基于改進(jìn)Canny算子的醫(yī)學(xué)圖像邊緣檢測(cè)算法

錢紅瑩

摘 要：邊緣檢測(cè)作為圖像分割的一部分，能夠用于醫(yī)學(xué)圖像診斷。在醫(yī)學(xué)圖像獲取過程中不可避免地會(huì)出現(xiàn)一些高頻噪聲，從而對(duì)屬于高頻分量的邊緣產(chǎn)生干擾。傳統(tǒng)Canny算子在高斯濾波去噪時(shí)會(huì)濾除一些邊緣信息，且需要人為設(shè)定高斯濾波方差及高低閾值，缺乏自適應(yīng)性。通過采用自適應(yīng)中值濾波去噪，以及采用Sobel算子計(jì)算梯度幅值方向，并利用非極大值抑制對(duì)圖像進(jìn)行細(xì)化，最后利用Otsu計(jì)算圖像高低閾值，從而對(duì)Canny算子進(jìn)行改進(jìn)，并在醫(yī)學(xué)圖像上進(jìn)行實(shí)驗(yàn)。結(jié)果證明，該方法能更準(zhǔn)確地檢測(cè)邊緣信息，且具備較強(qiáng)的自適應(yīng)性。

關(guān)鍵詞：Canny算法;自適應(yīng)中值濾波;邊緣檢測(cè);Otsu;醫(yī)學(xué)圖像

DOI：10. 11907/rjdk. 181912

中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）002-0045-04

Abstract： As a part of image segmentation， edge detection can be applied to medical image diagnosis. Inevitably， there will be some high-frequency noises in the acquisition of medical images. Thus it will interferes the edge which belongs to the high frequency component.The traditional Canny operator will filter some edge information when use Gauss filter， and need to determine the variance of Gauss filtering and the high and low threshold by artificial setting， there is no self-adaptive. By using the adaptive median filter for denoising， sobel operator to calculate gradient amplitude direction， non maximum value suppression of thinning image， otsu calculate the high and low threshold to improve the Canny operator， and do experiments on the medical image. Experiments show that the proposed algorithm can detect edge information more accurately and has stronger adaptability.

Key Words： Canny algorithm; adaptive median filter; edge detection; Otsu; medical image

0 引言

邊緣檢測(cè)是圖像分割中一種可用于識(shí)別灰度圖像中亮度變化明顯的界限，剔除無關(guān)信息，保留圖像整體結(jié)構(gòu)屬性的方法。邊緣檢測(cè)技術(shù)應(yīng)用十分廣泛，可以從遙感圖像中檢測(cè)出湖泊邊界，以了解海洋、河流、湖泊等水量變化[1];可以對(duì)道路標(biāo)線進(jìn)行自動(dòng)識(shí)別及定位，以消除橫向定位誤差;能夠進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤，以及人臉識(shí)別與指紋識(shí)別等[2-6]。醫(yī)學(xué)數(shù)字圖像有很多不同成像方式，可通過磁共振成像、正電子發(fā)射斷層掃描、計(jì)算機(jī)斷層掃描、X射線、超聲等方式得到醫(yī)學(xué)圖像，從而進(jìn)行診斷[7]。邊緣檢測(cè)技術(shù)常應(yīng)用于醫(yī)學(xué)圖像分割，以便更直觀、清晰地進(jìn)行對(duì)圖像診斷。

