Resumen

La compresión de imágenes es una gran instancia para operaciones en el dominio médico que conducen a una mejor comprensión e implementación de tratamientos, especialmente en radiología. La transformada wavelet discreta (dwt) se utiliza para una mejor y más rápida implementación de este tipo de fusión de imágenes. Para acceder a la gran característica de las implementaciones matemáticas en el dominio médico utilizamos la transformada wavelet con dwt para la fusión de imágenes y extracción de características a través de imágenes. El resultado predicho o esperado debe ayudar a una mejor comprensión de cualquier tipo de resoluciones de imagen y tratar de comprimir o fusionar las imágenes para disminuir el tamaño pero no la calidad de píxeles de la imagen. La implementación del enfoque matemático dwt ayudará a los investigadores o profesionales en el dominio médico para lograr una mejor implementación de la fusión de imágenes y la transmisión de datos, lo que conduce a mejores procedimientos de tratamiento y también disminuye la tasa de transferencia de datos, ya que el tamaño se reducirá y la pérdida de datos también será manejable.

1. INTRODUCCIÓN

La transformada wavelet discreta es una herramienta matemática utilizada para extraer y representar la propiedad local así como características en diferentes modos con gran relevancia para la imagen. El paso de banda (paso bajo y paso alto) representa las características especiales de la transformada wavelet discreta, que descompone el volumen de imágenes para recuperar la frecuencia y determinar qué imagen será adecuada para combinar o qué imagen debe eliminarse de la imagen del coeficiente de volumen fusionado. La ondícula localiza las ondas, que tienen una energía finita para descomponer la información temporal de la señal y distribuirla en el dominio de la frecuencia [1]-[3]. Se utilizan dos enfoques para obtener información temporal y frecuencial. El primero es la transformada de Fourier que utiliza sólo ondas seno y coseno en el dominio del tiempo en el plano tiempo-frecuencia. El segundo es ᴅᴡᴛ; que se utiliza para descomponer la señal con baja frecuencia colocando cada nivel de píxeles en una resolución más gruesa [4], [5]. Dado que la información de la señal con respecto a la frecuencia y el tiempo no puede conocerse en un punto determinado del plano tiempo-frecuencia, esta invención recibe el nombre de "ᴅᴡᴛ" [6]-[8]. El ᴅᴡᴛ descompone la imagen original en cuatro subimágenes de ¼ de su tamaño original cada una [9], [10] (Fig. 1).

Estas subimágenes tienen los detalles de componentes verticales, horizontales y diagonales para realizar en la fila y luego columnas para recuperar dos tipos de resultados que tienen tres bandas de alta frecuencia (ʟʜ, ʜʟ, ʜʜ) que extraen los bordes, y una banda de baja frecuencia (ʟʟ) que hace la aproximación. 

• Materias:Imágenes diagnósticas Imágenes médicas Modelo Matemático
• Subjects:Diagnostic imaging Medical imaging Mathematical model
• Palabras claves:Transformada discreta de ondícula; Fusión de imágenes; Función de escalamiento; Función de ondícula
• Keywords:Discrete Wavelet Transform; Image Fusion; Scaling Function; Wavelet Function