一種基于角點檢測方法的骨齡圖像關鍵點定位

冉隆科

（1.重慶醫科大學計算機教研室，重慶400016；2.重慶醫科大學法醫學及生物信息技術研究室，重慶400016）

角點是圖像的一個重要的局部特征，它集中了圖像上的很多重要的形狀信息。由于角點具有旋轉不變性，在沒有丟失圖像數據信息的條件下，角點是最小化了要處理的數據量，因此角點檢測具有極大的實用價值，近年來越來越引起人們的重視。數字圖像中的特征主要有邊緣特征、區域特征和點特征（其中點特征就是通常所說的角點）[1]。與邊緣特征或區域特征相比，點特征指示的數據量明顯要少很多：點特征對噪聲的敏感也比前兩種特征低；在灰度變化或遮掩等情況下，點特征也比邊緣特征和區域特征更為可靠：當邊緣線斷裂或者圖像中引入了新內容，邊緣特征和區域特征的有效性將會降低，由于特征選取的優劣將直接影響到后續的特征匹配，故制約了這兩種特征的應用范圍[2]。

在骨齡自動化評定的研究中，對指骨興趣區的提取，主要是根據定位出的關鍵點（包括指骨的頂端和谷底點）進行的。通常的方法是依據手掌的形狀，依據幾何方法進行，這要求拍攝出的骨齡X光圖像位置比較標準。而事實上，在拍攝骨齡X光圖像時，位置常常與實際情況不相符合。這對采用一般方法來定位指骨關鍵點顯然不適應，本文把角點檢測方法技術應用到骨齡X光圖像指骨的關鍵點定位，實驗表明，并與傳統方法比較，用該方法來定位指骨關鍵點比較準確，且處理速度快。

1 基于角點檢測技術的指骨關鍵點定位

Rosenfeld and Johnston[3]，簡稱RJ73，提出用k向量之間的角度k余弦來定位角點，定義公式如下：

其執行過程如下:

1）從m=kN開始。

2）k是遞減的，直到cik停止增加，滿足cim＜ci，m-1＜…＜cin≮

3）k=n被選取為點i處的最佳值。

4）角點存在于i中，也就是當cin＞cip對所有的j滿足|i-j|≤n/2，p是點j處的最佳值k。

由于式（1）計算出的角度候選值過多，且定位出的角點存在偽角點，因此必須對偽角點排除掉，Rosenfeld and Weszka[4]，本文簡稱RW75，在對公式（1）計算出的角點值的基礎上，再計算均值，即用公式（2）的cik值代替公式（1）中的cik

這里在以上兩種算法的基礎上，提出一種改進的方法來定位指骨關鍵點，其算法描述如下：

1）輸入原骨齡X光圖像；

2）用文獻[5]方法對原圖像二值化，并提取出圖像輪廓；

3）用RJ73算法和RW75算法對步驟2）提出的圖像輪廓進行指骨關鍵點定位；

4）將步驟3）定位出的指骨關鍵點，映射到原始圖像中，從而定位出原圖像的關鍵點。

用改進的方法定位出的指骨關鍵點位置比較準確，且速度比較快，RJ73和RW75是針對原始骨齡X光圖像直接進行的，因此速度極慢。本文提出的算法是對二值化后的圖像進行定位，因而計算量減少，從而大大縮短處理時間。

