（模式识别与智能系统专业论文）CASAS中的骨骼分割与定位研究.pdf

昆明理工大学硕仑文 摘要 骨龄评分主要是对儿童青少年的骨发育进行分期、评分而得出骨发育年龄的 方法，具有明确的量化概念，使得计算骨龄的精确度大大提高，目前己得到愈来 愈广泛的应用，如在预测小儿成年后身高，评价小儿生长发育，诊断和监护内分 泌、生长发育的疾病及其治疗，研究人类生长及其影响因素等方面已成为不可缺 少的指标【”。传统的骨龄评分法是由医生根据主观判断来给出分值，不同医生给 出的分值可能会有所差异，分值受医生的主观影响较大，而且由于要对多块不同 的骨骼进行判断分析，由人来处理所需时间较长，不能够进行批量处理。要使骨 龄评分自动化，首先要将x 光片中待识别的特征骨骼对象分离提取出来，以便 进行下一步的识别评分。本文的研究内容将主要集中在这一部分。 骨龄评分主要是针对儿童的掌部骨骼x r a y 图像进行的，要想实现对x - r a y 图像中掌骨的自动测量、分级、评分过程，能否把待测的骨骼从图像中分割出来 是关键。文中使用了局部动态阈值方法，降低了光照不均匀的影响，利用了掌骨 在x 光片中呈现高亮度的特点来求取局部阈值。 本文针对计算机辅助儿童骨龄自动识别系统中特征骨骼分离定位问题，进行 了以下一些方面的研究工作： 1 ) 针对手掌x - r a y 图像的灰度直方图中灰度呈现出骨骼、肌肉和背景三个 高、中、低的区域分布特性，提出了自己的掌骨区域分割方法； 2 ) 利用手掌x - r a y 图像中手掌结构的先验知识，通过形态学滤波，灰度投 影等方法来对手掌图像的各块特征指骨的位置进行标定，在通过局部位 置的旋转、拷贝进行特征骨的分离； 3 ) 针对掌骨手腕部位的特性，利用曲率分析的方法，通过高斯滤波平滑轮 廓，并求取轮廓上曲率最大值的方法束对尺骨、桡骨与掌骨间的分离位 置进行标定； 4 ) 用v i s u a lc + + 搭建一个测试用的试验平台，用于测试所设计的算法的工 作特性及有效性，以及显示观察实验的结果。 系统试验的结果表明，本文所提出的计算机辅助儿章骨龄自动识别系统中的 瑟磷瑷大学礤：论空 特镬嚣分离定位算法京实验牵敬撂了楚努戆续集，恣下一步豹黪，薤参数提取獒定 了良好的基石出。 关键调：骨龄图像分裁获度投影整率分摄 昆蟠瑷工丈学醺士论文 a b s t r a c t t h es k e l e t a la g es c o r em a i n l ya i m sa tc l a s s i f y i n g ，s c o r i n go ft h e g r o w t ho ft h ey o u t hb o n e s ，a n dg e tt h ea g eo ft h eg r o w t ho fb o n e s t h i s m e t h o di n c l u d e sc l e a rc o n c e p t i o no fq u a n t i f i c a t i o n ，a n de n h a n c e st h e p r e c i s i o no ft h ec a l c u l a t i o no fb o n e sa g e n o w 。i th a sb e e nb e c o m em o r e a n dm o r ep o p u l a ri nm e d i c i n ea r e a ，s u c ha sp r e d i c t i n gt h eh e i g h to f c h i l d r e na f t e rg r o w n ，a n a l y z i n gt h ed e v e l o p m e n to ft h eg r o w i n g ， d i a g n o s i n ga n dw a r ds h i p p i n gi l l n e s s e s a n d t r e a t m e n t so f i n t e r n a l s e c r e t i o na n dd e v e l o p m e n to fg r o w i n g ，w h i c he f f e c t st r e m e n d o u s l yo n s t u d y i n gt h eg r o w i n go fh u m a nb e i n g s t h et r a d i t i o n a ls k e l e t a la g es c o r e m e t h o di sd e p e n do i lt h es u b j e c t i v eo b s e r v a t i o no fd o c t o r s ，d i f f e r i n gf r o m d i f f e r e n td o c t o r s ，a l s od i f f i c u l tf o rp e o p l et oe s t i m a t em a n yv a r i o u s b o n e si nt h es a m et i m e t h es c o r ei sa f f e c t e db yd o c t o r sg r e a t l y ，1 i | f i t h c 删s t a n d a r d w en e e dt os c o r em o r et h a no n eb o n e i tw i1 1t a k et o om u c h t i m ei fp r o c e s s i n gb yh u m a n ，a n dc a n tb ep r o c e s s e di nb a t c h 。