基于改進Canny算子的醫學圖像邊緣檢測算法
2019-06-10 01:01:19錢紅瑩
軟件導刊 2019年2期
錢紅瑩
摘 要：邊緣檢測作為圖像分割的一部分，能夠用于醫學圖像診斷。在醫學圖像獲取過程中不可避免地會出現一些高頻噪聲，從而對屬于高頻分量的邊緣產生干擾。傳統Canny算子在高斯濾波去噪時會濾除一些邊緣信息，且需要人為設定高斯濾波方差及高低閾值，缺乏自適應性。通過采用自適應中值濾波去噪，以及采用Sobel算子計算梯度幅值方向，并利用非極大值抑制對圖像進行細化，最后利用Otsu計算圖像高低閾值，從而對Canny算子進行改進，并在醫學圖像上進行實驗。結果證明，該方法能更準確地檢測邊緣信息，且具備較強的自適應性。
關鍵詞：Canny算法;自適應中值濾波;邊緣檢測;Otsu;醫學圖像
DOI：10. 11907/rjdk. 181912
中圖分類號：TP312文獻標識碼：A文章編號：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
邊緣檢測是圖像分割中一種可用于識別灰度圖像中亮度變化明顯的界限，剔除無關信息，保留圖像整體結構屬性的方法。邊緣檢測技術應用十分廣泛，可以從遙感圖像中檢測出湖泊邊界，以了解海洋、河流、湖泊等水量變化[1];可以對道路標線進行自動識別及定位，以消除橫向定位誤差;能夠進行運動目標檢測與跟蹤，以及人臉識別與指紋識別等[2-6]。醫學數字圖像有很多不同成像方式，可通過磁共振成像、正電子發射斷層掃描、計算機斷層掃描、X射線、超聲等方式得到醫學圖像，從而進行診斷[7]。邊緣檢測技術常應用于醫學圖像分割，以便更直觀、清晰地進行對圖像診斷。
Prewitt、Sobel、Roberts、Kirsch、Laplace等是一些經典邊緣檢測算子[8-9]，這些算法簡單且容易實現，但對噪聲比較敏感，去噪能力較差，容易出現偽邊緣，檢測精度不高，實際圖像處理效果不佳[10]。Nes等[11]提出一種醫學超聲信號的多尺度邊緣檢測方法，根據連續小波變換的性質，對小波變換極大值進行研究，以實現對重要邊緣的檢測。雖然該方法能夠有效檢測出醫學圖像主要特性，但圖像邊緣對比度較低;Hiremath等[12]提出在卵巢超聲圖像中自動檢測卵泡的算法，其過程包括圖像預處理、圖像分割、特征提取與分類，但在預處理過程中采用高斯低通濾波無法很好地保護邊緣信息;賀萌等[13]提出的多尺度結構元自適應邊緣檢測方法可以計算出各結構元權值，并檢測出有噪聲干擾圖像中的弱邊緣，但對比度較差。因此，本文提出一種基于改進Canny算子的醫學圖像邊緣檢測算法，該算法能夠自適應性地檢測出對比度較高的邊緣，同時保護邊緣信息。
1 傳統Canny邊緣檢測算法
Canny算法是最成功的邊緣檢測器之一，主要通過高斯濾波、梯度計算、非極大值抑制以及高低閾值設定4個步驟完成邊緣檢測[14-15]。該算法性能很大程度上取決于高斯濾波器的σ參數與高低閾值設置。雖然傳統Canny算子具有較好的邊緣檢測效果，但也存在一些缺陷，主要包括：
（1）數字圖像在處理前需要進行高斯濾波，在此過程中，方差[σ]的取值要求人為設定，但人為設定[σ]時，在濾除噪聲與保護邊緣信息方面存在一定局限性，兩者效果不能兼顧[16]。
（2）Canny邊緣檢測算子不適用于對部分散斑噪聲的濾除。因為高斯濾波無法很好地去除該噪聲，所以許多檢測到的邊緣實際上是噪聲。
（3）使用2*2領域一階偏導有限差分計算梯度時，噪聲對圖像影響較大，容易出現一些假邊緣，反而導致真實邊緣信息丟失[17]。
（4）傳統Canny算法在閾值化處理時的高低閾值要求人為設置，當檢測圖像發生變化時需設置合適的閾值，因此自適應能力較差，進行實際的圖像處理時過程比較繁瑣，并且在有些情況下無法得到較好結果[18]。
