（通信与信息系统专业论文）骨龄自动评价系统中基于活动轮廓模型的手腕骨边缘提取(1).pdf

昆叫心r 人学ml 研究生学位论文 摘要 骨发育成熟度( 骨龄) 指标在预防医学、临床医学、体育科学和司法等领域 得到广泛的应用，是医学界比较新颖的课题之一。骨龄评价就是通过对手腕骨x 射线图像进行观察判断来得到骨龄数据。我国常用的骨龄评价方法主要是c h n 法。c h n 法骨龄标准是1 9 9 2 年批准的对中国人手腕骨骨龄评定的一种方法。c h n 法是通过观察少年儿童非主力手上的1 4 块骨骼的发育程度来综合考虑骨龄数 据。 近年来许多专家都在研究将计算机视觉与骨龄评价相结合，实现骨龄评价过 程的自动化，使评价的过程和结果更加客观和真实、效率更高。骨龄自动评价系 统是一种对手腕骨x 射线图像进行处理的系统，即对于一张手腕骨x 射线图像 系统根据c h n 法判定骨龄数据。建立整个系统面| 临着许多困难，所以发展速度 不是很快，还有很多问题需要解决，其中骨块的准确分割和手腕骨生物特征的提 取是现今自动评价系统所面临的最大的两个挑战。c h n 法涉及手骨上的1 4 块骨 骼，所以先要从整个手骨图像中分割出每块骨骼，即首先要进行骨骼定位。在 c h n 法中，由于主要是根据骨骼外形轮廓来划分骨骼等级的，所以如果要进一 步使用c h n 法来判断其等级，就必须准确地得到每一块骨骼的边缘形状。 对骨骼进行提取就涉及到对骨块的分割。图像分割是一种熏要的图像处理技 术，对图像分割算法的研究已有几十年的历史，借助各种理论至今已提出了l 二干 种各种类型的分割算法，但至今尚无通用的理论，也就是没有一种适合于所有图 像的通用的图像分割算法。活动轮廓模型是k a s s 等人于1 9 8 7 年提出的一平十人机 交互式的，自上而下的轮廓提取模型。模型中利用了一定的人类的高级谚 别能力， 将注意力放在希望提取的轮廓附近，从而提高了轮廓提取的可靠性和准确性，与 传统的提取方法相比有明显的优越性。十多年来许多专家对其进行了研究，从模 型表示、能量函数和优化方法等各个方面对主动轮廓模型进行改进和完善，使其 性能越来越好，被广泛应用于很多领域。 由于手腕骨x 射线图像中，对比度很低，照度不均，骨骼边缘受肌肉及其 他软组织的影响、边缘形状不规则等问题，传统的边缘检测方法很难获得骨骼的 昆明理r 大学顿l 研究生学位论文 准嘲边缘，为此，本文采用了活动轮廓模型来检测骨骼边缘，并加以改进，获 得j 理想的效果。 本文对活动轮廓模型应用于骨龄自动评价系统中手腕骨的轮廓提取进行了 一些探讨和尝试，为下一步的工作奠定基础。 关键词： 骨龄评价，图像分割，活动轮廓模型，边缘提取 昆明理工大学硕士研究当，位论文 a b s t r a c t t h ev a l u eo ft h em a t u r i t yo fb o n e sg r o w t hh a s b e e nw i i d l yu s e di nt h ea r e a o fd e f e n d i n gm e d i c i n e ，c l i n i c a lm e d i c i n e p h y s i c a lt r a i n i n g a n dj u s t i c e e t c i t h a sb e c o m ean o v e lp r o b l e mi nt h em e d i c i n ea r e a t h ea s s e s s m e n to fs k e l e t a l a g ei sd r a w i n gd a t a o fs k e l e t a la g et h r o u g ht h eo b s e r v i n gt h eh a n d - w r i s t p h o t o g r a p h y t h ec o m m o n l yu s e dm e t h o di no u rc o u n t r yi sc h n t h es t a n d a r d o fc h nm e t h o di so n ew h i c hh a sb e e n p u t t e df o r w a r db a s e do nt h e a s s e s s m e n to fc h i n e s eh a n d - w r i ts k e l e t a ii n19 9 2 i td r a w sac o n c l u s i o n t h r o u g h t h eo b s e r v a t i o nt