（信号与信息处理专业论文）骨科x线片的图像增强及分割算法研究.pdf

摘要 摘要 随着计算机技术的迅速发展，数字图像处理技术在医学领域的研究和应用日 益深入和广泛。现代医学己越来越离不开医学图像处理技术，医学图像处理技术 在临床诊断、科学教研等方面发挥了重要的作用。医生通常不对骨科x 线图像进 行相关处理直接进行诊断，但是骨科x 线图像具有噪声高、软硬组织灰度差值较 小、动态范围宽、数据量大、细节丰富、灰度级数复杂、对比度低等特点，这些 因素给骨科病的相关病情的诊断带来了难度，严重影响医学诊断。因此，对骨科 x 线片进行图像增强处理及目标分割的研究及运用来提高诊断的准确性，提高诊 断效率有着十分现实的重要意义。 本文在广泛阅读了国内外有关图像增强及分割技术的参考文献的基础之上， 系统分析了传统的图像增强及分割算法。针对骨科x 线图像的特点，提出了一种 有效的混合图像增强算法，该算法先用二阶微分变换突出图像的细节，用一阶微 分变换突出其边缘，接着用平滑过的梯度图像掩蔽拉普拉斯图像，再经过二阶巴 特沃思高通滤波和高频加强滤波后得到锐化图像，最后经过灰度调整得到最终的 增强图像。运用该算法改善了骨科x 线片的清晰度，增强了对比度，同时突出了 骨骼的细节及边缘，效果不错，是一次成功的尝试。 图像分割关键是选取合适的阈值进行二值化，本文采用了局部多阈值的o t s u ( 最大类间方差法) 进行图像二值化，即按行把整幅混合增强图分成很多小块， 对每小块两边逼近，取得包含目标区域的最小区域，对每小块中包含目标的最小 区域使用o t s u 进行图像二值化。通过分析研究，采用局部多阈值的o t s u 进行图 像二值化比传统的全局单阈值的o t s u 进行图像二值化效果更好，可以将背景区 域与目标区域更好地区分出来。 为了消除二值化后产生的非目标白色小块，本文提出了一种分块的面积滤波 方法，该方法解决了面积滤波中面积参数设定的问题。面积滤波后接着进行孔洞 填充与闭运算得到准确包含目标的二值图，最后将二值图与原图进行点乘得到原 图的目标分割结果图。实验结果表明，该方法能将目标区域准确定位分割出来， 为将来骨刺识别的研究做好了前期准备。 广东工业大学硕十学位论文 关键词：医学图像处理；骨科x 线片；混合图像增强；目标图像分割；分块面 积滤波 i l a b s t r a c t a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e rt e c h n o l o g y ，d i g i t a li m a g ep r o c e s s i n g t e c h n o l o g yi nt h ef i e l do fm e d i c a lr e s e a r c ha n da p p l i c a t i o ni sg r o w i n gr a p i d l yi nd e p t h a n db r e a d t h m o d e mm e d i c i n eh a sb e c o m ei n c r e a s i n g l yi n s e p a r a b l ef r o mt h em e d i c a l i m a g ep r o c e s s i n gt e c h n o l o g y , a n dm e d i c a li m a g ep r o c e s s i n gt e c h n o l o g yi nt h ec l i n i c a l d i a g n o s i s ，s c i e n t i f i cr e s e a r c hh a sp l a y e da ni m p o r t a n tr o l e u s u a l l yo r t h o p e d i cd o c t o r s d i a g n o s ed i r e c t l yw i t hn oa s s o c i a t e dp r o c e s s i n gt oo r t h o p e d i cx r a yi m a g e s ，b u tt h e r e a r em a n yc h a r a c t e r i s t i c si nt h eo r t h o p e d i cx r a yi m a g e ss u c ha sh i g hn o i s e ，s m a l l 铲a y m a r g i ni nt h e s o f ta n dh a r dt i s s u e ，w i d ed y n a m i cr a n g e ，l a r g ev o l u m eo fd a t a , a b u n d a n td e t a i l ，c o m p l i c a t e dg r a ys e r i e s ，l o wc o n t r a s t ，a n ds oo n t h e s ef a c t o r sh a v e b r o u g h tt h ed i f f i c u l t yr e l a t e dt ob o n ed i