Prewitt、Sobel、Roberts、Kirsch、Laplace等是一些經(jīng)典邊緣檢測(cè)算子[8-9]，這些算法簡單且容易實(shí)現(xiàn)，但對(duì)噪聲比較敏感，去噪能力較差，容易出現(xiàn)偽邊緣，檢測(cè)精度不高，實(shí)際圖像處理效果不佳[10]。Nes等[11]提出一種醫(yī)學(xué)超聲信號(hào)的多尺度邊緣檢測(cè)方法，根據(jù)連續(xù)小波變換的性質(zhì)，對(duì)小波變換極大值進(jìn)行研究，以實(shí)現(xiàn)對(duì)重要邊緣的檢測(cè)。雖然該方法能夠有效檢測(cè)出醫(yī)學(xué)圖像主要特性，但圖像邊緣對(duì)比度較低;Hiremath等[12]提出在卵巢超聲圖像中自動(dòng)檢測(cè)卵泡的算法，其過程包括圖像預(yù)處理、圖像分割、特征提取與分類，但在預(yù)處理過程中采用高斯低通濾波無法很好地保護(hù)邊緣信息;賀萌等[13]提出的多尺度結(jié)構(gòu)元自適應(yīng)邊緣檢測(cè)方法可以計(jì)算出各結(jié)構(gòu)元權(quán)值，并檢測(cè)出有噪聲干擾圖像中的弱邊緣，但對(duì)比度較差。因此，本文提出一種基于改進(jìn)Canny算子的醫(yī)學(xué)圖像邊緣檢測(cè)算法，該算法能夠自適應(yīng)性地檢測(cè)出對(duì)比度較高的邊緣，同時(shí)保護(hù)邊緣信息。

1 傳統(tǒng)Canny邊緣檢測(cè)算法

Canny算法是最成功的邊緣檢測(cè)器之一，主要通過高斯濾波、梯度計(jì)算、非極大值抑制以及高低閾值設(shè)定4個(gè)步驟完成邊緣檢測(cè)[14-15]。該算法性能很大程度上取決于高斯濾波器的σ參數(shù)與高低閾值設(shè)置。雖然傳統(tǒng)Canny算子具有較好的邊緣檢測(cè)效果，但也存在一些缺陷，主要包括：

（1）數(shù)字圖像在處理前需要進(jìn)行高斯濾波，在此過程中，方差[σ]的取值要求人為設(shè)定，但人為設(shè)定[σ]時(shí)，在濾除噪聲與保護(hù)邊緣信息方面存在一定局限性，兩者效果不能兼顧[16]。

（2）Canny邊緣檢測(cè)算子不適用于對(duì)部分散斑噪聲的濾除。因?yàn)楦咚篂V波無法很好地去除該噪聲，所以許多檢測(cè)到的邊緣實(shí)際上是噪聲。

（3）使用2*2領(lǐng)域一階偏導(dǎo)有限差分計(jì)算梯度時(shí)，噪聲對(duì)圖像影響較大，容易出現(xiàn)一些假邊緣，反而導(dǎo)致真實(shí)邊緣信息丟失[17]。

（4）傳統(tǒng)Canny算法在閾值化處理時(shí)的高低閾值要求人為設(shè)置，當(dāng)檢測(cè)圖像發(fā)生變化時(shí)需設(shè)置合適的閾值，因此自適應(yīng)能力較差，進(jìn)行實(shí)際的圖像處理時(shí)過程比較繁瑣，并且在有些情況下無法得到較好結(jié)果[18]。

綜上所述，傳統(tǒng)Canny算子人為設(shè)置的σ及高低閾值大小會(huì)對(duì)圖像邊緣檢測(cè)結(jié)果造成很大影響，檢測(cè)結(jié)果可能會(huì)刪除真實(shí)邊緣信息而出現(xiàn)一些偽邊緣。

2 改進(jìn)Canny邊緣檢測(cè)算法

本文針對(duì)上述缺陷提出一種改進(jìn)的Canny邊緣檢測(cè)算法，在去噪時(shí)盡可能保留邊緣信息并增強(qiáng)自適應(yīng)性。該算法檢測(cè)流程如圖1所示。

2.1 自適應(yīng)中值濾波

利用自適應(yīng)中值濾波對(duì)圖像進(jìn)行平滑處理，在改變模版窗口大小的同時(shí)，采用不同方法對(duì)噪聲點(diǎn)與信號(hào)點(diǎn)進(jìn)行處理，從而達(dá)到去噪效果[19]。該方法在去除椒鹽噪聲的同時(shí)，能夠很好地對(duì)其它非脈沖噪聲進(jìn)行平滑，并且能夠盡量保護(hù)真實(shí)邊緣信息，避免出現(xiàn)細(xì)化或粗化邊緣的現(xiàn)象。

