基于单一尺度的医学图像边缘检测制造技术

本文提出了一种改进的单一合适尺度边缘检测方法，并将该方法应用到医学图像的边缘检测中。该方法首先用平滑算法，对图像进行平滑，使图像中一些无用的细节信息平滑掉，抑制噪声和高频干扰成分；随后利用模糊增强算法加大边缘两侧灰度的差异，然后利用基于高斯核的单一合适尺度过零点边缘检测方法提取图像的边缘。

【技术实现步骤摘要】

本专利技术涉及医学图像处理领域，更具体而言，涉及一种基于单一尺度的医学图像边缘检测方法、装置和系统。
技术介绍
医学图像已成为临床诊断、病理分析及治疗的重要依据。医学图像与普通图像比较，本质上具有模糊性和不均勻性。首先，医学图像具有灰度上的含糊性，在同一种组织中信号值(如CT值)会出现大幅度的变化。其次，由于局部体效应，一个边界上的体素中常常同时包含两种物质；一些病变组织由于侵袭周围组织，其边缘无法明确界定。另外，由于技术上的原因带来的噪声往往模糊了物体边缘的高频信号。因此，在对医学图像进行处理的过程中，边缘检测的结果会直接影响到后续的治疗过程，它是图像分析的重要基础，是底层视觉处理中最重要的环节之一。迄今为止出现的多种边缘检测方法，其中大多数是基于梯度的，如Sobel算子，Robert算子，Prewitt算子等。医学图像在获取和传输过程中不可避免地会被各种噪声污染，直接运用以上这些算子来检测医学图像边缘，将会因为噪声的影响而提取出大量的虚假边缘。多尺度边缘检测方法，是在不同的尺度进行滤波，每一个尺度分解的结果代表该图像在某一频率范围内的信息。小尺度的滤波器对边缘信号敏感，在小尺度上可以获得精细变化的边缘，但同时对噪声敏感；在大尺度的滤波器对噪声滤除效果好，可以得到稳定的图像边缘，但是也将精细的细节给去掉。所以用多尺度分析的方法来综合和描述边缘结构的多样性。对每一尺度下的低频图像分别进行边缘提取，然后将不同尺度下的边缘图像融合，这样既能提高抗噪声能力，又能最大程度的提取图像边缘信息。因此，它既可以在大尺度下抑制噪声，可靠的识别边缘，又可以在小尺度下精确定位[6]。多尺度边缘检测思想是由 Ronsenfeld提出的，后经过Marr和Hildretch完善，提出对图像做平滑处理，采用一组滤波器分别检测出不同范围上的边缘，按此方法进行多尺度检测。1992年Mallat用多尺度思想提出了基于奇异点检测的多尺度边缘检测方法，多尺度边缘的方法蓬勃发展起来。总体来说，该方法在大尺度下的子图像对应图像中的轮廓，边缘稳定，抗噪性好，但定位精度差。 小尺度的子图像保持图像中丰富的细节信息，边缘定位精度较高，但易受到噪声的干扰。所以，首先在大尺度图像下提取图像主要轮廓，可靠的识别边缘，在小尺度图像中对应位置的邻域内搜索边缘点，得到这些边缘的精确定位。对于那些在大尺度图像中存在而在小尺度图像对应邻域中没有的边缘点，则可能是斜坡边缘，需要保留下来，为了得到更多的图像边缘细节，还需要提取小尺度图像中的边缘细节。这样从粗到细的跟踪图像边缘，可以获得高5精度的边缘定位，并抑制噪声。但是，由于尺度选择的不确定性和该算法的复杂性，需要不断的比较相邻尺度下的边缘点的位置而且不能确定选择的尺度最大值和相邻尺度的间隔， 在实际应用中并不适用于快速的边缘提取。多尺度边缘检测方法的提出在很大程度上克服了噪声的影响，它主要是利用各尺度下的高斯函数对图像进行拉普拉斯算子的边缘检测，然后综合各尺度下的边缘得到图像边缘。虽然该方法提高了算法的抗噪性，但它比较繁琐，需要计算多个尺度，不方便得到图像的边缘。如果只考虑单一尺度时的边缘检测，则由于尺度选择的不同，对图像的去噪和平滑效果也不同，得到的图像边缘存在各种各样的缺点。边缘检测的实质就是利用某种算法来提取图像中物体和背景的交界线。小尺度边缘检测时，获得的边缘含有较多的细节信息，对噪声的反应比较敏感。因此，需要一种改进的单一尺度图像边缘检测算法，能够在更好地体现图像中的高频细节特征，以便在边缘检测中避免出现不连续的线状边缘，从而能够克服现有技术中单一尺度图像边缘检测中图像去噪和平滑过度的问题。
技术实现思路
本专利技术针对现有技术中的上述问题，综合运用平滑算法，模糊集理论等，提出一种平滑处理，模糊增强与单一尺度边缘检测相结合的方法，对经过平滑后的图像进行模糊增强预处理，然后利用边缘检测方法在单一尺度下提取图像的边缘。在本专利技术的一个方案中，公开了一种医学图像边缘检测方法，包括以下步骤(a) 获得输入图像；(b)对所述输入图像进行平滑处理；(c)对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度；(d)对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且(e)输出经过所述单一尺度的边缘检测的图像，其中，步骤(c)中的模糊学图像增强包括以下步骤(a. 1)将经过所述平滑处理后的输入图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为Lij = G(Xij)，(i = 1，2，. . .，M ;j = 1， 2，...，N) ； (a. 2)在所述模糊特征平面上，对特征Lij进行对比度增强得到Icij = Er(Lij)； 以及(a. 3)对增强的模糊特征Icij进行G—1逆变换，得到经过所述模糊学图像增强的图像； 在步骤(a. 1)中的所述G变换为本文档来自技高网...