s e a s ei nt h ed i a g n o s i so ft h ed i s e a s e ，a n d i m p a c tb a d l yo nm e d i c a ld i a g n o s i s t h e r e f o r e ，t h e r ei sav e r yp r a c t i c a ls i g n i f i c a n c e a b o u tt h er e s e a r c ha n da p p l i c a t i o no fo r t h o p e d i cx - r a yf i l mf o ri m a g ee n h a n c e m e n t p r o c e s s i n ga n dt a r g e ts e g m e n t a t i o nt oi m p r o v ed i a g n o s t i ca c c u r a c ya n de f f i c i e n c y b a s e do nt h ee x t e n s i v er e f e r e n c e sa th o m ea n da b r o a da b o u ti m a g ee n h a n c e m e n t a n di m a g es e g m e n t a t i o nt e c h n o l o g y , t h i sp a p e rh a ss y s t e m a t i ca n a l y s i so ft h e t r a d i t i o n a la l g o r i t h ma b o u ti m a g ee n h a n c e m e n ta n ds e g m e n t a t i o n b a s e do nt h e c h a r a c t e r i s t i c so fo r t h o p e d i cx r a yi m a g e s ，w ep r o p o s e da ne f f i c i e n ta l g o r i t h mf o r m i x e di m a g ee n h a n c e m e n t a tf i r s t ，t h i sa l g o r i t h mu s e ss e c o n do r d e rd i f f e r e n t i a l t r a n s f o r mt oh i g h l i g h tt h ei m a g ed e t a i l s ，a n du s e sf t r s to r d e rd i f f e r e n t i a lt r a n s f o r mt o h i g h l i g h ti t se d g e t h e n ，i tu s e ss m o o t h e dg r a d i e n ti m a g et om a s kt h el a p l a c ei m a g e ， a n du s e ss e c o n do r d e rb u t t e r w o r t hh i 曲p a s sf i l t e r i n ga n dh i 曲f r e q u e n c ye m p h a s i s f i l t e r i n gt og e tt h es h a r p e n i n gi m a g e a tl a s t , i tu s e s 伊a ya d j u s t m e n tt og e tt h el a s t e n h a n c e di m a g e i tw a sas u c c e s s f u la t t e m p ta n dh a dg o o dr e s u l t st ou s et h ea l g o r i t h m ， i ti m p r o v e dt h ed e f i n i t i o no ft h eo r t h o p e d i cx r a yi m a g e s ，h i g h l i g h t e dt h ed e t a i l sa n d e d g eo ft h eb o n ea n de n h a n c e dt h ec o n t r a s t t h ek e yo fi m a g es e g m e n t a t i o ni st os e l e c tt h ea p p r o p r i a t et h r e s h o l df o rb i n a r y i m a g e t h i sp a p e ru s e db i n a r yi m a g eo fl o c a lo t s ut h r e s h o l d , o t s ui sa l s on a m e d i i i 广东t 业大学硕 ：学位论文 m e t h o do fm a x i m u mc l a s ss q u a r ee