一目标的重要手段之一。

在雷达图像处理中，特征提取算法主要有以下三类：基础特征提取、纹理特征提取和形态学特征提取。

基础特征提取

基础特征提取是指从雷达信号中提取目标基本特征的算法，如目标大小、速度等。其中，最常用的基础特征提取算法是峰值检测。峰值检测算法利用雷达信号的强度信息，检测出信号中最强的峰值点。这些峰值点对应着目标反射的最大能量，因此可以用来确定目标的距离和速度等基本特征。

纹理特征提取

纹理特征提取是指从雷达图像中提取被测对象纹理信息的算法。纹理是指物体表面在较小尺度下的结构和规律，通常表现为不规则的暗、亮斑点或其他复杂的形态。利用不同的纹理特征提取算法，可以实现对不同类型目标的识别和分类。

最常用的纹理特征提取算法是灰度共生矩阵（GLCM）和小波变换。GLCM算法是一种基于灰度值的局部纹理特征提取方法，通过计算图像像素灰度值之间的共生统计参数，得到目标的材质特征和空间分布特征。小波变换算法通过将雷达信号分解成不同频率的小波成分，利用小波尺度变化的特性得到相应的纹理信息。

形态学特征提取 形态学特征提取是指从雷达信号中提取目标形态信息的算法。目标形态信息包括目标的大小、形状、边界和几何特性等。形态学特征提取算法通常基于二值化或灰度图像，利用形态学运算和结构元素对目标形态信息进行分析。

最常用的形态学特征提取算法是边缘检测和区域生长。边缘检测算法通过检测目标与背景之间的亮度差异或梯度信息，提取目标轮廓和边缘信息。区域生长算法则通过对像素相似度进行比较、合并相邻像素来实现目标分割和形态信息提取。

总之，特征提取是雷达图像处理中的重要环节，不同特征提取算法各有优缺点，需要根据具体应用场景进行选择。随着机器学习和深度学习等算法的发展，未来特征提取算法将更加智能化和高效化，对雷达技术的进一步应用和发展起到积极促进作用。

生物医学信号的特征提取算法

生物医学信号是指人体内各种生理活动所产生的电信号或化学信号，如心电图、脑电图、肌电图、血氧饱和度等。这些信号对于医学诊断和治疗具有非常重要的意义，因此对于其特征的提取和分析也成为了医学界研究的热点之一。本文将介绍生物医学信号的特征提取算法，以及其在医学方面的应用。

一、 常见的特征提取算法

1.小波变换

小波变换是一种分析信号的有效方式。它可以将信号分解成多个不同频段的子信号，并可确定其每个分量的幅度、相位和能量。因此，小波变换对于生物医学信号的时频分析具有重要意义。

2.时频分析

时频分析是一种基于时间和频率的信号分析方法。其主要思想是将信号分解成一系列时频区域，并可通过对时频区域的分析来确定信号的特征。时频分析的传统方法有短时傅里叶变换、连续小波变换和希尔伯特-黄变换等。

3.主成分分析

主成分分析是一种线性统计分析方法，它可以将原始信号分解成多个主成分，并确定其所占比例。主成分分析可用于提取生物医学信号的特征，如心电信号中的QRS波群。

二、 生物医学信号的特征提取应用

1. 心电信号的特征提取 心电信号是记录心脏电活动的一种方法。其主要特征包括心率、QRS波群、ST段和T波等。利用小波变换和主成分分析等方法，可提取心电信号中的有效特征，如心率变异性和心电参数等，对于心脏病的诊断和治疗具有重要意义。

2. 脑电信号的特征提取

脑电信号是记录大脑电活动的一种方法，其主要特征包括频率、幅度和相位等。利用时频分析和小波变换等方法，可提取脑电信号中的重要特征，如各种频带的功率和相互关系等，对于认知和神经疾病的研究具有重要意义。