h em a t u r i t yo ft h ef o u r t e e nb o n e so fe n f a n t h a n d - w r i s t t o d a ym a n ye x p e r t sh a v e b e e nd e v o t e di n t o t h i s r e s e a r c ha r e a ， a s s o c i a t i n gt h ec o m p u t e rv i s i o nw i t ht h ea s s e s s m e n to fs k e l e t a la g e a n d r e a l i z i n gt h ea u t o m a t i o no ft h ea s s e s s m e n to fs k e l e t a la g e t om a k et h e p r o c e s sm o r ee f f e c t i v ea n dt h e r e s u i tm o r er e l i a b l e t h ec o m p u t e r - a i d e d s k e l e t a la g es c o r es y s t e mi sas y s t e md i s p o s i n gh a n d - w r i s tp h o t o g r a p h y ， n a m e l y , t oa n a l y s i sah a n d - w r i s tp h o t o g r a p b yb a s e do nt h ec h nm e t h o d t o b u i l daw h o l es y s t e mw ef a c em a n yt r o u b l e s ，s ow em a d es l o wp r o g r e s s ，a n d h a v em a n yp r o b l e m sn e e dt ob es o l v e d t h es e g m e n t a t i o no fb o n e sa n dt h e e x t r a c t i o no fh a n d - w r i s tf e a t u r e sa r et h eg r e a t e s to b s t a c l e si nt h ed e v e l o p m e n t o ft h ea u t o m a t i o na s s e s s m e n ts y s t e m 。t h ec h nm e t h o dd e a lw i t hf o u r t e e n b o n e so fh a n d - w r i s t s of i r s t l yw en e e dt os e g m e n te a c hb o n ef r o mw h o l e i m a g e ，n a m e l yt ol o c a t e t h eb o n e s i nc h nm e t h o d c l a s s i f i c a t i o nm a i n l y d e p e n d so nt h ec o n t o u ro fb o n e s ，s ob e f o r ew ec o u l dd ot h en e x tw o r k ，w e s h o u l dg e tt h ec o n t o u ro fe a c hb o n e sa c c u r a t e l y t h ee x t r a c t i o no fb o n e si sr e l a t e dt ot h es e g m e n t a t i o no fb o n e s i m a g e s e g m e n t a t i o ni so n e o ft h em o s ti m p o r t a n tt e c h n o l o g yi nt h ei m a g ep r o c e s s i n g i th a sb e e nr e s e a r c h e df o rd e c a d e s ，a n dt h o u s a n d sk i n d so fa l g o r i t h m sh a d l l l 昆明理t 大学峨l 研究生学位论文 b e e np u k e df o r w a r d ，b u