r r o r t h ee n h a n c e di m a g ei sd i v i d e di n t om a n y s m a l lp i e c e sa c c o r d i n gt ol i n e i tg o tt h es m a l l e s tr e g i o nw h i c hc o n t a i n st a r g e tr e g i o n b a s e d0 1 1a p p r o a c h i n gf r o mb o t hs i d e so fe a c hs m a l lp i e c e ，a n dt h e nu s e do t s ub i n a r y i m a g et oe a c hs m a l l e s tr e g i o nw h i c hc o n t a i n st a r g e tr e g i o n b ya n a l y s i sa n dr e s e a r c h ， u s i n gb i n a r yi m a g eo fl o c a lo t s ut h r e s h o l dh a dab e t t e rr e s u l tt h a nu s i n gb i n a r yi m a g e o fg l o b a lo t s ut h r e s h o l d ，b e c a u s ei tc a nd i s t i n g u i s hb e t t e rb e t w e e nb a c k g r o u n dr e g i o n a n dt a r g e tr e g i o n i no r d e rt oe l i m i n a t et h en o n t a r g e tw h i t ep i e c ea f t e rb i n a r yi m a g e ，w ep r o p o s e d am e t h o do fa r e af i l t e r i n gb a s e do nb l o c k ，i tr e s o l v et h ep r o b l e mh o wt os e tt h ea r e a p a r a m e t e r si na r e af i l t e r i n g a f t e ra r e af i l t e r i n g ，w eg o tb i n a r yi m a g ew h i c hc o n t a i n s t a r g e tb yh o l e f i l l i n ga n dc l o s i n go p e r a t i o n a tl a s t ，w eg o tt h et a r g e ts e g m e n t a t i o n r e s u l to ft h eo r i g i n a li m a g eb yp o i n tm u l t i p l i c a t i o nb e t w e e nt h eb i n a r yi m a g ea n dt h e o r i g i n a li m a g e t h er e s u l t ss h o wt h a tt h i sm e t h o dc a na c c u r a t e l yp o s i t i o na n ds e g m e n t t h et a r g e tr e g i o n ，a n di th a sg o o dp r e p a r a t i o n sf o rt h ef u t u r er e s e a r c ha b o u ts p u r r e c o g n i t i o n k e y w o r d s ：p h y s i ci m a g ep r o c e s s i n g ；o r t h o p e d i cx r a yi m a g e ；m i x e di m a g e e n h a n c e m e n t ；t a r g e ti m a g es e g m e n t a t i o n ；a r e af i l t e r i n gb a s e do nb l o c k 独创性声明 独创性声明 秉承学校严谨的学风与优良的科学道德，本人声明所呈交的论文是我个人在 导师的指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以 标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，不包 含本人或其他用途使用过的成果。与我一同工作的同志对本研究所做的任何贡献 均已在论文中作了明确的说明，并表示了谢意。 本学位论文成果是本人在广东工业大学读书期间在导师的指导下取得的，论 文成果归广东工业大学所有。 申请学位论文与资料若有不实之处，本人承担一切相关责任，特此声明。 一：呵叶 指导教师签字： 年毛玛毛日 第一章绪论 1 1 课题研究背景 第一章绪论 人们传递信息的主要媒介是语音和图像。