3. 肌电信号的特征提取

肌电信号是记录肌肉电活动的一种方法，其主要特征包括幅度和频率等。利用时频分析和小波变换等方法，可提取肌电信号中的有效特征，如肌肉粒子电位和肌电图等，对于肌肉萎缩和神经系统疾病的诊断和治疗具有重要意义。

三、 结论

生物医学信号的特征提取算法是生物医学工程学研究领域的关键技术之一，能够对信号进行更全面和深入的分析。本文介绍了常见的特征提取算法，并阐述了其在医学方面的应用，如心电信号的QRS波群提取和肌电信号的肌肉粒子电位分析等。未来，随着人工智能和深度学习等技术的不断发展，生物医学信号的特征提取将更加精确和高效，有望为医学诊断和治疗带来更大的变革。

研究论著一　

基于小波变换的中医脉象信号特征提取与分析　

岳沛平　李训铭。　

ｆ１．南京中医药大学基础医学院南京市２１００２９；２．河海大学电气工程学院南京市　２１００９８）　

摘要　利用小渡变换所具有良好的时——频局部化的能力和对非平稳信号突变点的检测能力。实现对脉象信号同时进　

行时域、频域特征值的提取和分析；并提取了脉象在不同时间——尺度上的能量特征，可以作为脉象的新的特征值，用　于脉象信号的辨识。经１　４５６４￣，１临床脉象检测，不仅极大地提高对平、浮、沉、迟、数、虚、实、滑、涩、洪、弦、促、结、代等基　

本脉的识别率（准确率＞９Ｏ％）．对于由上述基本脉构成的临床常见的相兼脉也有相当高的识别能力（准确率＞８２％）。　

关键词　脉象；相兼脉；小波变换；信号分析　

中图分类号：Ｒ２４１．１９　文献标识码：Ａ　文章编号：１００３—８８６８（２００６）０１—００２３－０３　

Ｐｕｌｓｅ　ｓｉｇｎａｌ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ａｎａｌｙｓｉｓ　ｂａｓｅｄ　ｏｎ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　

ＹＵＥ　Ｐｅｉ—ｐｉｎｇ　，ＬＩ　Ｘｕｎ－ｍｉｎｇ　

（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｂａｓｉｃ　Ｍｅｄｉｃａｌ　Ｓｃｉｅｎｃｅｓ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｉｎｅｓｅ　Ｍｅｄｉｃｉｎｅ，Ｎａｎｊｉｎｇ　２１　００２９；２．Ｃｏｌｌｅｇｅ　ｏｆ　

Ｅｌｅｃｔｒｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，ＨａｉＨｅ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００９８）　Ａｂｓｔｒａｃｔ　Ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　ｓｙｎｃｈｒｏｎｏｕｓ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ａｎａｌｙｓｅｓ　ｆｏｒ　ｔｉｍｅ—ｄｏｍａｉｎ　ｆｅａｔｕｒｅ　ｖａｌｕｅｓ　ａｎｄ　

ｆｒｅｑｕｅｎｃｙ——ｄｏｍａｉｎ　ｏｎｅｓ　ｏｆ　ｐｕｌｓｅ　ｓｉｇｎａｌｓ　ｆｏｒ　ｉｔｓ　ａｄｖａｎｔａｇｅｓ　ｏｎ　ｔｉｍｅ——ｆｒｅｑｕｅｎｃｙ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｎｄ　ｓａｌｔａｔｉｏｎ　ｓｉｔｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｎｏｎ——　ｓｔａｔｉｏｎａｒｙ　ｓｉｇｎａ１．Ｔｈｅ　ｅｎｅｒｇｙ　ｆｅａｔｕｒｅ　ｏｆ　ｔｈｅ　ｐｕｌｓｅ　ｏｎ　ｄｉｆｅｒｅｎｔ　ｔｉｍｅ　ｓｃａｌｅｓ　ｉｓ　ｓｅｌｅｃｔｅｄ　ａｓ　ｔｈｅ　ｎｅｗ　ｆｅａｔｕｒｅ　ｖａｌｕｅ　ｔｏ　ｄｉｓｔｉｎｇｕｉｓｈ