中值濾波的自適應(yīng)是通過在去噪時(shí)改變模版窗口大小使濾波器輸出一個(gè)值，并用輸出值代替模板中心點(diǎn)（x，y）處的值實(shí)現(xiàn)的，具體實(shí)施步驟如下：

（1）初始化模版窗口Sxy大小為3，利用工具使當(dāng)前模版窗口中的灰度值按大小順序排列，并得出Zmin、Zmax、Zmed所對(duì)應(yīng)的灰度值大小。

（2）如果滿足Zmed>Zmin，ZmedZmin，Zxy< Zmax是否成立，若成立則輸出Zxy，若不成立則輸出Zmed。

（3）如不滿足Zmed>Zmin，Zmed

其中，Zxy是信號(hào)點(diǎn)（x，y）灰度值，Sxy是當(dāng)前模版窗口，Smax是模版窗口最大值，Zmin、Zmax和Zmed分別為模版窗口中灰度的最大值、最小值和中值。

2.2 Sobel算子梯度計(jì)算

本文利用Sobel算子的一階梯度模板求圖像梯度幅值，其水平與豎直方向模版如圖2所示。

利用模版對(duì)濾波后的圖像進(jìn)行處理，得出在水平方向與豎直方向上的梯度Gradx、Grady，從而得出圖像基于Sobel算子的梯度Grad。其計(jì)算方法如式（1）-（3）所示。

其中，Dx、Dy分別為x、y方向上的模版，I為濾波后圖像。

2.3 Otsu求取高低閾值

Otsu算法又稱為最大類間方差法，其主要分割方法是利用圖像灰度信息將圖像分為目標(biāo)與背景，并計(jì)算其方差[20-21]。以設(shè)定閾值t將一幅圖像分割為目標(biāo)與背景，目標(biāo)點(diǎn)所占比例及均值、背景點(diǎn)所占比例及均值分別為w0、u0、w1、u1，則整幅圖像均值u=w0*u0+w1*u1，其方差可由式（4）表示。

其中[σ（t）2]為目標(biāo)與背景間方差，目標(biāo)與背景提取越準(zhǔn)確，方差越大。因此，若圖像中出現(xiàn)一定程度的錯(cuò)誤分割，則會(huì)導(dǎo)致相應(yīng)的類間方差減小。當(dāng)t取一定值時(shí)得到最大的[σ（t）2]值，則t為該圖像最佳閾值，當(dāng)t取值不唯一時(shí)，則取平均值為最佳閾值。Otsu獲得的最佳閾值為高閾值[Th]，并設(shè)置低閾值為[Th2]。

3 實(shí)驗(yàn)過程及結(jié)果分析

在Matlab平臺(tái)上分別對(duì)不同類型醫(yī)學(xué)圖像進(jìn)行檢測(cè)，并與Matlab系統(tǒng)自帶的Canny算子及傳統(tǒng)Canny算法處理后結(jié)果進(jìn)行比較。

3.1 實(shí)驗(yàn)具體實(shí)施過程

以脊椎醫(yī)學(xué)圖像為例，利用高斯濾波、常規(guī)中值濾波及自適應(yīng)中值濾波對(duì)添加椒鹽噪聲的圖像進(jìn)行處理，處理結(jié)果如圖3所示。

對(duì)高斯濾波及中值濾波窗口進(jìn)行人為設(shè)定，從結(jié)果可以看出，自適應(yīng)中值濾波相較于高斯濾波雖然濾波效果相差不大，但不需要人為設(shè)置[σ]，從而使去噪更具適應(yīng)性。經(jīng)過常規(guī)中值濾波后的圖像，一些邊緣細(xì)節(jié)被模糊，使邊緣信號(hào)發(fā)生了較大變化。綜上所述，本文提出的利用自適應(yīng)中值濾波進(jìn)行平滑圖像處理效果最佳。

對(duì)濾波后的圖像進(jìn)行基于Sobel算子的梯度計(jì)算，結(jié)果如圖4所示。

從實(shí)驗(yàn)中可以看出，梯度圖像在經(jīng)非極大值抑制處理后，其邊緣得到細(xì)化。

對(duì)經(jīng)非極大值抑制處理后的圖像利用Otsu算法自適應(yīng)地計(jì)算高、低閾值，并連接邊緣，得到的邊緣檢測(cè)結(jié)果如圖6所示。