f o rt h e a u t o m a t i o no ft h es k e l e t a ls c o r e ，f i r s t l yw en e e dt oe x t r a c tt h ef e a t u r e b o n e sf r o mx - r a yp i c t u r e s 。s oa st oo f f e rt h ei n p u tf o rt h en e x ts t e p a n dt h ew o 缦r e s e a r c h e di nt h i sp a p e ri sm a i n l yf o c u so nt h i sa r e a t h ei n p u to ft h ec a s a si sh a n d w r i s tr a d i o g r a p h so fe n f a n t ，b e f o r e w ec o u l dm e a s u r e ，c l a s s i f ya n ds c o r e w em u s te x t r a c tt h ef e a t u r eb o n e s w h i c hw i l lb ep r o c e s s e da tf i r s t i nt h i sp a p e r ，w eu s e dt h el o c a ld y n a m i c t h r e s h o l dm e t h o dt od e c r e a s et h ee f f e c to ft h eu n e v e n1i g h t i n g ，a n dm a k e u s eo ft h ec h a r a c t e ro ft h em e t a c a r p u sh i g h l i g h ta p p e a r a n c et oc a l c u l a t e t h ejo c a lt h r e s h o l d t h i sp a p e ri sf o c u so nt h ea r e a sa sf o l l o w ： 1 ) b r i n gf o r w a r dan e wm e t h o do fs e g m e n tb o n e sf r o mh a n d w r is t r a d i o g r a p h s ，m a k i n gu s eo ft h eg r a yh i s t o g r a mo fb o n e s ，m u s c l e 珏 昆 强理工夫筝硕士论文 a n db a c k g r o u n di nh a n d w r i s tr a d i o g r a p h st a k i n go nt h r e e d i f f e r e n td i s t r i b u t i o n ； 2 ) t a k ea d v a n t a g eo ft h et r a n s c e n d e n tk n o w l e d g eo ft h es t r u c t u r e h a n d - w r i s ti np i c t u r e ，a n db yt h em e t h o d so fm o r p h o l o g y ， i n t e n s i t yp r o j e c t i o ne t c w ec a nm a r kt h el o c a t i o no ft h ef e a t u r e b o n e s ，a n dd i s c r e t et h e s eb o n e sf r o mp i c t u r e sb yr o t a t i o na n d c o p y ： 3 ) t h ep r o j e c t i o nm a po fw r i s th a sac l e a ri n c r e m e n tb e t w e e n m e t a c a r p u sa n dr a d i u s ，s ot h i sp o s i t i o ni nc o n t o u ro fh a n d w r i s t w i l lh a st h e g r e a t e s tv a l u eo fc u r v a t u r e 。