本发明专利技术公开了一种基于改进Canny算法的肺炎图像边缘检测方法，包括以下步骤，对输入的原始肺炎图像进行对比度增强处理，获得增强图像；对增强图像使用双边滤波器进行双边滤波，获得降噪图像；对降噪图像进行高斯滤波，获得滤波图像；计算滤波图像的梯度，获得梯度图像；对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。本发明专利技术通过改进Canny算法，采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，双边滤波器滤除椒盐噪声，不仅增强了原始肺炎图像对比度，而且实现了保边去噪，改善了现有的边缘检测方法存在的图像边缘检测准确率不高的问题。法存在的图像边缘检测准确率不高的问题。法存在的图像边缘检测准确率不高的问题。
【技术实现步骤摘要】
一种基于改进Canny算法的肺炎图像边缘检测方法
[0001]本专利技术涉及图像检测
，特别是涉及一种基于改进Canny算法的肺炎图像边缘检测方法。
技术介绍
[0002]肺部CT影像是新冠肺炎患者排查、确诊和治疗过程中，需要多次进行的检查项目，通过肺部CT影像结果，可区别出正常肺、普通肺炎、新冠肺炎，进而对新冠肺炎患者康复情况进行监测，通过对比患者多次肺部CT影像中病灶数据信息来判断病灶状况，进而获得患者病情发展情况，确定其康复程度。
[0003]现阶段，新冠肺炎患者在确诊及治疗过程中，仍主要通过医生对肺部CT影像中病灶情况进行判断，由医生根据专业知识与经验给出诊断结果，为了保证医生在诊断过程当中给出正确、可靠的诊断结果，需要为医生提供准确、清晰的患者肺部CT影像，一张边缘清晰、信噪比高的肺部影像图片是新冠肺炎患者确诊及治疗的关键步骤。
[0004]基于深度学习识别新冠肺炎胸部CT图像的技术已有相关研究，主要是通过深度学习算法，使优化后卷积模型能够对新冠肺炎患者肺部图像开展病灶的自动识别，从而判断该名病患是否患有新冠肺炎，以及病患的病情发展情况等，但目前识别方法的边缘识别结果不够清晰，检测准确率低。
技术实现思路
[0005]本专利技术提供一种基于改进Canny算法的肺炎图像边缘检测方法，用于实现清晰检测肺炎图像边缘，提高肺炎图像边缘检测准确率。
[0006]为实现上述效果，本专利技术的技术方案如下：
[0007]一种基于改进Canny算法的肺炎图像边缘检测方法，包括以下步骤：
[0008]步骤S1：对输入的原始肺炎图像进行对比度增强处理，获得增强图像；
[0009]步骤S2：对增强图像进行双边滤波，获得降噪图像；
[0010]步骤S3：对降噪图像进行高斯滤波，获得滤波图像；
[0011]步骤S4：计算滤波图像的梯度，获得梯度图像；
[0012]步骤S5：对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。
[0013]需要说明的是，步骤S4中计算滤波图像的梯度通过CLAHE算法完成。
[0014]进一步的，步骤S1中对比度增强采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强。
[0015]进一步的，步骤S1具体为，
[0016]步骤S1.1：将输入的原始肺炎图像分割成大小一样、互相相邻但不重叠的子块图像；
[0017]步骤S1.2：由每个子块图像所包含的像素信息，统计出每个子块图像的灰度直方
图H(i)，i表示灰度级；
[0018]步骤S1.3：对子块图像的像素求像素平均值N
Aver
，使子块图像中的灰度级为相等的像素数；
[0019]步骤S1.4：设定一个剪切限制系数γ，根据像素平均值N
Aver
得到实际剪切限制值N
CL
；
[0020]步骤S1.5：把灰度直方图H(i)中超出实际剪切限制值N
CL
的像素截取出来，将截取下来的像素重新均匀分配给各个子块图像中的灰度级，得到局部新直方图 W(i)；
[0021]步骤S1.6：分别对每个子块图像的局部新直方图W(i)进行均衡化处理；
[0022]步骤S1.7：对均衡化处理后的局部新直方图W(i)利用双线性插值法求出新的灰度值，获得增强图像。
[0023]进一步的，步骤S1.3中像素平均值N
Aver
表示为：
[0024][0025]其中，δ
x
表示子块图像在水平方向上的像素个数；δ
y
表示子块图像在垂直方向的像素个数；L
Gray
表示子块图像中灰度级的个数。
[0026]进一步的，步骤S1.4中剪切限制系数γ取值范围是0到1，默认值是0.01。
[0027]进一步的，步骤S1.4中实际剪切限制值N
CL
表示为：
[0028]N
CL
＝N
Aver
+[γ
×
(δ
x
×
δ
y
‑
N
Aver
)]。
[0029]进一步的，步骤S1.5具体为，假设截取下来的像素总数为N
Clip
，求得每个灰度级i分配到的像素数N
Acp
为：
[0030][0031]其中，N
Clip
＝∑
i
{max[H(i)
‑
N
CL
]}
[0032]用W(i)表示分配后得到的局部新直方图，W(i)为分段函数，表示为：
[0033][0034]此时，截取之后的像素总数N