资料显示，在人类接受的信息中， 听觉占2 0 ，视觉占4 0 ，其他如味觉、嗅觉总括起来不过占2 0 而己。可见， 作为传递信息的一种媒介一图像的地位是很重要的。图像处理是近年来蓬勃发展 的一门新兴学科。它在许多领域中卓有成效的应用引起了人们的极大兴趣，随着 进一步的深入研究，其应用范围也在日益扩大川。 随着计算机技术的迅速发展，数字图像处理技术在医学领域的研究和应用日 益深入和广泛。现代医学已越来越离不开医学图像处理技术，医学图像处理技术 在临床诊断、科学教研等方面发挥了重要的作用。计算机图像处理技术与影像技 术的结合从根本上改变了医务人员进行诊断的传统方式。实践证明，充分利用这 些技术可以提高诊断的正确性和准确性，提高诊断效率，降低医疗成本，可以更 加充分地发挥各种医疗设备的功能。而且随着数字化、智能化进程的深入，图像 处理技术在医疗卫生领域将会有更加广阔的应用前景。 数字图像处理在生物医学方面的应用，除了空间技术以外，它是最早开发的 一个方面，一直是一个十分活跃的领域，如处理各种线照片、显微图片、内窥镜 像以及核子扫描图像等，目的是帮助医生对疾病进行快速而正确的分析与诊断。 生物医学方面的应用又可以分为两个不同的方面，即微观和宏观两个方面。前者 是使用计算机自动分析光学显微镜或电子显微镜中的生物医学图像，主要是染色 体自动分类计数、红细胞和白细胞分类计数以及细菌、虫卵识别分类计数等。这 一研究成果目前己经商品化，这些自动手段使生理检验加快了速度，提高了精度。 生物医学应用的宏观方面是指x 线片的增强处理，使得本来模糊不清的图像得到 了明显的改善：x 线片的边缘检测或目标分割，取得图像的边缘信息。 1 2 骨科x 线图像的特点 随着现代医学的发展，医院的诊疗工作和医生的诊断水平越来越多地依赖现 广东t 业大学硕l 二学位论文 代化的检查结果。例如x 光检查、c t ，m 对、超声、胃肠镜、血管造影等影像学 检查的应用也越来越普遍。 自从伦琴发现x 射线一百多年来，不论在科学研究或是生活中，都有广泛的 应用，特别是近三十年来，随着各种工业制造技术、电子工程技术、真空技术、 集成电路的发展，x 线设备日新月异地发展着。x 线图像作为图像的一种，近年 来在医学、生命科学、军事、各工业部门和工程领域中的应用呈现持续增长的趋 势。医学成像技术在迅速地朝数字化方向发展，数字x 线成像技术是目前应用最 广泛的医学数字成像技术，数字x 线影像占据了7 0 以上的放射影像。 x 射线图像的成像机理不同于一般的摄像图像( 利用物体对光的反射原理而 形成的) ，它是利用物体对x 射线的吸收原理而形成的，在x 线图像的形成过程 中，不同物体或者物体的不同部分对x 射线的吸收是不同的，并且沿着传播方 向，x 射线被吸收的程度是各个物体对x 射线吸收的叠加，每个方向上物体的不 同和物体个数的多少，都会影响x 射线吸收程度，因此，在大多数情况下，单 从x 线图像的表面看不出图像中的物体，甚至物体的边缘也是很难辨认的【2 1 。 x 射线光子以随机的模式碰撞物体表面，在一片区域内是随机分布的，由此 产生的图像噪声也是随机的，一般称这种噪声为量子噪声。 x 射线成像检测同任何实际测量一样，总带有误差及不确定性。属于系统误 差的有：几何失真，检测器校准或非线性；把连续图像抽象为离散的像素集引起 的误差：随机误差包括量子噪声，电子噪声和散射辐射引起的噪声等。 随着年龄的增长，好大数量的中老年人都会患骨科病，例如颈椎病，腰椎病， 骨关节病等，病人去医院、诊所就疹时，一般情况下都会先对患病部位进行x 线拍片。由于x 线的成像机理不同于一般的摄像，它是利用物体表面对光的吸收 原理，因不同部位的骨质密度不同而对x 线的吸收程度不同而形成的，并且存在 着采集设备、显示设备等因素的影响，造成骨科x 线图像具有噪声高、重叠度大、 软硬组织灰度差值较小、动态范围宽、数据量大、细节丰富、灰度级数复杂、对 比度低等特点，这些因素给骨科病的相关病情的诊断带来了难度，严重影响医学 诊断。因此，对骨科x 线片进行图像增强处理及目标分割的研究及运用来提高诊 断的准确性，提高诊断效率有着十分现实的重要意义。 2 第一章绪论 1 3 国内外研究现状概述 近些年来，由于计算机与信息技术高速的发展，数字图像处理技术也得到了 快速发展，目前已成为计算机科学、医学、生物学、工程学、信息科学等领域各 学科之间学习和研究的对象1 。数字图像处理是指使用数字计算机来加工、处理 图像。就其处理目的而言可以分为：恢复退化图像的本来面目、改善人的视觉效 果、突出图像中目标物的某些特征、提取目标物的特征参数等。在数字图像处理 技术中，图像增强和目标图像分割是常用的技术，运用也很广泛，因追求的目的 各异，所用的具体实现方法也各不相同。 1 3 1 图像增强概述 图像增强是数字图像处理的基本内容之一，是一种基本的图像预处理手段。 图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些 不需要的信息处理方法一1 。 图像增强的主要目的是对一幅给定的图像经过处理后，使结果对某种特定的 应用来说比原始图像更适用p 1 。因此，这类处理是为了某种应用目的而去改善图 像质量的。