w ec a nu s et h i s c h a r a c t e rt om a r kt h ep o s i t i o ns e p a r a t i n gm e t a c a r p u sa n dr a d i u s ： 4 ) i nt h i sp a p e rw ed e v e l o p e dat e s tp l a t f o r mu n d e rv i s u a lc + + p l a t f o r m t ot e s tt h ea l g o r i t h m sp r o v i d e di nt h ep a p e r ，a n d o b s e r v er e s u l tf r o me x p e r i m e n t s t h ee x p e r i m e n t si n d i c a t e st h a tt h em e t h o dc a no b t a i ng o o dr e s u l t si n s e g m e n t a t i o na n dl o c a t i n go ff e a t u r eb o n e s ，a n dc a ne s t a b l i s hag o o d f o u n d a t i o nf o rn e x ts t e po ft h ef e a t u r ep a r a m e t e r se x t r a c t i o n k e 即o r d s ： s k e l e t a la g e ，i m a g es e g m e n t a t i o n ，i n t e n s i t yp r o j e c t i o n 。c u r v a t u r e a n a l y s i s 昆明理工大学学位论文原剖性声瞬 本人郑重声明：所量交的学位论文，是本人在导师的指导下( 或 我个人) 进行研究工作所取得的成果。除文中已经注明引用昀内 容外，奉论文不会任霄其毽个人或集体巴缎发表或撰写过酶磅究残 暴。对本文妁研究敲出鬟要贾娥的个人参集体，蟪已在论文中作了骥 确的说明并表示了谢意本声明的法律结果由本人承担 学位论文作者篓备帚；匹。 嚣 絮：洳年挚箕司基 本人竞垒了纂象明理王太学袁关缳蟹、绽惩学位论文浆规定，蘩： 学校有权保留、送交论文的复印件，允许论文被查阅，学校可 ；c 公布 论文的全部或部分内容，可以采用彩印或其他复制手段保存论文。 ( 保密论文在解密后应遵守) 导魉签名：秘文作者签名： 日 期： 盛生坌嚣宴旦 | 昆明理t 大学硕士论文 1 1 图像技术的发展 第一章绪论 计算机图像技术的发展可以追溯到1 9 4 6 年世界上第l 台电子计算机的诞生， 但是早期的计算机主要还是用于数值计算。当时由于缺乏专用的硬件，对要处理 大量数据，实时性要求较高的数字图像处理工作还难以胜任。直到6 0 年代，第 三代计算机研制成功，以及快速傅立叶变换算法的发现和应用使得对图像的某些 计算得以实际应用。7 0 年代，图像技术取得了长足的进展，很多人投入了这一 领域的研究。8 0 年代，硬件技术飞速发展，各种图像处理专用的硬件也得以研 发使用，极大的提高了计算机处理图像的能力，图像技术也得以广泛的应用。 近年来，计算机逐步走入了我们的生活，我们从中获益最多，也是感受最直 接的是计算机多媒体技术带来的感官的冲击，它使得我们的生活变得更加缤纷多 彩。图像技术在多媒体技术中占据了不可撼动的主要地位，无论是我们生活中每 天接触的视频，还是工作必不可少的文档、图形等都离不开图像处理技术的支持。 更进一步，图像技术还深入到了人工智能的领域，图像分析和图像理解技术的提 出和飞速发展把我们带入了一个过去只能在科幻片里才能经历的世界。新兴的技 术使得计算机也具备了模拟人眼的能力。 本文的工作就是要将医学专家的知识融入到计算机系统当中，使得计算机能 够自动的对儿童掌骨x - r a y 图像中的掌骨成熟程度进行评分，对儿童的骨骼发育 情况建立相应的数据库进行统计分析。要做到这一点就要使用到图像处理、图像 分析、图像理解以及模式识别等领域的相关知识。 它们之间的关系如图1 1 所示： 高小 抽 象 稗 度 低 r 高层 l 雯1 中层 i 、低层 图1 1剀像技术的二层次示意图 操 作 对 象 悸 大 建秘毽王大学嫒，l 二涂文 图像处壤主要对骶绘图像终一些底层熬处理工馋，包括瓣图像的变换、增强、 复原、编码以及分割、定位等。这里称图像处理工作为底层处理主要是针对旗操 终瓣象瑟言，霆豫簸疆中繇箨瘸熬对象大都麓未经过处理熬辍始信怠( 奎镕豫索荻 度、像素坐标、像素的局部信息等) 。我们知道万丈高楼平地起，图像预处理工 作的好坏将巍接影响剿后续瀚一系列工作，赢至识鞠的结栗。而置国于图像处理 工作赢接与图像获取的原始信息打交道也注定了这一部份工作将面临更多实际 工作中各种问题影响的考验，这一部分算法的稳定性将直接决定整个系统算法的 售棒链。 图像分析则主要是对图像中感兴趣的目标进行检测和测掇，以获得它们的客 观信怠，飘掰建立对阁像的描述。如果说圈像处理楚一个从图像到图像的过程， 则图像分析怒一个从图像到数据的过程。这一过程对图像处联褥到的不同对象进 行特征测量，并进行相应的表达和描述，将图像中要识别的目标抽象的用计算机 语砉波达出寒，提供绘下一除段进行处理。 