3.2 本文算法與傳統(tǒng)算法在不同醫(yī)學(xué)圖像中處理結(jié)果對(duì)比

本文分別通過直接調(diào)用Matlab中的Canny邊緣檢測(cè)算子、傳統(tǒng)Canny算子與改進(jìn)Canny算子對(duì)脊椎、腦部、肺部、手部等醫(yī)學(xué)圖像進(jìn)行檢測(cè)，并分析實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果如圖7所示。

實(shí)驗(yàn)結(jié)果表明，雖然通過Matlab系統(tǒng)自帶的Canny算子能夠檢測(cè)出大體輪廓，但圖像中存在很多虛假邊緣，細(xì)節(jié)處的輪廓由于被虛假邊緣掩蓋而無法識(shí)別。圖7（a）脊椎圖像中相對(duì)灰度較大的圓形區(qū)域已被虛假信息覆蓋，無法觀測(cè)其邊緣信息;圖7（d）中手部圖像只能看出手掌輪廓，而未檢測(cè)出其手指關(guān)節(jié)處細(xì)節(jié)。

傳統(tǒng)Canny算子相比于Matlab自帶的Canny算子，檢測(cè)結(jié)果有了很大提高，但邊緣清晰度仍不夠高。從實(shí)驗(yàn)結(jié)果可以看出，圖像中的一些細(xì)節(jié)邊緣未能檢測(cè)出來。圖7（b）內(nèi)部存在一個(gè)灰度較小，類似氣泡的區(qū)域，改進(jìn)Canny算子能成功檢測(cè)出該區(qū)域，而傳統(tǒng)Canny算子無法檢測(cè)出該邊緣信息;圖7（c）中改進(jìn)Canny算子檢測(cè)出的邊緣在連續(xù)性上優(yōu)于傳統(tǒng)Canny算子，傳統(tǒng)Canny算子中有許多邊緣不連續(xù);圖7（d）中能明顯觀察到改進(jìn)Canny算子檢測(cè)出的手指內(nèi)部關(guān)節(jié)處信息更加清晰。

綜上所述，本文提出的改進(jìn)Canny邊緣檢測(cè)算子相比于Matlab自帶算子能濾除更多虛假邊緣，使邊緣細(xì)節(jié)更加明顯，相比于傳統(tǒng)Canny算子能檢測(cè)出更清晰的邊緣以及更多邊緣細(xì)節(jié)，并且實(shí)現(xiàn)了濾波及高低閾值設(shè)置的自適應(yīng)性，因此在邊緣檢測(cè)中的適用范圍更廣，不需要因圖像改變而重新設(shè)置參數(shù)，即能達(dá)到理想檢測(cè)效果。

4 結(jié)語

本文對(duì)傳統(tǒng)Canny邊緣檢測(cè)算子進(jìn)行改進(jìn)并應(yīng)用于醫(yī)學(xué)圖像分割，提出通過自適應(yīng)中值濾波代替高斯濾波，利用Sobel算法進(jìn)行梯度計(jì)算，并進(jìn)行非極大值抑制處理，最后通過Otsu計(jì)算高低閾值進(jìn)行最終的邊緣檢測(cè)。在不同類型醫(yī)學(xué)圖像上對(duì)該改進(jìn)算法進(jìn)行實(shí)驗(yàn)，結(jié)果表明，改進(jìn)的Canny邊緣檢測(cè)算子能夠自適應(yīng)地進(jìn)行去噪與高低閾值計(jì)算，并能夠消除許多虛假邊緣，保留真實(shí)邊緣信息，從而能較好地識(shí)別圖像邊緣。由于改進(jìn)算法的計(jì)算復(fù)雜程度增加，因此運(yùn)行過程中需要花費(fèi)更多計(jì)算時(shí)間。為了減少運(yùn)行時(shí)間，未來將對(duì)程序作進(jìn)一步優(yōu)化。

參考文獻(xiàn)：

[1]SETIAWAN B D， RUSYDI A N， PRADITYO K. Lake edge detection using canny algorithm and Otsu thresholding[J]. 2017 International Symposium on Geoinformatics （ISyG）， 2017：72-76.