tt h e r ei sn o ts t i l lag e n e r a lt h e o r yt ot r e a tw i t ht h i s p r o b l e m a c t i v ec o n t o u rm o d e li sam e t h o di n t e r a c t i v eb e t w e e nh u m a na n d m a c h i n eb r o u g h tf o r w a r db yk a s si n19 8 7 ，i t sac o n t o u re x t r a c tm o d e lf r o mt o p t ob o t t o m t h i sm o d e lt a k e sa d v a n t a g eo ft h ea d v a n c er e c o g n i t i o na b i l i t yo f h u m a n a n df o c u so nt h en e i g h b o m o o do ft h ec o n t o u ks oi te l e v a t e st h e r e l i a b i l i t ya n da c c u r a c yo ft h ee x t r a c t i o no fc o n t o u nc o m p a r e dw i t ht h e t r a d i t i o n a lm e t h o d ，i th a so b v i o u sa d v a n t a g e s f o rd e c a d e s ，m a n ye x p e l s d e v o t e di n t ot h i sa r e a a n db r o u g h tf o r w a r dm a n yo p t i m i z a t i o nm e t h o d sf f o m a s p e c t so ft h ep r o b l e m ，s u c ha st h ee x p r e s s i o no fm o d e l 。t h ee n e m yf u n c t i o n ， a n dt h eo p t i m i z a t i o nm e t h o d s 。s o t h i sm e t h o dh a sb e c o m em o r ea n dm o r e b e f f e ea n di th a sb e e na p p l i e di nw i d ef i e l d s t h e r ea r em a n yq u e s t i o n si nh a n d - w n s tp h o t o g r a p h y s u c ha st h el o w e r c o n t r a s t ，u n e v e n l yl i g h t i n g ，t h ee f f e c to fm u s c l ea n dp a r e n c h y m a t h ei r r e g u l a r o fc o n t o u r , e t c t h et r a d i t i o n a le d g ed e t e c t i n gm e t h o dc a n tg e ta c c u r a t ee d g e o fb o n e s ，f o rt h i sr e a s o n t h i sp a p e ru s et h ea s mt od e t e c tt h ee d g eo fb o n e s ， a n dm a k e s o m ei m p r o v e m e n t s ，i tg e ti d e a lr e s u l ti no u rt e s t s t h i sp a p e rh a sm a d es o m ed i s c u s s i o na n da t t e m p to nt h eq u e s t i o no f h o wt oa p p i yt h ea s mt ot h ea u t o m a t i o na s s e s s m e n to fs k e l e t a la g es y s t e m ， a n dm a d eag o o df o u n d a t i o nf o rt h en e x tw o r k k e