它并不意味着能增加原始图像的信息，有时甚至会损失一些信息。但 图像增强的结果却能加强对特定信息的识别能力，使图像中我们感兴趣的特征得 以加强。处理的结果使图像更适合于人的视觉特性或机器的识别系统。 图像信号变弱会使人们无法看清图像的细节，而采用增强对比度的方法可使 图像变得清晰，图像的噪声干扰也容易使图像质量变差，运用平滑技术可以消减 噪声对图像的影响。这些方法都是图像增强技术。目前常用的图像增强技术根据 对图像进行处理所在的空间不同，可分为基于空间域的方法和基于频域的方法。 第一类，“空间域”一词是指图像平面本身，这类方法直接在图像所在的空间进 行处理，也就是在像素组成的空间里直接对图像像素进行操作；第二类，在图像 的频域对图像进行间接处理，主要是以卷积定理为基础，采用修改图像傅立叶变 换的方法实现对图像增强处理。另外，在第一类方法里还可分为两组，一是基于 像素点的，也就是对图像的每次处理是对每个像素进行的，增强过程对每个像素 的处理与其像素无关；二是基于模板的，也就是对图像的每次处理是对小的子图 广东工业大学硕士学位论文 像模板进行的。 近年来增强技术已发展得较为成熟，许多方法已成为经典方法，市面上有许 多商用软件模块出售。具体的图像增强的方法：时间域增强包括时间延迟积分、 帧间比较等方法：空间域增强分为点处理和邻域处理，前者包括灰度分段变换、 直方图处理等方法，后者常用的有中值滤波、均值滤波、拉普拉斯算法等方法： 频域增强是在离散傅立叶变换、小波变换、k l 变换等图像变换的基础上进行各 种滤波，最终达到增强的目的1 。 由于评价图像质量的优劣标准多半凭观察者主观而定，尚无通用的定量标 准，因此在实用中针对具体运用场合，可同时有几种算法供挑选试验，从中选出 视觉效果好、计算量小的一种算法川。 1 3 2 图像分割概述 图像处理是当今计算机图形学的一个重要方向，而图像分割是图像处理、模 式识别和人工智能等多个领域中一个十分重要且又十分困难的问题。图像分割被 广泛地应用于工业自动化、生产过程控制、文档图像处理、遥感和生物医学图像 分析以及军事、体育和农业工程等方面喁1 。 在图像的研究和应用过程中，人们往往仅对图像中的某些部分感兴趣。这些 部分常称为目标，它们一般对应图像中特定的具有独特性质的区域。为了辨别和 分析目标，需要将这些区域分离提取出来，在此基础上对目标进一步利用。图像 分割就是将图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。在进 行图像分割时，首先要根据目标和背景的先验知识来对图像中的目标、背景进行 标记、定位，然后将等待识别的目标从背景中分离出来。图像分割是由图像处理 进到图像分析的关键步骤，也是一种基本的计算机视觉技术，图像分割接下来的 任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。图像分 割技术将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为 可能，多年来一直受到人们的高度重视例。 要确保对一幅图像的分割成功，首先要保证我们分割后的块之间属性无交 叠，也就是说，在对图像分割之前，我们要预知分割后的各块具有鲜明的特征属 性。由于等待分割的图像内容的不同导致要预知图像被分割后的每一块的特征属 4 第一章绪论 性鲜明度随之不同，从而使图像分割时的块区域选择发生变化，这就是图像分割 中特征属性与块区域之间的相互联系。由此可见图像分割技术要解决的最基本问 题就是对图像特征属性的提取和图像区域的划分们。 对灰度图像的分割基于像素灰度值的两个性质：不连续性和相似性。区域内 部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度不连续性。 所以分割算法可据此分为利用区域间灰度不连续性的基于边界的算法和利用区 域内灰度相似性的基于区域的算法。分割的算法很多，从分割所依据的手段出发， 可分为阈值法、界线探测法、区域法等；按照算法本身来分，可分为模板匹配法， 跟踪法、纹理匹配法、聚类法等；依照工作对象分，可分为像素点相关分割和区 域分割等。另外，人的视觉系统对图像分割相当有效，但十分复杂，其原理和模 型至今还未搞清楚，故有人提出应用模糊数学理论，在模糊意义上进行分割。 在处理时间中，会遇到一些方法上的困难。例如，由于光照等原因，物体内 部区域间边缘的灰度级差别小或过渡平滑，这就使得应用基于边界的方法对图像 的部分区域进行分割时失效。又如，在应用基于区域的方法时，图像的某些区域 的内容特征不一定那么均匀2 1 。这些情况都需要在处理中通过理解加以判别，有 时往往需要更深层知识的指导。 实际上，现有的方法通常是针对具体问题的。不同类型的图像和不同的应用 要求，所要提取的特征及其提取的方法都是不同的3 1 。因此，为了得到好的效果， 要根据实际问题选择或设计算法。虽然在图像处理技术发展的一开始就研究分割 的问题，也取得了相当的进展，但至今尚无一种适合所有图像的通用分割算法4 1 。 因此，人们仍然在努力发展新的和更有潜力的方法，期待更通用和更完美的分割 结果。例如，分割参数的自动选择，适用于快速处理的数据结构，较为通用的分 割结果质量评价标准n 习等，都是研究者关心的内容。 