綜上所述，傳統Canny算子人為設置的σ及高低閾值大小會對圖像邊緣檢測結果造成很大影響，檢測結果可能會刪除真實邊緣信息而出現一些偽邊緣。
2 改進Canny邊緣檢測算法
本文針對上述缺陷提出一種改進的Canny邊緣檢測算法，在去噪時盡可能保留邊緣信息并增強自適應性。該算法檢測流程如圖1所示。
2.1 自適應中值濾波
利用自適應中值濾波對圖像進行平滑處理，在改變模版窗口大小的同時，采用不同方法對噪聲點與信號點進行處理，從而達到去噪效果[19]。該方法在去除椒鹽噪聲的同時，能夠很好地對其它非脈沖噪聲進行平滑，并且能夠盡量保護真實邊緣信息，避免出現細化或粗化邊緣的現象。
中值濾波的自適應是通過在去噪時改變模版窗口大小使濾波器輸出一個值，并用輸出值代替模板中心點（x，y）處的值實現的，具體實施步驟如下：
（1）初始化模版窗口Sxy大小為3，利用工具使當前模版窗口中的灰度值按大小順序排列，并得出Zmin、Zmax、Zmed所對應的灰度值大小。
（2）如果滿足Zmed>Zmin，Zmed
（3）如不滿足Zmed>Zmin，Zmed 其中，Zxy是信號點（x，y）灰度值，Sxy是當前模版窗口，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。 利用模版對濾波后的圖像進行處理，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與背景，并計算其方差[20-21]。以設定閾值t將一幅圖像分割為目標與背景，目標點所占比例及均值、背景點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]為目標與背景間方差，目標與背景提取越準確，方差越大。因此，若圖像中出現一定程度的錯誤分割，則會導致相應的類間方差減小。當t取一定值時得到最大的[σ（t）2]值，則t為該圖像最佳閾值，當t取值不唯一時，則取平均值為最佳閾值。Otsu獲得的最佳閾值為高閾值[Th]，并設置低閾值為[Th2]。 3 實驗過程及結果分析 在Matlab平臺上分別對不同類型醫學圖像進行檢測，并與Matlab系統自帶的Canny算子及傳統Canny算法處理后結果進行比較。 3.1 實驗具體實施過程 以脊椎醫學圖像為例，利用高斯濾波、常規中值濾波及自適應中值濾波對添加椒鹽噪聲的圖像進行處理，處理結果如圖3所示。 對高斯濾波及中值濾波窗口進行人為設定，從結果可以看出，自適應中值濾波相較于高斯濾波雖然濾波效果相差不大，但不需要人為設置[σ]，從而使去噪更具適應性。經過常規中值濾波后的圖像，一些邊緣細節被模糊，使邊緣信號發生了較大變化。綜上所述，本文提出的利用自適應中值濾波進行平滑圖像處理效果最佳。 對濾波后的圖像進行基于Sobel算子的梯度計算，結果如圖4所示。 從實驗中可以看出，梯度圖像在經非極大值抑制處理后，其邊緣得到細化。 對經非極大值抑制處理后的圖像利用Otsu算法自適應地計算高、低閾值，并連接邊緣，得到的邊緣檢測結果如圖6所示。 3.2 本文算法與傳統算法在不同醫學圖像中處理結果對比 本文分別通過直接調用Matlab中的Canny邊緣檢測算子、傳統Canny算子與改進Canny算子對脊椎、腦部、肺部、手部等醫學圖像進行檢測，并分析實驗結果。實驗結果如圖7所示。 實驗結果表明，雖然通過Matlab系統自帶的Canny算子能夠檢測出大體輪廓，但圖像中存在很多虛假邊緣，細節處的輪廓由于被虛假邊緣掩蓋而無法識別。圖7（a）脊椎圖像中相對灰度較大的圓形區域已被虛假信息覆蓋，無法觀測其邊緣信息;圖7（d）中手部圖像只能看出手掌輪廓，而未檢測出其手指關節處細節。 傳統Canny算子相比于Matlab自帶的Canny算子，檢測結果有了很大提高，但邊緣清晰度仍不夠高。從實驗結果可以看出，圖像中的一些細節邊緣未能檢測出來。