y w o r d s ： s k e l e t o na s s e s s m e n t ，i m a g es e g m e n t a t i o n ，a c t i v ec o n t o u rm o d e l ，e x t r a c t i o n o f e d g e 昆明理工大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，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的内 容外，本论文不合任何其他个人或集体已经发表或撰写过的研究成 果对本文的研究做出重要贡献的个人和集体，均已在论文中作了明 确的说明并表示了谢意本声明的法律结果由本人承担。 学位论文作者签名：李王兰 日 期：加d 年妒月三，7 日 关于论文使用授权的说明 本人完全了解昆明理工大学有关保留、使用学位论文的规定，即： 学校有权保留、送交论文的复印件，允许论文被查阅，学校可以公布 论文的全部或部分内容，可以采用影印或其他复制手段保存论文。 ( 保密论文在解密后应遵守) 导师签名： 日期型生堡月兰2旦 昆明理1k 学硕一l 蜊究生学位论立 1 。1 论文的研究背景 第一章绪论 近年来，骨发育成熟度( 骨龄) 指标在预防医学、临床医学和体育科学等领 域得到广泛的应用，是医学界比较新颖的课题之一。国内外普遍认为，按骨龄判 断发育个体的成熟程度比较有效，可以较全面地反映肌体生理状态，在很大程度 上代表生物学发育年龄。多数学者认为手腕骨是确定骨龄最理想的部位，因为手 腕部集中了多量的长骨、短骨、圆骨，集中反映了全身骨骼的生长成熟状况，一鼠 x 射线图像的获取较为方便。迄今为止，国际上较为流行的骨龄评价方法有两种： g p 图谱法和t w 2 记分法。( 1 ) g p 图谱法是通过对熬个手腕骨骼做整体观察来 评价骨龄，1 9 3 7 年由t o d d 首创，后经g r c u l i c h 和p y l e 等人的修改，研制出手腕 骨骼成熟系列性x 线图谱，在国际上具有较高的权威性。图谱法判断骨龄简便、 直观，易于被入掌握，因此在各国应用较为广泛。( 2 ) t w 2 记分法是通过对手 腕部若干块骨骼独立评价，最后综合给出评价结果。t a n n e r 等人以英国普通家庭 经济条件少年儿童为对象，研制出判定骨龄的记分方法( t w i ，1 9 6 2 ) ，后于1 9 7 2 年修改成t w 2 标准，又于2 0 0 0 年进一步修改成t w 3 标准【l 】。为了预测成年身 高、使用的简便的和简化评价标准，t a n n e r 等人还建立了以桡尺骨及掌指骨为基 础的r u s 骨龄计分法。计分法具有明确的量化概念，判定结果较精确。但此方 法比较繁琐，】：作人员要经过专门的训练方法才可进行有效判定。目前在国际上 沿用的t w 2 记分法和g p 图谱法这两耪骨龄评价方法，存在着相同的缺点：一 是重复性差，即同一评价人对同一受试者的多次评价结果存在较大差别；二是难 以普及应用，评价人需经过长期的培训与经验积累，才能掌握与使用。 c h n 法骨龄标准 2 是国家体委1 9 9 2 年批准的对中国人手腕骨骨龄评定的 一种方法。它是由中国人骨发育研究课题组依照我国当代儿童青少年发育特点， 制订的全国统一骨龄评定标准。这种方法主要是通过专家对被测人手腕骨x 光 片的观察，得出参与评定的1 4 块手腕骨的各自发育等级，然后由其发育等级得 分表求得各个骨块的得分，再根据相应的权重计算出被测人的骨龄。由于手腕骨 部各骨骨化中心出现和发育至成熟的时间不同，各骨的生长发育特征符辟，同时 昆明理1 人学硕士尉究生学位论文 考虑到各骨对全身发育的代表性，骨发育形状的变异程度及不同类骨的块数不 同，使不同类型骨对骨龄评定的贡献不同。因此，专家依据手腕骨的权重大小和 对发育程度评价作用大小研究的经验，筛选出了其中的1 4 块手腕骨参与c h n 标准的骨龄评定。 在我国现阶段的骨龄评定工作主要是通过骨龄专家的人工读片完成的，人：l ： 判读的缺点在于：工作量大、资源消耗大、测定周期长，且由于人为的主观因素 容易产生判别结果的非客观性。近十多年来，随着计算机技术的普及程度的提高， 骨龄识别系统朝着用计算机技术自动处理并识别的方向发展。许多系统将图像处 理技术和计算机视觉技术相结合，通过交互式或自动的方法实现了骨成熟度的判 定，提高了骨龄评价工作的效率及准确性。 今年来，国内外很多研究机构开始对骨龄自动评价系统进彳亍深入和，。泛的研 究。