阁像理解的工作是建立在前两部分之上的，它把前面步骡提供的信息进行组 织，融入先验知识，避一步研究图像中各对象的性质和它们之间的相互联系，从 丽对图像场景的内骞禽义傲如合理的鳃释，为整个系统蛇行动提供攒导信息。 实现图像理解和识别的基本途径是在提取图像特征的基础上实现模式分类， 构筑一个完熬静图像理解帮 ； 羽系统将涉及珏下凡个方面：( 1 ) 图像的获取， 二维图像的获取方式包括c c d 成像、 曩描成像、红外避感成像、测距成像等，经 过量化后获得数字图像。( 2 ) 图像预处理，目的在于去除干扰和嗓声，突出目 标。( 3 ) 图像分割秘基标提取，是的在于获取图像审感兴趣豹区域。( 4 ) 特 芷 提取，目的强于获得对目标的有效表达和描述。( 5 ) 目标分类和判定，目的在 于奁李毒经攫取戆基凑主实臻秘标熬凳溺帮分类。鞋上这a 方甏在 雾猊援觉系统 中相辅相成，相互制约。 1 2 图像识别的基本过程 要对图像进行识别，第一步要做的工作就是对图像进行预处理。我们获取的 强像数蠢国予各耱鞭阑往往难班直接应弼予鬻像谤 别，圈像获敏之螽静先要针对 昆明挫i 一大学硕士论文 特定需求对图像进行预处理，比如说空间变换( 缩放、平移、旋转等) ，增强( 空 域和频域的滤波等) ，分割和目标提取等。 近年来形态学作为图像处理的一种手段已经发展成为图像处理的一个主要 研究领域。数学形态学( m a t h e m a t i c a lm o r p h o l o g y ) 诞生于1 9 6 4 年，由法国人 马瑟荣( g m a t h e r o n ) 和塞拉( j s e r r a ) 共同提出闭。数学形态学是一门建立 在严格数学理论基础上的学科，其基本思想和方法对图像处理的理论和技术产生 了重大影响。我们的工作中就将多处使用到形态学的理论知识。 医学图像作为数字图像的一种，其预处理方法又与普通图像有所区别。这是 由于医学图像常表现为对比度低、组织特征的可变性及不同软组织之间边界的模 糊性以及形状结构和微细结构分布的复杂性等，对某一实际问题没有完全可靠的 模型和指导对于医学图像( 如x _ r a y 图像) 而言，预处理主要的目的是去除图 像中的噪声和干扰，增强感兴趣的区域。在预处理的方法上可以采用数学形态学 的相关方法。 数学形态学以集合运算为基础，其基本思想是用具有一定形态的结构元去度 量图中的形式以解决理解问题。这种方法无论是在图像的低层次处理或是高层次 处理方面都可以得到应用例如图像降噪的过程可以从噪声与主体信息的形态差 别上进行考虑实现二者分离。 通过对区域形态的分析实现分割处理。因此，数学形态学的运用是贯穿了计 算机视觉不同层次的一个颇有意义和发展前景的手段。 数学形态学的处理方法由膨胀、腐蚀、开运算和闭运算四个基木算子形成， 与卷积运算的方法相似，具有高度的非线性。通过选择不同形状和尺寸的结构元， 可以实现不同图像预处理效果，如去噪、平滑、边缘提取等。 1 3 儿童骨龄自动评价系统简介 在本系统中需要对儿章掌骨x - r a y 图像中的各块特征骨进行分割，定位，特 征提取，骨龄识别等工作。它们之间的关系如图1 2 所示。 昆鞠理王大学疆士论文 x r a y 图像 预处理 浚善输入砖骨嚣部对缝 ； 捌摄撼定垃 图像的质分进行粳的特征位信息对特 量，例如分割爨进行定征进行提 漕除噪声 使敬 识别 p c a 掇b p 神经 取特镬嘲络识 向量剐 ，7 评分 根据评分标准对识 别得到的结果进行 蠢势 l - 4 - ， 可用于统计的儿童骨骼发育情况的评分数据 图1 2 骨龄识别系统中的模块关系图 藻中，预处理模块中粗黑线所示部分为本文所婺解决的问题。 1 4 图像分割与特征定位 图像分割( i m a g es e g m e n t a l i o n ) 是一种重要的图像技术，它在图像技术中 的逡僚如图l + 3 爨示。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这然部 分常称为嚣标或蘸豢( 其余为背景) ，它稍般对建翔像中将定静、蒸有疆将往 4 昆明理工大学硕士论文 质的区域。为了辨识和分析目标，需要将它们分离提取出来，在此苯础上才有可 能对提取出来的目标进一步利用。 图像分割就是指把图像分成各自具有不同特性的区域，并从中提取出感兴趣 目标的技术和过程。这里特性可以是像素的灰度、颜色、纹理等，预先定义的目 标可以对应单个区域，也可以对应多个区域。 ，符号 l 操l 引目标 象l i 、像素 图1 3 图像分割在图像技术中的地位 图像分割是从图像处理阶段过渡到图像分析阶段的关键步骤。一方面，它是 目标表达的基础，目标分割结果的好坏对特征测量有着重要的影响；另一方面， 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化 为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。 实际应用中图像分割除了要把图像分为满足上面五个条件的各具特性的区 域外还需要把其中感兴趣的目标区域提取出来，即对我们需要识别的特征部分进 行定位。在本文的儿童掌骨骨龄自动识别系统中即要对待识别的各块骨骼进行分 离并找到相应骨骼所在的位置，进行旋转校正，以便下一步的特征提取。 