基于掩膜與仿中值濾波的邊緣檢測處理

張建國, 王仁慶, 左俊彥, 候慧敏, 鐘 濤, 胡鳳玲, 馬千里

(1.上海應用技術大學 機械工程學院,上海 201418; 2.復旦大學附屬上海市第五人民醫院 口腔科,上海 200240)

基于掩膜與仿中值濾波的邊緣檢測處理

張建國1, 王仁慶1, 左俊彥1, 候慧敏1, 鐘 濤1, 胡鳳玲2, 馬千里1

(1.上海應用技術大學 機械工程學院,上海 201418; 2.復旦大學附屬上海市第五人民醫院 口腔科,上海 200240)

針對醫學圖像特殊而又復雜的模糊邊緣以及難以區分的背景噪聲,提出一種基于掩膜理論區分圖像邊緣信息的區分算法.通過區域對比度、圖像像素特征和有限區域中像素均值等相關信息,利用先驗知識和仿中值濾波的方法得到較為清晰的邊緣信息.用Matlab軟件對提出的方法進行模擬,詳細分析了掩膜對比的理論模型以及仿中值濾波對于區分效果的影響,驗證了該方法的可行性和正確性.實驗證明,基于掩膜與仿中值濾波的區分算法和傳統的邊緣檢測方法相比,在辨別相關邊緣信息方面具有較好的效果,并在醫學圖像處理中具有一定的實用價值.

掩膜; 仿中值濾波; 邊緣信息; 對比度

醫學圖像區分算法是人類解決醫學問題的第一步,從20世紀60年代以來,醫學圖像處理越來越受到業內專家的關注.文獻[1]的canny邊緣檢測算法通過運算圖像中梯度等相關信息,對原圖像進行卷積處理,在一定程度上解決了圖像無法檢測的問題,但仍然無法取得令人滿意的結果.

文獻[2-4]主要介紹了otus分割算法、直方圖分割算法、模糊熵分割算法.這些算法通過對不同的模型,進行二值化[5]處理,得到目標與背景兩個不同的區域,以此達到區分的目的.但是對于復雜圖形來說,其邊緣信息往往不是清晰可見的.雖然在此基礎上,有學者進一步提出了二維、三維[6-8]的改進算法,但在邊緣信息不明確的醫學圖像中仍然很難獲得準確的邊緣信息.

文獻[9]提出了一種掩膜理論在圖像處理中的運用.這種方法雖然在圖像處理中運用了掩膜,但其僅運用了單一移動的掩膜矩陣,由于受制于噪聲的不可控性和掩膜大小的不同,檢測效果有限.

在實際的醫學圖像處理中,由于醫學圖像獨有的特殊性和復雜性,導致了圖像中邊緣信息微小的變化,對于醫療診斷結果的影響往往很大,而這是由于醫學治療時的準確性需求所決定的.

因此,本研究提出了一種基于圖像原始數據特征,結合掩膜的相關理論區分算法.該算法通過領域內行、列間中值與均值的對比,并與該點像素值、總體中值與均值相比較,結合區域對比度[10]的相關先驗知識,判斷該像素是否為邊緣信息,最后通過模仿中值濾波的方法,對圖像進行去噪處理,以此達到獲取基本邊緣信息的結果.

1 邊緣檢測理論

1.1 邊緣檢測的基本過程

在圖像處理領域中,傳統的canny邊緣檢測往往依賴于參數σ的選取,σ的不同對于最后邊緣檢測的影響極大.在醫學圖像處理中,圖像的信息一般比較復雜,運用canny檢測時,可能存在以下幾點缺陷:a.邊緣信息交錯相連,由于canny邊緣檢測是以圖像梯度變化來判斷邊緣信息,當圖像較為復雜,邊緣檢測結果對于噪聲的影響極大;b.邊緣信息缺失,由于醫學圖像的實際使用方案和取像環境較為復雜,圖像信息很難不受噪聲的影響,從而導致梯度信息的改變.

為了解決這些問題,本研究提出了一種基于掩膜理論的邊緣檢測方法.該方法在檢測邊緣信息的過程中,使得邊緣信息不僅僅局限于梯度[11]這一項技術指標,而是更多地依賴于局部領域中的邊緣信息.其具體流程如圖1所示.