但建立整个系统面临着许多困难，所以发展速度不是很快，还有很多问题需 要解决，其中骨块的准确分割和手腕骨生物特征的提取和选择是现今自动评价系 统所面临的最大的两个挑战【4 1 。由于c h n 法选用1 4 块手骨参与骨龄评定，所以 准确地得到每一块骨骼地边缘形状，并给出精确的等级描述，难度很大。如果能 够成功解决骨块的准确分割和手腕骨生物特征的提取和选择这两个骨龄自动评 价系统中的两个突出困难，那也就可以实现骨龄自动评价系统的成功设计与实 现。 课题来源于教育部春晖计划科研合作项目“基于多媒体技术的人体康复过程 自动识别系统研究”。本课题是该研究课题的予课题，即“计算机辅助儿童骨龄 自动识别系统”。在本课题中论文主要针对x 光图像的分割的有效方法开展研究， 在医学图像分割算法方面做了有意义的尝试，获得的结论也可用于其他诸多医学 图像计算机辅助分析中鲫5 1 。 1 2 医学图像分割概述 1 2 1 医掌图像处理 医学图像处理，是数字图像处理技术在医学中的应用。借助于数字图像处理 技术，医务人员可以更加细致地对病变部位进行观察，可以看到通常情况下看不 昆】避工人学顿匕旦f 究生学位论文 到的组织结构，可以从大璧数据中提取有用的信息，可以对病人进行远程治疗， 可以对虚拟病人进行虚拟手术以提高实际手术的成功率。数字图像技术的引入， 大大提高了现代医疗技术和医疗水平，为人们的健康作出了重要的贡献。 骨龄检测在过去的数十年里。随着医学影像技术的飞跃性发展，吸收图像处 理学、计算机视觉和计算机图形学等学科有关知识的基础上发展起来的。图像处 理主要研究图像到图像的变换，其中滤波、增强、分割等基本方法都是骨龄检测 过程中所必需的。计算机视觉或图像理解的任务是对图像进行解释，即给予每个 图像内容一个符号描述，实现计算机辅助评价。计算机图形学研究物体的描述方 法，在骨龄检测过程中可起到引导作用，缩短识别所需时间。 1 2 2 图像分割简介 图像分割( i m a g es e g m e n t i o n ) 是一种重要的图像技术，它不仅得到人们广 泛的重视和研究，也在实际中得到大量的应用。图像分割在不同的领域中有时也 用其他名称，如目标轮廓( 0 b j e c t d e l i n e m i o n ) 技术，阙值化技术( t h r e s h o l d i n g ) 技术，图像区分或求差( i m a g ed i s c r i m i n a t i o n ) 技术，目标检测( t a r g e td e t e c t i o n ) 技术，目标识别( t a r g e tr e c o g n i t i o n ) 技术，目标跟踪( t a r g e t t r a c k i n g ) 技术等， 这些技术本身或核心实际上也是匿像分割技术。 图像技术在广义上是各种与图像有关技术的总称。图像技术种类很多，跨度 很大，但可以将它们归在一个夔体框架图像工程之下。图像工程是一个对整 个图像领域进行研究的新学科，它内容非常丰富，根据抽象程度和研究方法等的 不同可分为三个各有特点的层次( 见图1 1 虚线框内) ：图像处理、图像分析和 图像理解瞵j 。 幽1 1图像分割在削像小稃中的位萱 号 标 素 符 目 像 ，(、，llll 操 作 对 象 昆l 判理tk 学碳l 目f 究生学位论义 图像处理着重强调在图像之问进行变换以改善图像的视觉效果。图像分析则 主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立 对图像的描述。图像理解的重点是在图像分析的基础上，进一步研究图像中各目 标的性质和它们之间的相互联系，并得出对原始成像客观场景的解释，从而指导 和规划行动。 图像处理、图像分析和图像理解具有不同的操作对象，可参见图1 1 。图像 处理是比较低层次的操作，它主要在图像像素级上进行处理。图像分析则进入了 中层，它侧重于对像素集合目标的表达测量描述。图像理解主要是商层操作， 基本上是对从描述中抽象出来的数据符号进行运算推理。 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。这些部 分称为目标或前景( 其他部分称为背景) ，它们一般对应图像中特定的、具有独 特性质的区域。为了辨识和分析目标，需要把它们分离提取出来，在此基础上才 有可能对目标进一步利用。图像分割就是把图像分成各具特性的区域并提取出感 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。 图像分割是由图像处理进到图像分析的关键步骤，在图像工程中占据重要的 位鬣。一方面，它是目标表达的基础( 见图1 1 ) ，对特征测量有重要的影响。