1 4 本文的主要研究内容及各章节安排 1 4 1 本文的主要研究内容 由于骨科x 线图像具有噪声高、重叠度大、各组织混叠不清、软硬组织结构 复杂，软硬组织灰度差值较小；动态范围宽、数据量大、细节丰富、灰度级数复 广东丁业大学硕i ：学位论文 杂、对比度低、需要的分辨率高等特点，医生直接诊断患者病情难度很大，而且 容易产生误疹。为提高骨科病诊断的正确性和准确性，提高诊断效率，本课题的 研究目标和内容主要有以下两大方面： 第一，对骨科x 线片进行图像增强处理： 设计并实现一种有效的骨科x 线片的增强方法，增强对比度改善图像的清晰 度和质量，凸现骨头的边缘和细节信息，消减噪声对图像的影响，突出图像中的 目标区域，削弱或除去某些不需要的背景信息。总之就是通过图像增强处理后能 加强对特定信息的识别能力，使图像中我们感兴趣的特征得以加强，使结果对病 情诊断来说比原图像更合适。 第二，对骨科x 线片进行目标图像分割处理： 医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是一 个根据区域内的相似性以及区域间的不同，把图像分割成若干区域的过程。从图 像中把有关结构( 或感兴趣区) 分离出来是图像分析与识别首要解决的问题，也是 制约医学图像处理中其它相关技术发展和应用的瓶颈。本文主要是利用图像分割 相关技术将骨科x 线片中的骨头或关节从背景中分离出来，方便医生对病情进行 诊断，为下一步骨刺识别的研究做好前期准备。 1 4 2 本文的各章节安排 本文的各章节安排如下： 本文第一章为绪论部分。主要分析了本课题的研究背景、骨科x 线片的图像 特点，并对图像增强及分割技术进行了概述，最后阐明了本文的主要研究内容和 各章节安排。 第二章简单介绍了骨科x 线片的图像增强及分割算法设计的思路，给出了算 法的总体设计框图。 第三章首先介绍了常规的图像增强算法，然后着重介绍了本文提出的一种骨 科x 线片的混合图像增强算法的详细设计，最后对本章进行了小结。 第四章首先介绍了常用的图像分割算法，然后着重介绍了本文的骨科x 线片 的目标分割的实现过程，最后对本章进行了小结。 第五章展示了本文骨科x 线片的图像增强及分割算法的仿真实验结果，并做 6 第一章绪论 了相关的分析。 最后对全文进行了总结。总结本文所做的主要工作以及取得的成果，指出本 文的不足并对将来的研究工作进行展望。 7 广东工业大学硕上学位论文 第二章骨科x 线片的图像增强及分割算法设计 为提高骨科病诊断的正确性和准确性，提高诊断效率，本课题的研究内容主 要包括以下两大方面：第一，对骨科x 线片进行图像增强处理；第二，对骨科x 线片进行目标图像分割处理。本章将介绍骨科x 线片的图像增强及目标分割算法 的总体设计思想及各部分的设计流程。 2 1 设计思想 为了改善骨科x 线片的清晰度，增强其对比度，突出骨骼的细节及边缘，本 文提出了一种有效的混合图像增强算法，该算法首先用二阶微分变换突出图像的 细节，用一阶微分变换突出其边缘，接着用平滑过的梯度图像掩蔽拉普拉斯图像， 再经过二阶巴特沃思高通滤波和高频加强滤波后得到锐化图像，最后经过灰度调 整得到最终的增强图像。 得到骨科x 线片混合增强的图像后，接着对其进行目标图像分割。图像分割 关键是选取合适的阈值进行二值化，本文先对整幅图进行全局单阈值o t s u ( 最 大类间方差法) 进行图像二值化，实验效果并不好，在此基础上，本文采用了局 部多阈值的o t s u 进行图像二值化，接着进行分块的面积滤波，然后进行孔洞填 充与闭运算得到准确包含目标的二值图，最后将这二值图与原图进行点乘得到原 图的目标分割结果图。 以上各个相关处理步骤的原理及其具体方法将在以后章节详细介绍。 2 2 算法框图 本算法的整体流程框图如图2 1 所示。它主要包括图像增强模块和目标图像 分割模块。 8 第二章骨科x 线片的图像增强及分割算法设计 图 像 增 强 模 块 原图 上 一阶微分的细节增强 上 阶微分的边缘增强 上 梯度图像掩蔽拉普拉斯图像 上 二阶巴特沃思高通滤波 上 高频加强滤波 占 灰度调整 上 混合增强结果 j 局部多阈值o t s u 图像二值化 j 分块面积滤波 j 孔洞填充 上 形态学闭运算 上 目标分割结果 图2 1 算法整体流程图 f i g 2 lt h ew h o l ep r o j e c tf l o wc h a r t 9 目 标 图 像 分 割 模 块 广东工业人学硕上学位论文 第三章骨科x 线片的混合图像增强算法 如前所述，图像增强是指按特定的需要突出一幅图像中的某些信息，同时， 削弱或去除某些不需要的信息的处理方法，其主要目的是使处理后的图像对某种 特定的应用来说，比原始图像更适用。因此，这类处理是为了某种应用目的而去 改善图像质量的。处理的结果使图像更适合于人的视觉感觉或使机器的识别变得 容易。 