2 實驗和結果分析

為了驗證本算法定位的準確性，本文選取骨齡X光片圖像50例（其中男孩30例，女孩20例，年齡范圍在2到18歲），部分來源于重慶醫科大學附屬兒童醫院放射科，部分來源于網上[6]。圖像大小為1629×2154×8 bit，實驗平臺為matlab7。采用文獻[7-9]所使用的CSS算法，文獻[10]用到的Chetverikov算法與本文提出的算法來定位指骨興趣區關鍵點。由于定位的準確性與圖像的位置、方向和圖像的不均勻性密切相關，因此本文測試的圖像中含有這三種類型的圖像，每副圖像代表一種類型，共3幅：圖像一位置比較正，但有部分噪音；圖像二位置比較傾斜；圖像三灰度值不一致且有噪聲。指骨ROI的主要關鍵點包括指骨頂端點和指骨谷底點共9個，分別通過本文算法用3種不同的圖像與CSS算法和Chetverikov算法作比較，這兩種算法的參數取能獲得最好結果的值。圖1～圖3是用3種不同類型的骨齡圖像通過3種算法定位的結果效果圖，表1列出了定位結果數據。通過實驗數據可知，Chetverikov算法和CSS算法用來定位手指骨ROI的錯誤率都在33%以上，CSS高達44%，采用本文提出的算法錯誤率為0%，正確率為100%。

圖1 位置比較正的圖像Fig.1 Test image with good position

圖2 傾斜圖像Fig.2 Test tilted image

圖3 有噪聲圖像Fig.3 Test image with noise

表13 種方法比較Tab.1 Comparison of the 3 localization algorithms

對本文算法的性能可以從3個方面進行來衡量：1）準確性。本文提出的算法能準確定位出指骨ROI的9個全部關鍵點、且沒有錯誤點或多余點。其他兩種算法雖能定位到指骨谷底點，但對指骨頂端點都存在定位錯誤點或多余點或位置有偏差；2）穩定性和魯棒性。本文提出的算法對圖像的噪聲、位置和方向都不敏感，因為實驗中的三幅圖像分別代表這三種情況。當這些情況發生改變后，本算法仍然能準確定位到指腕骨關鍵點上；3）速度上。用本文提出的方法來定位指骨關鍵點，平均時間在10 s左右，而其他幾種方法都在200 s左右，可見本文提出的方法在時間上有極大的優勢。

3 結束語

本文分析了常見的角點定位方法的原理與不足，通過與其它幾種角點檢測算相法比較。實驗表明，用本文提出的算法來定位指骨關鍵點，不但能精確定位指骨關鍵點，而且處理速度快，可以直接應用到骨齡自動化評定中。

[1]陳樂，呂文閣，丁少華.角點檢測技術研究進展[J].自動化技術與應用，2005，24（5）:1-4，8.

CHEN Le，LV Wen-ge，DING Shao-hua.A survey of corner detection algorithms[J].Techniques of Automation and Applications，2005，24（5）:1-4，8.

[2]段欠華，王慧琴，毛力.一種改進的Harris角點檢測算子[J].科技展望，2010（11）:47-48.

DUAN Qian-hua，WANG Hui-qin，MAO Li.Improved harris-based corner detection algorithm[J].Keji Zhanwang，2010（11）:47-48.

[3]Rosenfeld A，Johnston E.Angle detection on digital curves.[C]//IEEE Trans.Computers，22:875-878，1973.

[4]A.Rosenfeld and J.S.Weszka.An improved method of angle detection on digital curves[C]//IEEE Trans.Computers，24:940-941，1975.

[5]冉隆科.一種魯棒的骨齡X射線平片自動輪廓提取方法[J].中國組織工程研究與臨床康復，2010，14（52）:9735-9738.

RAN Long-ke.An robust automatic contour extraction method for skeletal bone age X-ray images[J].Journal of Clinical Rehabilitative Tissue Engineering Research，2010，14（52）:9735-9738.

[6]Anon.Digital hand atlas database system[EB/OL].[2011-06-20].http://www.ipilab.org/BAAweb/

[7]Mokhtarian F，Suomela R.Robust image corner detection through curvature scale space[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（12）:1376-1381.

[8]He X.C.，Yung N.C.，Curvature scale space corner detector with adaptive threshold and dynamic region of support"[C]//Proceedings of the 17th International Conference on Pattern Recognition，2:791-794，2004.

[9]He X C，Yung N H C，“Corner detector based on global and local curvature properties”[J].Optical Engineering，2008，47（5）：57-65.

[10]Anon.Detection of high curvature points in planar curves[EB/OL][2011-06-20].http://visual.ipan.sztaki.hu/corner/cornerweb.html