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。 图像分割在实际应用中得到广泛的应用，例如在工业自动化，在线产品检测， 生产过程控制，文档图像处理，遥感和生物医学图像分析，保安监视，以及军事， 体育，农业工程等方面。概括来说，在各种图像应用中，只要对图像目标进行提 取、测量等都离不开图像分割。近年来，图像分割在对图像的编码中也起到越来 越重要的作用，例如国际标准m p e g i v 中的模型目标编码等都需要基于分割 的结果t 。 图像分割一直是图像处理领域中的重点和难点。图像分割在计算机视觉系统 的初级处理中具有关键作用，是目标识别、图像理解等高层图像处理的基础。吲 像在分割后的处理，如特征提取、目标识别等都依赖图像分割的质量，所以分割 被视为图像处理中的瓶颈。图像分割技术从兴起到现在，算法上得到了不断的改 昆明理_ t 人学硕七垂阡究生。事位论奠 进和创新，已经取得了很大的进步。但由于图像种类的多样性，很难用一个精确 的数学公式来表征图像分割的过程。因此，尽管分割的方法很多，还没有一种对 任何图像都适用的分割方法。一般来说，对图像分割方法的选择都应依据图像和 目标而异。能否找到一个统一的方法用于所有的图像分割，是现在许多学者研究 的方向。 1 2 3 图像分割的定义 多年来，人们对图像分割提出了不同的解释和表述，借助集合概念对图像分 割可给出如下比较正式的定义1 8 】： 令集合r 代表整个图像区域，对r 的分割可看作将r 分成n 个满足以下五 个条件的非空子集( 子区域) r l ，r 2 ，r n ： ( 1 ) u r , = r ： j e l ( 2 ) 对所有的i 和，f ，有月。n r ，= o ； ( 3 ) 对f = l ，2 ，n ，有p ( r ，) = t r u e ： ( 4 ) 对f j ，有p ( 墨u r ，) = f a l s e ； ( 5 ) 对i = l ，2 ，n ，r i 是连通的区域。 其中p ( 霞。) 是对所有在集合r ，中元素的逻辑谓词，0 代表空集。 第一个条件指出应将图像中的每个像素都分进子区域，即所有的子区域组成 了整幅图像，分割是完全的。第二个条件指出在分割结果中各个子区域是互不重 叠的，或者说在分割结果中一个像素不能同时属于两个区域。第三个条件指出在 分割结果中每个子区域都有独特的特性，或者说属于同一个区域中的像素应该具 有某些相同特性。第四个条件指出分割后得到的子区域应具有一些不同的特性， 任意两个子区域不存在公共元素。第五个条件指出分割结果中同一个子区域内的 像素应当是连通的。 另外，上述这些定义不仅定义了分割，也对进行分割有指导作用。对图像的 分割总是依据一些分割准则进行的。条件一与二说明难确的分割准则应可适_ j 于 昆明理r 人学硕匕! | 究生学位论殳 所有区域和所有像素，而条件三和四说明合理的分割准则应帮助确定各区域像素 有代表性的特性，条件五说明完整的分割准则应直接或间接地对区域内像素的连 通性有一定的要求或限定。 最后需要指出，实际应用中图像分割不仅要把一幅图像分成满足上顶五个条 件的各具特性的区域而且需要把其中感兴趣的目标区域提取出来。只有这样爿。算 真正完成了图像分割的任务【3 l 。 1 2 4 医学图像分割的常用方法 医学图像到今天仍然没有得到圆满解决。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细微结构 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。另外，人体的组 织结构形状复杂，而且入与人之间有相当大的差别，这些都给医学图像分割带来 了困难。迄今为止，大部分研究成果都是针对某一类图像，某一具体应用的分割， 没有一种通用的方法。因此，我们有必要针对医学应用这个领域，对图像分割方 法进行研究。 图像分割的研究多年来一直受到人们的高度重视，至今已经提出上千种各种 类型的分割算法，而且近年来每年都有上百篇有关研究报道发表。由于现有的分 割方法非常多，所以将它们进行分类的方法也提出了不少i 孔。以使用知识的特点 与层次，将图像分割分成两大类：数据驱动和模型驱动两大类。 一基于数据驱动的图像分割方法 数据驱动的图像分割直接对当前数据进行操作，虽然也可使用有关先验知 识，但不依赖于知识。包括基于边界的分割、基于区域的分割、边界与区域相结 合的分割等。 对图像的分割可基于相邻像素在像素值方面的两个性质：不连续性和相似性 ( 根据分割定义) 。区域内部的像素一般具有某种相似性，而在区域之问的边界 上一般具有某种不连续性。