3 1 常用的图像增强算法 传统的图像增强技术基本上可分成两大类：空间域增强和频率域增强，具体 的分类如图3 1 所示： 图像增强 空间域增强 频率域增强 f 灰度级校正 像素运算 灰度变换 i 直方图均衡化和规定化 邻域增强 同态滤波 低通滤波 带阻滤波 高通滤波 图像平滑 邻域平均法 中值滤波 噪声消除法 选择掩模平滑 f 梯度法 图像锐化船立普拉斯算子 l 掩模匹配法 图3 1 传统的图像增强算法分类 f i g 3 1t h ea l g o r i t h ms o r to ft r a d i t i o n a li m a g ee n h a n c e m e n t 1 0 第三章骨科x 线片的混合图像增强算法 3 1 1 传统的空间域图像增强算法 3 1 1 1 灰度级修正 图像在成像过程中，往往由于光照、靶面以及光学系统等的不均匀性而引起 图像某些部分较暗或较亮。对这类图像使用灰度级校正，能够获得满意的视觉效 果。具体实现方法如下： 设原来的图像为f ( x ，y ) ，不均匀降质图像为g ( x ，y ) ，代表降质性质的函数 为e 伍，一，则降质过程可以用下式来描述 g ( x ，y ) = e ( x ，y ) f ( x ，y ) ( 3 1 ) 从上式可以看出，只要能够获得降质函数e 仅，一，可由降质图像g 仅，一来重 建原始图像f 仅，力。但降质函数e 仅，一往往是不知道的，需设法根据图像降 质系统的特点来计算或测量。最简单的方法是用一个已知灰度级全部为常数c 的图像来标定测量这个降质系统的降质函数。也就是假设输入这个图像降质系统 五( x ，y ) = c ，那么可获得其输出图像g c ( x ，y ) 。根据式( 3 1 ) 可得： g c ( x ，y ) = e ( x ，少) 尼( x ，y ) ( 3 2 ) 由此即可获得e ( x ，少) 为： 如棚2 而g c ( x , y ) = 掣 ( 3 3 ) 再将式( 3 3 ) 代入式( 3 1 ) 即可由降质图像g ( x ，y ) 求出原始图像f ( x ，y ) ： f ( x , y ) 2 嬲e t x2 嬲g c c( 3 4 ) ，y )l x ，y ) 应用灰度级校正方法有两个问题需要注意： ( 1 ) 按照式( 3 4 ) 对降质图像进行逐点灰度级校正所获得的图像，其中某些 像素的灰度值有可能要超出记录器件或显示器输入灰度级的动态范围，若要不失 真地输出，还要采用其他方法来修正。 ( 2 ) 降质图像在数字化时，各像素灰度级都被量化在离散集合中的离散值上， 但经校正后的图像各像素灰度值并不一定都在这些离散值上，因此必须对校正后 广东t 业大学硕十学位论文 的图像进行量化。 3 1 1 2 灰度变换 ( 1 ) 线性灰度变换 当图像由于成像时曝光不足或过度，由于成像设备的非线性或图像记录设备 动态范围太窄等因素，都会产生对比度不足的弊病，使图像中的细节分辨不清， 这时如将图像灰度线性扩展，常常能够显著改善图像的主观质量。假设原图像 f & ，一的灰度范围是 a ，b ，希望变换后图像的灰度范围扩展到 c ，c o ，则可 以采用如下的线性变换来实现们： g ( x ，y ) = c 0 f ( x ，y ) a 旱二兰 ( x ，y ) 一口】+ ca f ( x ，y ) 6 ( 3 5 ) d 一口 d b f ( x ，y ) 无 厶表示f ，一的最大值。 ( 2 ) 分段线性灰度变换 为了突出感兴趣的目标或者灰度区间，相对抑制那些不感兴趣的灰度区域， 可以采用分段线性法。 常用的是三段线性变换： g ( x ，y ) = c f ( x ，y )0 厂( x ，y ) 口 口 生二三 厂( x ，少) 一口 + c口厂( x ，y ) 6 ( 3 6 ) d 一口 筹小6 + d 6 f ( x , y ) 厶 如式( 3 6 ) 所示对灰度区间 口，6 进行了线性扩展，而灰度区间 0 ，a 和 b ，厶 则受到了压缩，通过细心调整曲线折线拐点的位置并控制分线段的斜率，可对任 一灰度区间进行压缩。 ( 3 ) 非线性灰度变换 当采用某些非分段函数，比如对数函数、指数函数等，作为映射函数时，可 实现图像灰度的非线性变换。常用的非线性变换有对数变换和指数变换。 对数变换的一般形式为： 1 2 第三章骨科x 线片的混合图像增强算法 g ( x ，y ) = 口+ 兰塑掣 ( 3 7 ) 这里的a ，b ，c 是为了调整曲线的位置和形状而引入的参数，当希望对图像的低 灰度区进行较大的扩展而对高灰度区域进行压缩时，可采取此变换，它能使图像 的灰度分布均匀，与人的视觉特性相匹配。 指数变换的一般形式为： g ( x ，y ) = 似 y ) 一口】_ l ( 3 8 ) 这里的a ，b ，c 也是为了调整曲线的位置和形状，这种变换能对图像的高灰度区 给予较大的扩展。 3 1 1 3 直方图修正 直方图修正是图像增强的最常用、最重要的方法之一。所谓直方图修正是指 通过构造灰度级变换，改造原图像的直方图，从而使变换后的图像直方图达到一 定的要求，有时甚至给出直方图的形状，希望找到某个灰度级变换，使得原图像 的直方图变成给定的形式。采用直方图可以使原图像灰度级集中的区域拉开，从 而增大反差，使图像的细节清晰，达到增强的目的。 为了研究方便，可先将直方图归一化，即让原图像灰度范围归一化为 0 ，1 。 设其中任一灰度级归一化为r ，变化后的图像任一灰度级归一化为s 。显然，r 、 s 应当满足：0 ，1 。0 s 1 。 因此，直方图修正就是下列公式的计算过程：s = r 或厂= 丁_ 1 ( s ) 。式中刑 为变换函数，它必须满足下列两个条件： ( 1 ) 刑在0 ，- 1 区域内是单调函数，且单调递增。 ( 2 ) 刑在0 ，1 区域内满足0 丁( ，) 1 。 条件( 1 ) 保证了灰度级从黑到白的次序，而条件( 2 ) 保证了变换后的像素灰度 级仍在允许的灰度级范围内。 假定用p ，( 厂) 和风( s ) 分别表示原图像和变换后图像灰度级概率密度函数。 根据概率论的知识，在已知p ，p ) 和p 。0 ) 时，且t _ 1 ( s ) 也是单调增长，则p 。( s ) 可由下式求出： 广东丁业大学硕 ：学位论文 从= 姒r ) 瓤则。) ( 3 9 ) 可见，使用灰度变换进行图像增强技术的实质，就是选用合适的变换函数 s = 丁( ，) = f p ，( ，) 咖来修正图像灰度级概率密度函数n ( 尸) ，从而得到灰度级具 有n 0 ) 分布的新函数。丁往往根据需要来选择，为了能从图像中获得更多的 信息量，也就是使图像的熵尽可能大，我们常常要求p 。o ) = 常数，所包含的信 息量最大。下面介绍一种常见的直方图修正方法一直方图均衡化。 假设办p ) 是原始图像灰度分布的概率密度函数，见( z ) 是希望得到的图像 的概率密度函数。如何建立a ( r ) 和p z ( z ) 之间的联系是直方图修正的关键。首 先对原始图像进行直方图均衡化处理，即 s = 丁p ) = f p ，( ，) d w o ，1 ( 3 1 0 ) 假定已经得到了所希望的图像，并且它的灰度分布的概率密度是见( z ) 。对 这幅图像也作均衡化处理，即 甜= g ( z ) = 肛( z ) 咖o z 1 ( 3 1 1 ) 因为对于两幅图像( 注意，这两幅图像只是灰度分布概率密度不同) 同样做了 均衡化处理，所以从0 ) 和见( “) 具有同样的均匀密度。其中式( 3 1 1 ) 的逆过 程为 z = g 1 ( “) ( 3 1 2 ) 这样，如果用从原始图像得到的均匀灰度级s 来代替逆过程中的u ，其结果 灰度级将是所要求的概率密度函数见见0 ) 的灰度级 z = g 一 ) = g 。1 0 ) ( 3 1 3 ) 在这一过程中包含两个变换函数丁和g 。( s ) 。这两个函数可以简单地组 成一个函数关系，用这个函数关系可以从原始图像产生希望的灰度分布。将 s = 丁( ，) = f p ，( 厂) d w 4 2 k 式( 3 1 3 ) 中，有 z = g 1 丁( ，) ( 3 1 4 ) 第三章骨科x 线片的混合图像增强算法 式( 3 1 4 ) 就是用r 来表示z 的公式。很显然，如果g 。1 丁( ，) 】- t ( r ) 时，这个式 子就简化为直方图均衡化的方法了。这种方法在连续变量的情况下涉及到求反变 换函数的解析式问题，一般情况下较为困难。但是由于数字处理是处理离散变量， 因此可以用近似的方法来绕过这个问题，具体分析如下： 对一幅数字图像而言，需引出离散形式的公式： p ，c 咯，= 鲁 ：三苫，盂三，一，三 c 3 - 5 ， 式中l 是图像灰度级数，p , ( r k ) 使第七个灰度级出现的概率，是图像中第k 个 灰度级的像素数，力是图像总像素数。 为了进行直方图均衡化处理，我们可以求出变换函数为： s 七= 丁c ，= 骞鲁 o 七 = r 。k ，。 a 。而a 的典型值在o2 5 到0 5 之间，b 的典型值在15 到2 0 之间，本文中a = 05 且b = 2 0 。 a ) 二阶巴特沃思高通滤被后的结果b ) 高频加强滤波后的结果 图3 7 频域滤波增强效果图 f i g 3 - 7 t h ec n h a n c e m e m h n a g eo f f r c q u c n c yd o m a i n f i | t e t _ i n g 图3 - 7 显示了图3 - 6 ( d ) 经过频域滤波增强的效果图，图3 - 7 ( a ) 为图3 - 6 ( d ) 二 阶巴特沃思高通滤波后的结果；图3 7 ( b ) 为3 - 7 ( a ) 高频加强滤波后的结果。 经过巴特沃思高通滤波与高频加强滤波后，显示出了图像中微弱的主要边 缘，虽然图像会变暗，但灰度级色调由于低频分量的保持而没有丢失。 广东i n 大学硕士学也论文 3 2 4 灰度调整 由于图像经过二阶巴特沃思高通滤波与高频加强滤波后变得较暗，为改变图 像的亮度及对比度，所以采用灰度变换。灰度变换是最简单的但最有效的对比度 增强方法，它是将原图像的灰度函数经过一个变换函数换成一个新的图像函数， 设窖一，一是变换后的图像，则： g ( x ，y ) = t f ( x ，y ) 1 ( 3 4 1 ) 灰度变换方法主要有三种：线性、分段线性和非线性变换。本文采用线性 变换，设原图像胀，y ) 的灰度范围是【a rb 】，变换后图像g ( x ，y ) 的灰度范围扩 大到i m ，n 】，下述线性变换可扩大灰度范围： g ( x ，y ) = ! 二旦! ；i ：! ；兰l = ! ! + 卅口，( x ，y ) s 6 陆一1 。、。 ( 3 4 2 ) 肘 ，( y ) b 经过巴特沃思高通滤波与高频加强滤波后，图像的目标区域的灰度基本上集 中在区间 0 1 ，0 2 ，本文中令a = 0 1 , b - - 0 2 ，m = 0 ，n = l ，经灰度变换后不但突出了目