[2] 段軍，張博. 改進(jìn)的Canny算子邊緣檢測(cè)算法研究[J]. 軟件導(dǎo)刊，2018，17（10）： 68-71.

[3] 徐亮，魏銳. 基于Canny算子的圖像邊緣檢測(cè)優(yōu)化算法[J]. 科技通報(bào)，2013（7）：127-131.

[4] 宋召青，鄭蘇，李志成. 基于邊緣檢測(cè)與最小二乘支持向量機(jī)的人臉圖像識(shí)別[J]. 海軍航空工程學(xué)院學(xué)報(bào)，2010，25（5）：518-522.

[5] 龍順宇，朱星. 基于ARM構(gòu)建Sobel邊緣檢測(cè)算子的指紋識(shí)別系統(tǒng)實(shí)現(xiàn)[J]. 物聯(lián)網(wǎng)技術(shù)，2013（12）：25-27.

[6] 賀超宇，鄭紫微. 基于改進(jìn)的Vibe和Canny邊緣檢測(cè)算法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 數(shù)據(jù)通信，2018（2）：32-36.

[7] NIKOLIC M，TUBA E，TUBA M. Edge detection in medical ultrasound images using adjusted Canny edge detection algorithm[C]. Telecommunications Forum. IEEE， 2017：1-4.

[8] 常娜. 圖像處理中的邊緣檢測(cè)算法研究綜述[J]. 中國科技信息，2011（4）：130-131.

[9] 陳一虎. 圖像邊緣檢測(cè)方法綜述[J]. 寶雞文理學(xué)院學(xué)報(bào)：自科版，2013，33（1）：16-21.

[10] 李俊山，馬穎，趙方舟，等. 改進(jìn)的Canny圖像邊緣檢測(cè)算法[J]. 光子學(xué)報(bào)，2011， 40（s1）：50-54.

[11] NES P G，BERG. Fast multi-scale edge-detection in medical ultrasound signals[M]. Elsevier North-Holland， Inc，2012.

[12] HIREMATH P S，TEGNOOR J R. Automatic detection of follicles in ultrasound images of ovaries using edge based method[J]. International Journal of Computer Applications Special Issue on Recent Trends in Image Processing & Pattern Recognition，2011（3）：120-125.

[13] 賀萌， 易秀英， 湯林，等. 基于自適應(yīng)形態(tài)學(xué)的醫(yī)學(xué)圖像邊緣檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2014（5）：184-187.

[14] 張素文，陳志星，蘇義鑫. Canny邊緣檢測(cè)算法的改進(jìn)及FPGA實(shí)現(xiàn)[J]. 紅外技術(shù)，2010， 32（2）：93-96.

[15] 雒濤，鄭喜鳳，丁鐵夫. 改進(jìn)的自適應(yīng)閾值Canny邊緣檢測(cè)[J]. 光電工程，2009，36（11）：106-111.

[16] 王文娟，韓峰，崔桐. 一種基于模糊增強(qiáng)的Canny邊緣檢測(cè)方法[J]. 內(nèi)蒙古工業(yè)大學(xué)學(xué)報(bào)，2008，27（1）：65-69.

[17] BAO P，ZHANG L，WU X. Canny edge detection enhancement by scale multiplication[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2005， 27（9）：1485-1490.

[18] 何文浩，原魁，鄒偉. 自適應(yīng)閾值的邊緣檢測(cè)算法及其硬件實(shí)現(xiàn)[J]. 系統(tǒng)工程與電子技術(shù)，2009，31（1）：233-237.

[19] 王曉凱，李鋒. 改進(jìn)的自適應(yīng)中值濾波[J]. 計(jì)算機(jī)工程與應(yīng)用， 2010，46（3）：175-176.

[20] OHTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics，1979， 9（1）：62-66.

[21] 吳一全，潘喆. 2維最大類間平均離差閾值選取快速遞推算法[J]. 中國圖象圖形學(xué)報(bào)，2009， 14（3）：471-476.

（責(zé)任編輯：黃 健）