圉囤一 昆l 则理丁人学硕士论文 第二章图像分割方法概述 系统设计的第一步也是最关键的一步，我们得对要进行评分的x r a y 图像进 行预处理。预处理分为几个部分，最终目的是要将待识别评分的特征分离提取出 来。 首先我们得对图像进行分割，分割在这里有两方面要求，第一要对整个手掌 轮廓进行提取，第二是尽量将骨骼部分的区域分离出来，这一工作主要为后期的 定位工作提供信息。 2 1 图像分割的介绍 图像分害l j ( i m a g es e g m e n t a t i o n ) 是图像处理中的主要问题，也是计算机视觉领 域低层次视觉中的主要问题，同时也是一个经典难题。关于图像分割技术，从二 十世纪七十年代起，就有许多研究人员和学者进行了大量研究，目前已经有相当 多的研究成果。但是由于问题的重要性和困难性，到目前还不存在通用的方法， 也不存在判断分割是否成功的客观标准。 所谓图像分割，是指将图像中具有特殊含义的不同区域区分开来，这些区域 互不相交，每一个区域都满足特定区域的一致性。 如果为自然数集，o ，力为数字图像的空间坐标，g = o ，1 ，l - 1 ) 为代表灰 度值的正整数集，则图像函数可以定义为如下的映射f ：n n 斗g 。f ( x ，力代表 坐标为o ，力的像素点的灰度值。 将一幅图像，( x ，y )( 0 工m a x j ，0 y 兰m a x y ) 进行分割【2 】，就是 将图像划分为满足如下条件的子区域z ， ，六，：【3 1 1 ) u 疋( x ，y ) = f ( x ，y ) ，即所有子区域构成了整幅图像 2 ) 是连通的区域 昆明理_ 大学硕上沦殳 3 ) l ( x ，y ) r 、f j ( x ，y ) = o ，k ，即任意两个子区域不存在公共元素 4 ) 区域五满足一定的均匀性条件。 均匀性一般是指同一个区域内的像素点之间的灰度值差异较小，或灰度值的 变化较缓慢。般具有相同性质的目标应具有均匀性的特性。 图像的阈值选取是图像分割的关键技术。使用阈值分割，就是用一个或几个 阈值将图像的灰度分布直方图划分成几个类，认为灰度值在同一个灰度分布内的 像素属于同一个物体。通常，通过选择一个阈值将灰度范围划分成目标和背景两 类的过程，称为图像的二值化。 让f g 作为阈值，b = b o ，b ) 为一对灰度级，b o ，b 。g 。用灰度级t 作 为阈值对图像函数，( x ，y ) 进行二值化的结果是产生一个二值的图像函数 ，：n 寸b ， 脚，2 信矿i f 嬲 g ， 总之，阈值选取方法就是基于某种标准来确定一个，的值t ，使得到的， 值能够将目标从背景中最完整的分割出来。 最简单的阈值处理使用上述的灰度变换方法来处理图像，这种方法称为图像 的二值化( b i n a r i z a t i o n ) 。二值化处理就是把图像分为对象物和背景两个区域，根 据确定的阈值科哿图像转换为背景色和前景色。这样的二值化处理方法常常用于 文本的文字分割或一些简单的图像分割当中。 一般来说，现有的阈值选取技术可以分为全局的和局部的闽值选取方法。全 局的闽值选取是指根据整幅图像确定一个阅值。局部阈值选取方法是指将图像划 分为若干予图像，根据每个子图像确定相应的局部闽值。 全局闽值选取方法对噪音比较敏感，因此应用中一般采用局部阈值选取方 法。但是这二者并无本质的不同。 昆明理工大学硕士论文 2 2 图像分割的基本方法 根据所使用的知识的特点与层次，可以将图像分割为数据驱动与模型驱动两 大类型。其中数据驱动分割直接对当前图像数据进行操作，虽然可以使用有关先 验知识，但不依赖于知识；模型驱动分割则是直接建立在先验知识的基础上的。 2 2 1 基于数据驱动的分割 常用的数据驱动分割包括基于边缘检测的分割、基于区域的分割、边缘与区 域相结合的分割等。 2 2 1 1 基千边缘检测的分割 4 - - e 基本思想是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分 割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度，则 噪声产生的伪边缘会导致不合理的轮廓，若提高抗噪性，则会产生轮廓漏检和位 置偏差。为此，人们提出各种多尺度边缘检测方法1 1 ”，根据实际问题设计多 尺度边缘信息的结合方案，以较好地兼顾抗嗓性和检测精度，但仍不能从根本上 克服此矛盾。此外，基于低层信息的轮廓跟踪也是一个难题。 2 2 1 2 基于区域的分割 基本思想是根据图像数据的特征将图像空问划分为不同的区域。常用的特征 包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特 征。方法有阈值法、区域生长法、聚类法、松弛法等。 阈值法【”2 3 1 通过设定不同的特征阈值将像素点分为若干类。其难点在于阖 值的设定方法，对传统闽值法的改进包括局部阈值、模糊阈值、随机阈值等方法。 聚类法【2 4 】在特征空间对像素点集进行聚类，包括硬聚类、概率聚类、模糊 聚类等。由于缺乏对像素空间拓扑关系的考虑往往还需进行后处理才能完成分 割。聚类准则是聚类分割的关键。 | j = 。