Clip
为：
[0035][0036]如果分配后的像素有剩余，则对剩余的像素进行循环分配，在循环分配时，剩余的像素均匀分配到小于剪切限制值N
CL
的灰度级中，直到剩余的像素被完全分配。
[0037]本专利技术对Canny算法提出改进，首先利用对比度受限的CLAHE算法对图像进行对比度增强，再利用双边滤波器滤除椒盐噪声，并使用Otsu算法自适应选取阈值，增强Canny算法的自适应性，改进后的Canny算法用于肺炎图像检测中，提取出更加清晰、完整的图像边缘，方便通过输出结果图来分辨正常肺、普通肺炎与新冠肺炎，能够有效的应用于肺炎图像检测，满足医生实际工作的需要。
[0038]进一步的，步骤S2具体为，假设增强图像在坐标点p＝(x,y)的灰度值为I
p
，对增强图像进行双边滤波来滤除椒盐噪声，得到降噪图像BI，降噪图像BI在坐标点p的灰度值定义为BI
P
，双边滤波器的双边滤波公式如下：
[0039][0040][0041]上式中，q＝(u,v)为坐标点p的邻域像素点，I
q
为邻域像素点q的灰度值，S为邻域像素点q的集合，W
p
为归一化因子；
[0042]为空间邻近度因子，表达式如下：
[0043][0044]上式中，σ
s
是基于高斯函数的距离标准差，
[0045]为灰度相似度因子，表达式如下：
[0046][0047]上式中，σ
r
是基于高斯函数的灰度标准差。
[0048]需要说明的是，σ
s
和σ
r
分别控制了空间域滤波核函数和灰度滤波核函数的径向作用范围，均为可选择变化的参数，直接决定了双边滤波器的性能，通过控制像素位置的相对空间和灰度变化范围来调节像素的加权值。
[0049]进一步的，步骤S5具体为，将梯度图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制，获得抑制图像；用F表示抑制图像，其全图灰度值为 (0,M
‑
1)，灰度等级为M，抑制本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，包括以下步骤：步骤S1：对输入的原始肺炎图像进行对比度增强处理，获得增强图像；步骤S2：对增强图像进行双边滤波，获得降噪图像；步骤S3：对降噪图像进行高斯滤波，获得滤波图像；步骤S4：计算滤波图像的梯度，获得梯度图像；步骤S5：对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。2.根据权利要求1所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，步骤S1中对比度增强采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强。3.根据权利要求2所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，所述采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，具体为，步骤S1.1：将输入的原始肺炎图像分割成大小一样、互相相邻但不重叠的子块图像；步骤S1.2：由每个子块图像所包含的像素信息，统计出每个子块图像的灰度直方图H(i)，i表示灰度级；步骤S1.3：对子块图像的像素求像素平均值N
Aver
，使子块图像中的灰度级为相等的像素数；步骤S1.4：设定一个剪切限制系数γ，根据像素平均值N
Aver
得到实际剪切限制值N
CL
；步骤S1.5：把灰度直方图H(i)中超出实际剪切限制值N
CL
的像素截取出来，将截取下来的像素重新均匀分配给各个子块图像中的灰度级，得到局部新直方图W(i)；步骤S1.6：分别对每个子块图像的局部新直方图W(i)进行均衡化处理；步骤S1.7：对均衡化处理后的局部新直方图W(i)利用双线性插值法求出新的灰度值，获得增强图像。4.根据权利要求3所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，步骤S1.3中像素平均值N
Aver
表示为：其中，δ
x
表示子块图像在水平方向上的像素个数；δ
y
表示子块图像在垂直方向的像素个数；L
Gray
表示子块图像中灰度级的个数。5.根据权利要求3所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，步骤S1.4中剪切限制系数γ取值范围是0到1，默认值是0.01。6.根据权利要求4所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，步骤S1.4中实际剪切限制值N
CL
表示为：N
CL
＝N
Aver
+[γ
×
(δ
x
×
δ
y
‑
N
Aver
)]。7.根据权利要求3所述一种基于改进Canny算法的肺炎图像边缘检测方法，其特征在于，...
【专利技术属性】
技术研发人员：朱硕，王煜，武丽，
申请(专利权)人：无锡学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。