圖7（b）內部存在一個灰度較小，類似氣泡的區域，改進Canny算子能成功檢測出該區域，而傳統Canny算子無法檢測出該邊緣信息;圖7（c）中改進Canny算子檢測出的邊緣在連續性上優于傳統Canny算子，傳統Canny算子中有許多邊緣不連續;圖7（d）中能明顯觀察到改進Canny算子檢測出的手指內部關節處信息更加清晰。 綜上所述，本文提出的改進Canny邊緣檢測算子相比于Matlab自帶算子能濾除更多虛假邊緣，使邊緣細節更加明顯，相比于傳統Canny算子能檢測出更清晰的邊緣以及更多邊緣細節，并且實現了濾波及高低閾值設置的自適應性，因此在邊緣檢測中的適用范圍更廣，不需要因圖像改變而重新設置參數，即能達到理想檢測效果。 4 結語 本文對傳統Canny邊緣檢測算子進行改進并應用于醫學圖像分割，提出通過自適應中值濾波代替高斯濾波，利用Sobel算法進行梯度計算，并進行非極大值抑制處理，最后通過Otsu計算高低閾值進行最終的邊緣檢測。在不同類型醫學圖像上對該改進算法進行實驗，結果表明，改進的Canny邊緣檢測算子能夠自適應地進行去噪與高低閾值計算，并能夠消除許多虛假邊緣，保留真實邊緣信息，從而能較好地識別圖像邊緣。由于改進算法的計算復雜程度增加，因此運行過程中需要花費更多計算時間。為了減少運行時間，未來將對程序作進一步優化。 參考文獻： [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. 改進的Canny算子邊緣檢測算法研究[J]. 軟件導刊，2018，17（10）： 68-71. [3] 徐亮，魏銳. 基于Canny算子的圖像邊緣檢測優化算法[J]. 科技通報，2013（7）：127-131. [4] 宋召青，鄭蘇，李志成. 基于邊緣檢測與最小二乘支持向量機的人臉圖像識別[J]. 海軍航空工程學院學報，2010，25（5）：518-522. [5] 龍順宇，朱星. 基于ARM構建Sobel邊緣檢測算子的指紋識別系統實現[J]. 物聯網技術，2013（12）：25-27. [6] 賀超宇，鄭紫微. 基于改進的Vibe和Canny邊緣檢測算法的運動目標檢測[J]. 數據通信，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. 圖像邊緣檢測方法綜述[J]. 寶雞文理學院學報：自科版，2013，33（1）：16-21. [10] 李俊山，馬穎，趙方舟，等. 改進的Canny圖像邊緣檢測算法[J]. 光子學報，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. 基于自適應形態學的醫學圖像邊緣檢測[J]. 計算機應用與軟件， 2014（5）：184-187. [14] 張素文，陳志星，蘇義鑫. Canny邊緣檢測算法的改進及FPGA實現[J]. 紅外技術，2010， 32（2）：93-96. [15] 雒濤，鄭喜鳳，丁鐵夫. 改進的自適應閾值Canny邊緣檢測[J]. 光電工程，2009，36（11）：106-111. [16] 王文娟，韓峰，崔桐. 一種基于模糊增強的Canny邊緣檢測方法[J]. 內蒙古工業大學學報，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. 自適應閾值的邊緣檢測算法及其硬件實現[J]. 系統工程與電子技術，2009，31（1）：233-237. [19] 王曉凱，李鋒. 改進的自適應中值濾波[J]. 計算機工程與應用， 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]. 中國圖象圖形學報，2009， 14（3）：471-476. （責任編輯：黃 ?。?/p>