域生长方法f 2 5 从若干种子点或种子区域川发，按照一定的生妖准则对 区域生长方法【2 5 】从若干种子点或种子区域i 发，按照一定的生长准则，对 昆明理工人学硕士论文 2 2 图像分割的基本方法 根据所使用的知识的特点与层次，可以将图像分割为数据驱动与模型驱动两 大类型。其中数据驱动分割直接对当前图像数据进行操作，虽然可以使用有关先 验知识，但不依赖于知识；模型驱动分割则是直接建立在先验知识的基础上的。 2 2 1 基于数据驱动的分割 常用的数据驱动分割包括基于边缘检测的分割、基于区域的分割、边缘与区 域相结台的分割等。 2 2 1 1 基于边缘检测的分割【4 9 1 基本思想是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分 割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度，则 噪声产生的伪边缘会导致不合理的轮廓，若提高抗噪性，则会产生轮廓漏检和位 置偏差。为此，人们提出各种多尺度边缘检测方法【1 ”】，根据实际问题设计多 尺度边缘信息的结合方案，以较好地兼顾抗嗓性和检测精度，但仍不能从根本上 克服此矛盾。此外，基于低层信息的轮廓跟踪也是一个难题。 2 2 1 2 基于区域的分割 基本思想是根据图像数据的特征将图像空间划分为不同的区域。常用的特征 包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特 征。方法有阈值法、区域生长法、聚类法、松弛法等。 阈值法【1 4 - 2 3 1 通过设定不同的特征阈值将像素点分为若干类。其难点在于阈 值的设定方法，对传统阈值法的改进包括局部闽值、模糊阈值、随机闽值等方法。 聚类法【2 4 】在特征空间对像素点集进行聚类，包括硬聚类、概率聚类、模糊 聚类等。由于缺乏对像素空间拓扑关系的考虑往往还需进行后处理才能完成分 割。聚类准则是聚类分割的关键。 区域生长方法【2 5 】从若干种子点或种子区域出发，按照一定的生长准则，对 昆l w 理丁大学硕j j 论文 邻域像素点进行判别并连接，直到完成所有像素点的连接。其中种子点可采用人 机交互或自动方法设定。这种方法的关键在于种子点的位置、生长准则和生长顺 序等。 松弛法 2 s - 2 7 是一种动态调优的标号方法，包括概率松弛、模糊松弛等。把对 应于不同目标的标号分别赋给图像中每个像素，根据相邻像素之间的相容性，通 过迭代调整标号，直到收敛。其关键在于标号相容模型和迭代方法的收敛性。 2 2 1 3 边缘与区域相结台的分割 2 8 - 2 9 边缘检测能够获得灰度或彩色值的局部变化强度，而区域分割能够检测特征 的相似性与均匀性。边缘与区域组合分割的主要思想是结合二者的优点，通过边 缘点的限制，避免区域的过分割：同时，通过区域分割补充漏检的边缘使轮廓 更加完整。例如：先进行边缘检测与连接，再比较相邻区域的特征( 灰度均值、 方差等) ，若相近则合并 3 9 , 4 0 ；对原始图像分别进行边缘检测和区域生长，获得 边缘图和区域片段图后，再按一定的准则融合，得到最终分割结果1 4 “。 2 2 2 基于模型驱动的分割 常用的基于模型驱动的分割方法包括基于动态轮廓( s n a k e s ) 模型、基于傅立 叶模型的分割方法等。 2 2 2 1 基于s n a k e s 模型的分割 s n a k e s 模型用于描述分割目标的动态轮廓，由k a s s 首先提出【3 叫，可表示为 式中，e q 为轮廓的曲率参数，t 为时间参数。基于s n a k e s 模型的分割是通过对能 量函数的动态优化来逼近目标的真实轮廓，其能量函数定义如下： e 。= l e 一e 。+ e c o 删。 ( 2 3 ) 其中，e 。l 称作内力，表示与轮廓的平滑性、连续性等形状特征有关的能量； e 。称作图像力，表示轮廓点与图像局部特征吻合的能量：e 。称作约束力， 9 昆l 则理t 大学坝l 沦文 代表各种人为定义的约束条件。 一般地，内力可以表示为 e 。“= 口i 孚1 2 + i 了a z v ( 2 4 ) o s o s 其中，参数口控制轮廓的连续性约束，若口较小，目i j e 。一。对轮廓的连续程度不敏 感；控制平滑程度约束若较小，则e 。一。对轮廓的平滑程度不敏感。图像 力的形式为 e 。= l t ( x ，y ) + r 0 2iv i ( s ，y ) 1 2 + a ( 2 5 ) 其中，q 称作线特征系数控制对轮廓所在区域的图像强度的约束；m ：称作边 缘特征系数控制对轮廓所在区域的强度梯度的约束。约束力可根据具体的应用需 求来定义，用于在模型中加入各种人为约束控制，例如轮廓应该避开的区域等。 由于s n a k e 模型的能量函数采用积分运算，具有较好的抗噪性，对目标的局 部模糊也不敏感，因而适用性很广。但这种分割方法容易收敛到局部最优，因此 要求初始轮廓应尽可能靠近真实轮廓；此外，收敛速度较慢。 2 2 2 2 基于傅立叶模型的分割 3 1 1 参数化的傅立叶变换模型( p d m s ) 建立在对曲线边界数据进行傅立叶椭圆分 解的基础上，有 ( ；芸；) = ( ： + 妻。；。( 、。a 。k 。b 。k ，、( 。c 。o 。s k 。t 。 