【技术保护点】
１．一种方法，包括以下步骤：（ａ）获得输入图像；（ｂ）对所述输入图像进行平滑处理；（ｃ）对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度；（ｄ）对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且（ｅ）输出经过所述单一尺度的边缘检测的图像，其中，步骤（ｃ）中的模糊学图像增强包括以下步骤：（ａ．１）将经过所述平滑处理后的输入图像经过Ｇ变换，得到与图像模糊特征平面对应的特征矩阵，其元素为Ｌｉｊ＝Ｇ（ｘｉｊ），（ｉ＝１，２，．．．，Ｍ；ｊ＝１，２，．．．，Ｎ）；（ａ．２）在所述模糊特征平面上，对特征Ｌｉｊ进行对比度增强得到Ｉｃｉｊ＝Ｅｒ（Ｌｉｊ）；以及（ａ．３）对增强的模糊特征Ｉｃｉｊ进行Ｇ－１逆变换，得到经过所述模糊学图像增强的图像；在步骤（ａ．１）中的所述Ｇ变换为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ｇ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）［（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）＋（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｄ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ｆ（／ｍｉ）?（ｍｉ）ｄ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｆｒａｃ）?（ｍｏ）］（／ｍｏ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｆ（／ｍｉ）?（ｍｉ）ｅ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（ｍｏ），（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）ｉ＝１，２，．．．，Ｍ；ｎ＝１，２，．．．，Ｎ　　　　（１）其中，ｘｍａｘ表示图像中的最大灰度值，Ｆｅ为指数模糊因子，Ｆｄ为倒数模糊因子，其依据在特定Ｆｅ的情况下，所述Ｇ变换后得到的模糊特征矩阵中所有特征元素大于一特定阈值Ｔ，而通过上述公式（１）计算得到的，在步骤（ａ．２）中，所采用的Ｉｃｉｊ＝Ｅｒ（Ｌｉｊ）为：Ｌｃｉｊ＝Ｅｒ（Ｌｉｊ）＝Ｅ１（Ｅｒ－１（Ｌｉｊ））；ｒ＝１，２，３，４　　　　（２）其中，（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｅｎｃｅｄｏｐｅｎ＝＇｛＇ｃｌｏｓｅ＝＇＇）?（ｍｔａｂｌｅ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｓｕｐ）?（ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）Ｌ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ），（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｎ）０．５（／ｍｎ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ），（／ｍｏ）?（ｍｎ）０．５（／ｍｎ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｔｄ）?（／ｍｔｒ）?（／ｍｔａｂｌｅ）?（／ｍｆｅｎｃｅｄ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）３（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）在步骤（ａ．３）中，经过所述模糊学图像增强的图像为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｘｃ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｐ）?（ｍｉ）Ｇ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌｃ（／ｍｉ）?（ｍｉ）ｉｊ（／ｍｉ）?（／ｍ...

【技术特征摘要】
1.一种方法，包括以下步骤(a)获得输入图像；(b)对所述输入图像进行平滑处理；(c)对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度；(d)对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且(e)输出经过所述单一尺度的边缘检测的图像， 其中，步骤(c)中的模糊学图像增强包括以下步骤(a. 1)将经过所述平滑处理后的输入图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为 Lij = G(Xij)，(i = l，2，...，M;j = 1,2,... ,N)；(a. 2)在所述模糊特征平面上，对特征Lij进行对比度增强得到Icij = Er(Lij)；以及 (a. 3)对增强的模糊特征Icij进行G—1逆变换，得到经过所述模糊学图像增强的图像； 在步骤(a. 1)中的所述G变换为2.如权利要求1所述的方法，其中，在步骤(a. 1)中，Fe优选为1或2，Xfflax为255。3.如权利要求1所述的方法，其中， 步骤(e. 1)中所使用的二维高斯函数为4.一种装置，包括用于获得输入图像的模块；用于对所述输入图像进行平滑处理的模块；用于对经过所...

【专利技术属性】
技术研发人员：张萌萌，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：11