圖1 邊緣處理流程Fig.1 Edge processing flow

由圖1可見,處理流程中整個掩膜的過程為不同掩膜矩陣多次迭代的結果,其主要特點為:a.多次迭代,減少了單一區域內極大噪聲的影響;b.多掩膜分別迭代,保證了局部與總體信息的統一;c.多重圖像信息反復計算,消除了孤立點存在的可能性.實際掩膜過程后的圖像信息與傳統canny邊緣檢測相比,存在如下優勢:不同掩膜尺寸的反復搜索和確認,避免了人為選取的參數與圖像不匹配的問題;反復迭代圖像,運算方便簡潔、有效.

2 掩膜理論改進方法及其應用

2.1 掩膜方法及其改進

文獻[12]提出了一種廣義積分的掩膜理論及其應用,并取得了一定的成果.但在醫學影像領域,依然存在掩膜窗口的固定,從而降低了醫學圖像中的適應性,以及醫學圖像的模糊性,導致了邊緣化的不確定性.

為了解決這些問題,本研究算法將不同的掩膜矩陣分別運算,綜合各個模板中的有效信息,以此描繪出圖像的邊緣輪廓.在像素自然分布的坐標軸內,記錄坐標軸內每個像素點在掩膜領域內的各項指標,分別多次確立區間內掩膜矩陣的大小,以此進行圖像的邊緣檢測,其具體流程如圖2所示.

具體實施過程中,將原始圖像按照一定的規律,有效多次地分割成若干個大小確定的區域,判斷均值、中值等圖像信息,以此為依據確定掩膜矩陣的大小,進行掩膜處理.在具體處理過程中具有如下典型性質:

a. 掩膜矩陣Ai,j的大小可以根據灰度矩陣Ii,j的實際情況來改變,在一定程度上滿足了醫學圖像的準確性要求;

b. 通過對不同分塊區間的中、均值的計算,可以在較小的區域內,判斷出可能存在的邊緣信息,為判斷邊緣提供了依據;

c. 僅僅在掩膜區域中計算,減少了由于邊緣信息像素值不一帶來的遠處圖像信息對模糊邊緣的干擾影響.

2.2 分塊區域與掩膜大小的確定

醫學圖像處理中,應用于不同領域的醫學圖像,其感興趣區域[13]一般具有兩個特點:a.圖像的大小形狀各不相同,由于應用于不同的醫學科室,感興趣區域的大小和性態一般受制于醫學探測的目的,往往很難統一;b.目標區域的灰度差距很大,人體不同組織的衰變程度不盡相同,導致了目標區域不同而產生的灰度要求不同.

為了解決某一特定目標的要求,將圖像信息多次有序地分割成幾個區間,對m×n的L級的灰度圖,分別計算其相應參數,以此確定掩膜的大小.在實際操作中,為了獲得較為理想的結果,本研究采用基于原圖像的對比度、均方差[14]、峰值信噪比[15]等參數.當對比度σ<σs,均方差(MSE)λ<λs,峰值信噪比γ<γs時,可以定義6×6的掩膜板塊,獲得較為快捷的結果.

圖3為本文所用掩膜模板及選擇過程.與傳統掩膜理論相比,本研究算法更具有靈活性和準確性.掩膜矩陣的大小根據圖像基本信息所決定,應用于不同圖像的掩膜大小不同,靈活性強;反復計算掩膜組中的不同掩膜模型,從而降低了誤判剔除邊緣信息的可能性.

圖3 掩膜大小的確定Fig.3 Determination of the mask size

圖3中最后根據圖像參數的不同,分別選用2種不同的掩膜模板,本研究定義精確性掩膜矩陣為6×6的窗口,快速型掩膜矩陣為15×15的窗口,其中小矩陣主要用于邊緣信息明確或原圖像較小的圖像.

為了多次確定邊緣信息,本研究將基本掩膜矩陣劃分成如圖4所示的掩膜內部結構.在這種結構中,將掩膜矩陣劃分成A,B,C 3個相互重疊的部分,分別在迭代過程中計算不同區域內的邊緣信息,迭代完成后將全部可能的邊緣信息綜合在邊緣矩陣中,以此重復完成邊緣檢測.

圖4 掩膜組內部結構Fig.4 Internal structure of the mask group

與單一掩膜非迭代掩膜過程相比,實際運算按盡可能保存醫學圖像相關邊緣信息的要求考慮.同一掩膜矩陣中分層掩膜組的存在,很大程度上改善了由固定掩膜矩陣所造成的系統性誤判,提高了算法的準確性;對于小范圍的掩膜矩陣重疊,減少了不同掩膜矩陣迭代的計算量,加快了運算速度.