c z e ， 式中x ( t ) 和y ( d 表示曲线上的点，并且该曲线封闭：t 【0 , 2 ，r 】，分解时k 阶谐 波分量如下 ； = ：i b k l ( c 。s k t 眨z ， 它代表一个椭圆，式中的参数含义如下： a 。= 去n t ) d t ( 2 - 8 ) a 。= 去鼬t ) c o s k t d t ( 2 9 ) 昆明理工大学硕上论文 n 。= 妻一t ) s 溅a t ( 2 1 0 ) c o ，c k ，d k 的表示方法与a 0 ，a k ，b k 类似由上我们直到a o 和c o 对应着直流分量，代表 物体在图像中所处的位置，忽略该直流分量t ，即可得到物体边界曲线的椭圆化 分解变换，获得各次谐波分量及其相应的a k ，b k ，c k ，d k 的值。由于该值受到诸如物 体方向、比例和相位等影响，故在分解前需要做归一化处理，以获得较为确定的 参数值。由上可知该分解模型可用于参数空间上的可变边界的迭代上。 2 3 分割阈值的计算 本文中主要讨论利用区域内灰度相似性的基于区域的并行分割算法。当前研 究和使用的较多的全局阈值选取方法有：k - 均值聚类算法；直方图与直方图变换 方法；最大类间方差法( o t s u ) ：最大熵方法等等。 2 3 1k - 均值聚类算法 将一幅图像分成k 个区域的一种常用方法是k 均值法f 3 2 l 。令x = ( x l 柏) 代表 一个像素的坐标，g ( x ) 代表这个像素的灰度值，k - 均值法是要最小化如下指标： e = x ) 一0 2 ( 2 1 1 ) 4 1j e 口y 其中彰。代表在第i 次迭代后赋给类，的像素集合，表示第，类的均值。 式0 的指标给出每个像素与其对应类均值的距离之和。具体的k 均值法步骤如 下： 1 ) 任意选k 个初始类均值，n 1 ) ，：； 2 ) 在第i 次迭代时，根据下述准则将每个像素都赋给k 类之一 ( j = 1 , 2 ，k ，= 1 , 2 ，k ，n 即： x 9 ”如果0g ( x ) 一j ”l i ， 箨。8 ) v ，：0 式孛戤) 戈在轮廓的t 点位置上戆曲攀，盯霹以控制魄铡，擞据提应的应 用选取不同的值。 综上所述，通道对紧密度c 、躐离铡度s 、延震度e 和均方赫攀芦的分析和 计算，我们霹戳对褥测基标形状迸磐估计彝刿剽，滤除异鬻瓣壤嚣。在实嚣遴簿 手腕骨图像的分析和判定过程中，我们使用c 0 3 ，s 菠0 5 ，e 0 5 ， 露0 0 0 2e 如果不满足上述条l 牛，基本可以判定特测图像中不包含手腕嚣形状。 4 。3 曲率分析方法获取界标点 前面的缎论提供了一种分析和筏量目标形状的粗略方法。为了在实际分析中 对不间的原始图像获得一致性较好的结果，还需要引入微分方法( 如基于曲率的 方法) ，对物体形状撵较戈精辘戆判定。由r o s e n f e l d 的纂予囱囊的夔线表示爨理， 可以得到： 铲弘揣 9 ， s k = f a kx b k 】： ( 4 1 0 ) 式中淘爨a k 煮b k 热图4 4 所示，参量e k 豹值在【o ，l j 逸闻雨，提供了在k 昆明理工大学硕士论文 测度下的曲率表达方法，s k 的符号表征了曲率的方向。 ( x i 。y 0 图4 4 曲率估计中的向量辄，b i 【 以上计算曲率的方法是行之有效的，但缺点也很明显，我们在获得手掌轮廓 是很容易引入噪声，而曲率的计算又很容易受到噪声干扰的影响，容易在一些噪 声干扰的部位产生局部极大值而引起误判。为此，我们针对图像中的噪声，选取 高斯滤波方法来平滑噪声，首先对输入图像轮廓曲线作低通滤波。令高斯核的宽 度为盯，则盯可以控制所获得的曲率，实际应用中使用的盯值由具体情况试验决 定。最后通过利用标准的参数方程f 6 4 】，我们有 k = 篙舞 ( 4 1 1 ) 式中x ，y ，x 。，y 4 为目标图像边界轮廓点的一阶和二阶导数( 差分值) 。当选择了较 大的高斯核宽度盯值时，由于高斯滤波函数滤除了相关的细节信息和噪声干扰， 只留下了曲率较强且作用范围较大的真实的目标边界点，故在整个边界轮廓的曲 率分布上取最大的曲率值可以获得各根手指端点和手指间间隙端点的界标点。 一般可以取曲率最大的十一个点作为界标点：其中五个界标点位于指骨上 端：四个界标点位于指骨间的间隙末端；另两个界标点则位于掌骨轮廓和图像边 界交界处，这两个界标点是由图像范围大小有限造成的，实际中应用意义不大。 由十一个界标点组成的序列，其曲率符号分布也很有规律，依次为+ + - + - + - + - + + ( 从左至右) ，其中正值代表的界标点为指骨的末梢，负值代表的是指骨问的间 隙端点。根据对输入图像的初步形状分析结果与以上规律的比较，我们可对输入 的原始图像进行判定，排除不合理因素的影响，并为后继指骨子区域的确定奠定 良好的基础。 昆l 圳理工大学硕士论文 4 4 另一种指骨定位的方法( 不依赖于曲率的计算) 在使用曲率来定位界标点的方法中，由于我们使用的轮廓线是依靠对原始手 掌图像分割得到的轮廓图进行轮廓提取得到的，受噪声的影响比较大，对图像获 取的质量和手掌轮廓的分割精度要求都比较高，如果原始图像获取得较差就难以 得到准确的界标点，也就难以获得满意的定位结果。 