2.3 圖像在掩膜矩陣中的存在形式

在經過處理的二維圖像矩陣中,為了進一步分析圖像基本信息,以3×3窗口為例,將圖像信息看作一種二維數據.基本的圖像特征信息不可避免地出現在掩膜矩陣中,這一方法就是在一種有序的移動區域中進行搜索圖像基本信息的過程.

文獻[16]提出了關于端點類型在圖像處理領域的應用,并將圖像的結果與端點類型的判斷相結合.本研究由相關中值和均值矩陣可知,3×3窗口中的各項基本參數對于邊緣信息的判斷極其重要.文獻[17]提出了一種運用中值和均值對圖像進行邊緣檢測的基本方法.因此本研究通過對比這些參數,實現了邊緣信息的區分,其理論模型如圖5所示.

圖5 邊緣理論模型Fig.5 Theoretical edge model

圖5為3種一般情況下邊緣信息的示意圖,其中包含了大部分邊緣信息的可能性,代表著幾種較為常見的邊緣情況.具體是:a.在掩膜矩陣中,以像素點為中心點,左右差距很大的情況;b.當上下均值與中值相差極大時的情況;c.為在各個方向上差距都不大的情況,此時掩膜矩陣中沒有邊緣信息.

2.4 區分邊緣信息的判斷依據

在實際圖像處理中,經過邊緣處理的圖像,往往存在雜線和缺線等邊緣錯誤.為了解決在實際判斷過程中的問題,本研究通過設立容許值δ<δs,來判斷掩膜矩陣中行、列均值與中值、總體均值的比例,并以此為依據判斷該像素點是否為邊緣信息.參數δs可以由先驗知識人為選定,通過改變δs來適應各種圖像,在較小的判斷區間減少了噪聲影響的可能性,使得邊緣信息更為清晰;中值、均值等的比較,可以從基本信息中有效區分出邊緣,有效降低了算法對于信息的影響.

因此,在實際判斷邊緣信息時,計算中值、均值,并兩兩進行比值計算,當比值中有2/3的值小于δs時,本研究認為該行或該列應當被判定為邊緣信息,其詳細公式如下所示.

(1)

(2)

(3)

式中:ωi,j,ξi,j代表行中值與均值之間的比值,ω′i,j,ξ′i,j代表列中值與均值之間的比值;αi,j,βi,j為行中值,αi+1,j,βi+1,j為列中值;αi,j+1,βi,j+1,αi+1,j+1,β′i+1,j+1為均值;Ti,j為像素點的邊緣信息;ε1,ε2,ε′1,ε′2為影響因子,根據不同的情況自行取值,本研究考慮到行列同等重要,故取ε1=ε2=ε′1=ε′2=1,而在實際計算過程中,為了保證算法的可靠性,應當在算法過程中保證其值在0～1之間.考慮到包容性的問題,選定算法過程中的容許值δs=0.36.

2.5 仿中值濾波去噪方法

在實際區分邊緣信息時,即使經過邊緣的判斷,仍然可能存在邊緣信息的錯誤,區分效果時常達不到醫學圖像處理的要求.其可能主要原因是邊緣信息模糊不清,理論算法無法得出邊緣信息,以及原始圖像信息中夾雜著大量的噪聲信息,影響算法的邊緣區分.

而經過區分算法計算后的圖像,一般來說已經是非黑即白的二值化圖像,噪聲的影響很難通過常用的濾波方法去除,且濾波后的效果也很難達到要求.考慮到圖像的二值化處理,在n領域區域內,一定會存在如圖6(以最常見的九領域內判定邊緣信息為例)所示的情況,其分別有如下可能:a.單獨存在的噪聲點,在邊緣判斷過程中產生的孤立點;b.疑似邊緣信息,由邊緣檢測算法所產生的可能存在的邊緣信息;c.邊緣信息,圖像處理中希望得到的理想狀態.

圖6 九領域內快速邊緣判定Fig.6 Rapid edge determination in nine areas

因此,為了解決噪聲對于最終邊緣信息區分的影響,本研究提出了一種將中值濾波、掩膜理論和圖像特征[18]相結合的仿中值濾波的濾波算法,通過計算在5×5矩陣中邊緣信息的存在情況,以此判斷邊緣信息的可能性,其具體算法如下:

(4)

式中:H(G)代表輸出矩陣在該位置上的輸出結果;υ代表邊緣信息的值,υs為判定該點為邊緣信息的極限值,文中設定υs=15.通過與傳統濾波相比較,本研究判斷方法與區分算法無關,僅僅依靠像素矩陣來區分目標.該算法簡單有效、快速便捷,并可以根據圖像信息的不同,改變判斷區域,達到快速簡易去噪的結果.

3 實驗方案及數據分析

3.1 實驗方案

本實驗所用X光片的原始圖像由志愿者與復旦大學附屬中山醫院提供,圖像獲取設備是SIEMENS02001系列SIREMOBILCompact型C形臂,配備7寸影像增強器.采用普通掃描儀將X光底片轉換成圖片格式.采用Photoshop進行簡單的圖像壓縮處理,獲得如圖7(a)所示像素為615×600的圖片.

在實際計算過程中,為了能夠降低噪聲對于區分算法的影響,其具體步驟如下:

a. 等分圖像信息,建立圖像原始矩陣,確定判斷區域;

b. 分別計算圖像中值、均值,代入掩膜矩陣,使用多維度參數矩陣,確定相對參數,判斷基本掩膜矩陣的大小;

c. 使用選定的迭代型掩膜組,進行掩膜處理,綜合掩膜所得信息,得到圖像基本邊緣信息;

d. 依據邊緣理論模型和圖像基本信息的相互關系,計算各參數,根據式(3)判斷邊緣信息,獲得大致邊緣信息;

e. 通過仿中值濾波及邊緣快速判定模型的方法,將所得的邊緣圖像信息進行濾波處理,獲得效果較好的邊緣信息.

3.2 實驗結果和數據分析

本實驗由算法在Win7平臺下由Matlab2013a編程實現.處理器為Intel(R)Core(TM)24 GHZ CPU,內存為8 G.具體實驗效果如圖7所示.

如圖7所示,圖7(a)為目標區域的原始圖像,圖7(b)～(j)分別為不同參數σ下的canny邊緣檢測結果,圖7(k)為本文算法的結果圖像.由圖7可以明顯看出,圖7(b)雖然在一定程度上可以區分出背景和目標區域,但是其骨組織邊緣信息受到噪聲的影響極大,大片非邊緣信息連續呈現.而從圖7(c)～(j)可以明顯發現,雖然隨著參數σ的變化,canny邊緣檢測的效果有著明顯的變化,但在右上方的復雜區域內,出現了不可逆轉的干擾和缺失.

圖7 股骨X線圖像處理結果Fig.7 Processing results of a femur X-ray image

圖7(k)為本研究算法結果圖,從整體上看,邊緣信息存在小部分缺失和少數噪聲點,絕大多數噪聲點在邊緣信息的附近且具有一定輪廓規律,不影響醫學特征的要求;在圖像的右上方,輪廓邊緣點清晰可見,抗噪性能在該區域得到提升,并有利于后續醫學圖像連接處理.

4 結束語

本研究提出了一種基于掩膜的區分算法.該算法通過掩膜理論和圖像基本信息的結合,邊緣類型和噪聲基本形式相統一,實現了適應性較強的邊緣區分優勢.其優勢主要表現為:a.基于掩膜理論減少了掩膜外噪聲的影響;b.僅與圖像基本特征相關,降低了算法理論誤差;c.多參數的結合,提高了抗噪聲的能力.

和傳統邊緣檢測方法相比,本研究雖然在一定程度上滿足了醫學圖像上對于邊緣信息的要求,但是在敏感邊緣上僅僅能提供大致邊緣信息點.因此本文算法為進一步研究醫學圖像處理提供有力的支持,而去噪和整合邊緣信息方面的研究,將是今后的重點研究方向.

[1] 金剛.自適應Canny算法研究及其在圖像邊緣檢測中的應用[D].杭州:浙江大學,2009.

[2] 胡敏,宋銀龍.基于二維Otsu和模糊聚類的圖像分割算法[J].計算機應用研究,2012,29(4):1563-1565.

[3] WANG S L,XU Y R,PANG Y J.A fast underwater optical image segmentation algorithm based on a histogram weighted fuzzy C-means improved by PSO[J].Journal of Marine Science and Application,2011,10(1):70-75.