为此，本文提出了不依赖于曲率的新的定位方法，这种方法更多地使用了手 掌的几何信息，而不是单纯的使用局部曲率信息，这样就可以剔出局部噪声带来 的误差因素，获得更加精确的定位结果，以及更加稳定的适应性。 算法中我们使用了形态学的方法来进行定位。 算法如下： 1 ) 对分割得到的图像复制，并求取其补集，这样就有了两幅二值图像，如 图4 5 ( a ) 为手掌，图4 5 ( b ) 为去除手掌后的背景，互为补集； 劬肌 ( a )( b ) 图4 5 手掌轮廓图像( a ) 手掌部分像素( b ) 背景部分像素 2 ) 分别对两幅图像进行细化处理，或取其结构信息。我们可以看到图4 6 ( a ) 中对应五根手指的部分形成了五根比较长，而且连续的细化线，而背景 图4 6c o ) 则对应手指的间隙形成了另外的四根细化线。我们所要寻找的 界标点正好位于每一根细化线的端点上，这样我们可以通过在特定区域 内寻找线段的端点来定位界标点的位置； 昆明理工大学硕士论文 、一厂 jj 。 ( a ) 手掌区域细化图像( b ) 背景区域细化图像( c ) 手掌轮廓图像 图4 6 手掌分割结果细化后得到的各种结构信息 3 ) 对细化后的图像进行处理。虽然细化形成了手指及其间隙的中心线，但 是由于受到噪声和背景中异常物体的影响，常常会在各条线上形成各种 形状，长短不一的干扰线，如图4 7 ( b ) 、( c ) 。 ( a ) 分割图像( b ) 手掌区域细化( c ) 背景区域细化 图4 7 带有噪声的图像细化结果 这样就给我们的定位带来了不确定性，因此我们首先得去除它们的干扰。通 过对大量图像的观察统计，我们发现这样一个规律，即无论噪声引入了多少干扰， 对应手掌图像细化图中各个端点的细化线中最长的五条细化线肯定是由手指生 成的，而背景图像中最长的四条细化线则是由手指间隙生成。利用这一信息我们 就可以剔出噪声产生的干扰线段，算法如下： ( 1 ) 搜索手掌细化图像的o i c e n t c r y 的高度和背景图像的1 3 i c e n t c r y 的高度，寻找各条细化线的端点位置( 因为根据实验知道手指的端 点无一例外都位于上述的范围内，这样就可以减少搜索的范围，利 用先验知识提高算法效率) ； 昆明理工大学硕士论文 ( 2 ) 以搜索到的各个端点为种子建立堆栈； ( 3 ) 判断堆栈数目，如果等于5 ( 手掌细化图像) 或4 ( 背景细化图像) 则算法停止，当前堆栈对应的端点即为所求的界标点； ( 4 ) p o p 各个堆栈得到其栈顶元素点，在各个点的8 邻域内寻找与其连通 的像素，如果同时找到两个以上的像素与其连通，则将此堆栈销毁， 丢弃对应的端点，返回第3 步；如果每个堆栈p o p 出的元素点都只 有一个点与其相连，则p u s h 该相连点，重复第4 步。 4 ) 通过第3 步，我们获得了对应手指端点和手指间隙端点的标记点，为了 找到每根手指所指的方向，我们还得在手掌边缘寻找两个点来连接手指 间隙的端点。我们使用了粗定位中的中心点高度信息，贯穿中心点高度 的水平线与手掌轮廓的交点大致在与手指间隙端点拟合的曲线上； 5 ) 这一步中我们要对手指的方向进行定位，利用了上述步骤中求得的界标 点信息。将4 个手指间隙界标点和2 个轮廓边缘界标点两两相连，可以 看到它们都恰好与手指的细化线在手指轮廓的根部相交，这些交点和5 个手指端点界标点的连线为我们提供了手指的偏移方向，为手指的定位 校正提供了充分的信息； 6 ) 以上一步找到的方向信息对各根手指进行校正并从原图中分割出来。 4 5 利用界标点进行手指定位 获得界标点的目的在于该界标点序列可以用来预测和确定感兴趣的特征骨 所在的予区域，从而将特征骨从手掌中分离出来。 为了定位分离手指的中心轴线，我们需要重新寻找位于手掌轮廓左右两侧的 两个界标点。这里我们使用了4 1 节里获得的参考点位置。通过参考点的水平直 线贯穿手掌的各根掌骨，因此，该水平线与手掌轮廓的交点也可以构成两个界标 点，加上手指间间隙端点的四个界标点共六个界标点，将这些界标点互相邻接起 来，组成闭合曲线，该闭合曲线与我们在上节中得到的手掌区域细化图中的细化 线相交得到确定五根指骨的另外五个界标点，它们可以和对应的五个指骨端点界 标构成直线段，这样的五根直线段就可以确定每根指骨的长度和方向。由此确定 的子区域，可以大大简化后继的骨特征搜索的范围，并加快整个系统处理过程。 昆i 则理一大学硕士论文 4 6 定位方法的优化 以上的算法中我们采用了形态学的方法来对分割图像进行细化，提取方向信 惠，虽然算法提供了满意的精度，但是熹l 】便计冀辩闻丈大延长。为诧，我们在缩 化的步骤中进行了优化，我们可以看到，我们的算法主要是基于乎掌轮廓的整体 特征，所以如果我们对要细化的图像进行一定程度的缩放不会影响手掌的拓乎卜信 息，西器爨诗算数数据却会呈几铐速度下辫，实骏孛我们搀愿始的分割图像耍积 缩d , n 原来的1 1 6 ( 长和宽各为原来的1 4 ) ，所获得的计算速度令人满意。在计 冀褥翻番赛标熹嚣我餐孬将其浚瓣器藤来熬大奎来求取手指的方麓鞠蕴嚣。 剩用4 4 节介绍的爨标点定披方法和4 5 节获撂的界标点对手指进行定位， 定位的结果如下网所示； 图4 81 1 个手指界标的标定结果 4 。_ 7 手指关节定位 ! 导至g