[4] ZHANG X H,LIU L N.2-D minimum fuzzy entropy method of image thresholding based on genetic algorithm[J].Journal of Systems Engineering and Electronics,2005,16(3):557-560.

[5] 吳丹,蔡曉東,謝月飛,等.基于直方圖分析和Otsu算法的文字圖像二值化[J].計算機與現代化,2013(7):117-119,234.

[6] CHEN D L,YANG Y R,FAN C G.Nonlinear flutter of a two-dimension thin plate subjected to aerodynamic heating by differential quadrature method[J].Acta Mechanica Sinica,2008,24(1):45-50.

[7] 吳濤,秦昆,區磊海,等.圖像二維閾值分割的數據場方法[J].華南理工大學學報(自然科學版),2010,38(11):128-134.

[8] 申鉉京,龍建武,陳海鵬,等.三維直方圖重建和降維的Otsu閾值分割算法[J].電子學報,2011,39(5):1108-1114.

[9] 李攀,黃黎青,宋允東.基于掩膜預處理的稀疏表示和壓縮感知圖像重建[J].電子測量技術,2015,38(8):79-81.

[10] 張亞濤,吉書鵬,王強鋒,等.基于區域對比度的圖像清晰度評價算法[J].應用光學,2012,33(2):293-299.

[11] 齊興斌,趙麗,李雪梅,等.基于直方圖梯度計算的T2加權腦部MR圖像自動分割[J].計算機應用研究,2015,32(5):1576-1579.

[12] 邵平,楊路明.基于廣義掩膜積分圖像的快速模板匹配[J].計算機科學,2008,35(6):223-226.

[13] ZOU Y L,WANG G Y,ZHANG L.Fast small offshore target detection based on object region characteristic[J].Acta Automatica Sinica,2005,31(3):427-433.

[14] XU L.Least mean square error reconstruction principle for self-organizing neural-nets[J].Neural Networks,1993,6(5):627-648.

[15] 黃小喬,石俊生,楊健,等.基于色差的均方誤差與峰值信噪比評價彩色圖像質量研究[J].光子學報,2007,36(S):295-298.

[16] 左俊彥,張建國,鐘濤.基于Canny檢測的股骨邊緣輪廓連接算法[J].山東大學學報(工學版),2015,45(3):65-72.

[17] 張恒,雷志輝,丁曉華.一種改進的中值濾波算法[J].中國圖象圖形學報,2004,9(4):408-411.

[18] 門蓬濤,張秀彬,張峰,等.圖像特征識別方法研究[J].微計算機信息,2014,20(5):103-105.

(編輯:丁紅藝)

Partitioning Algorithm Based on Mask and Imitated Median Filtering and Its Application

ZHANG Jianguo1, WANG Renqing1, ZUO Junyan1, HOU Huimin1, ZHONG Tao1, HU Fengling2, MA Qianli1

(1.SchoolofMechanicalEngineering,ShanghaiInstituteofTechnology,Shanghai201418,China;2.DepartmentofStomatology,TheFifthPeople’sHospitalofShanghai,FudanUniversity,Shanghai200240,China)

Considering the special and complicated fuzzy edges and the difficulty to distinguish the background noise in medical images,a partitioning algorithm based on the mask theory was proposed to distinguish the marginal information.The edge information was given by the area contrast,the characteristic of image pixel and the mean value of pixel on the enclosed area.In addition,more clear edge information was further gained by using the prior knowledge and imitation median filtering.The proposed method was implemented by meas of the software MATLAB.The influences of the theoretical model of the mask contrast and the imitated median filtering on the distinguishing effect were minutely analyzed and the method was verified to be feasible and accurate.The experiments show that the partitioning algorithm based on the masking theory and imitated median filtering can achieve better results on distinguishing marginal information compared with the traditional edge detection method,and has certain practical value in medical image processings.

mask;imitatedmedianfiltering;marginalinformation;contrast

1007-6735(2017)03-0295-06

10.13255/j.cnki.jusst.2017.03.015

2016-08-15

國家自然科學基金資助項目(51275310);上海市閔行區衛生和計劃生育委員會科研項目(2015MW05);上海應用技術大學協同創新基金重點資助項目(XTCX2015-6)

張建國(1979-),男,副教授.研究方向:圖像處理、分析與機器視覺.E-mail:jgzhang98328@163.com

TP 391

A