所以分割算法据此分为利用区域问特性不连续性的基 于边界的算法和利用区域内特性相似性的基于区域的算法惮j 。 1 基于边界的分割 边缘检测方法随是最早的分割方法之，珏现在仍然是非常重要的。它试1 剽 昆叫理t 人学硕乇 i f 究生学位论文 通过检测图像中包含不同区域的边缘来解决图像分割问题，基于在不同区域之间 的边缘上像素灰度值的变换往往比较剧烈。很多的边缘检测算法是基于图像的灰 度函数求导和在图像中匹目c 特定的边缘模型这两种方法，如m a r r - h i l d r e t h 算法 和c a n n y 算法就是这两种方法的经典代表。在具体做法上，表现为空域算子与 图像模板求卷积和用迭代等方法求匹配函数的系数等。这类方法大多是基于局部 信息的，一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边 缘点的基本依据。 根据检测边缘所采用的方式的不同，边缘检测方法大致包括以下几类：基于 局部图像函数的方法，图像滤波法，多尺度方法，基于反应一扩散方程的方法， 多分辨率方法，基于边界曲线拟合的方法、状态空间搜索法、动态规划法、边界 跟踪法、哈夫变换法等。基于局部图像函数方法的基本思想是将灰度看成高度， 用一个瞌面来拟合一个小窗口内的数据，然后根据该盐面来决定边缘点。多尺度 方法实际上是利用不同尺度的滤波算子对图像进行卷积，并考察由此得到的边缘 点随尺度变化两具有的性质，结合多种不同尺度的信息来最终决定边缘点。图像 滤波法是基于对平滑滤波后的图像求阶导数极大值或二阶导数过零点来决定 边缘的，它的核心问题是要设计一个合适的滤波器，通常使用的滤波器有l o g 滤波器、可控滤波器、b 一样条滤波器等。基于反应扩散的方法借助反应一扩散 方程的观点来看待多尺度滤波，从而达到边缘检测的目的。多分辨率方法是从初 始图像用规则或不规则的方式逐步降低分辨率得到金字塔形的一个图像序列，再 在此基础上进行图像分割。此方法的基本着眼点是较大的物体能在较低的分辨率 下存在，而噪声不能。基于边界曲线拟含方法是用平面曲线来表示不同区域之问 图像的边界线，试图根据图像梯度等信息找出能正确袭示边界的曲线来达到分静l 图像的目的。状态空间搜索法也称图搜索法或启发式搜索法，陔方法用图结构表 示边界点和边界段，通过在图中搜索对应最小代价的通道找到闭合边界，它把边 缘检测和边界连接有机地结合起来，在图像受噪声影响较大时仍能取得较好的效 果。动态规划法是一个多步决策的过程，它通过把1 个n 步过程化为n 个单步 过程的方法使算法复杂度降低。根据动态规划的原理，可将全局最优化变成局部 最优之和。要使此方法的结果令人满意，决簸过程必须是一个马尔可夫过程。边 界跟踪法也称边缘点链接法，由图像梯度图中一个边缘点出发，依次搜索并连接 昆明理 。入学硕七研究生学位l 它文 相邻边缘点从而逐步检测出边界的方法。哈夫变换法是利用图像全局特性而直接 检测目标轮廓的一种常见的方法，该方法的主要优点是受噪声和曲线间断的影响 较小【9 】【1 0 l 。 2 基于区域的分割 基于区域的分割是根据图像数据的特征将图像空间划分为不同区域。常用的 特征包括直接来自原始图像的灰度或彩色特征和由原始灰度或彩色值变换得到 的特征。常用的基于区域的分割方法有：阚值化方法、特征空间聚类法、区域提 取法、松弛迭代法等吼 阈值化分割算法是一种常用的图像分割算法，迄今已经提出了大量算法。对 灰度图像取阚值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然 后将图像中各个像素的灰度值与这个阈值相比较，并根据比较结果将对应的像索 ( 分割) 划分为两类：像索灰度值大于阈值的为一类，像素灰度值小于阈值的为 另一类( 灰度值等于阈值的像素可归入这两类之一) 。这两类像素般分属于图 像中的两类区域，所以对像素根据阙值分类达到了区域分割的目的。由此可见， 阈值化分割算法主要有两个步骤：1 ，确定需要的分割阈值：2 ，将分割阈值与像 素值比较以划分像素。以上步骤中，确定阙值是分割的关键，如果能够确定一。个 合适的阈值就可以方便的将图像分割开来。而在阈值确定后，将阈值与像素比较 和划分像素可对各像素并行的进行，分割的结果直接给出图像区域。根据算法所 用特征或准则的特点，将阈值化技术分成以下几类：直方图方法与悫方图变换法、 最大类问方差法、最小误差法与均匀化误差法、共生矩阵法、矩保持法、最大熵 法、简单统计法与局部特性法、概率松弛法、模糊集法等。近年来，许多取l 弼值 分割算法借用了视觉特性、神经网络、模糊数学、遗传算法、小波变换、信息论 等工具。 利用特征空间聚类的方法进行图像分割可看作是对阈值分割概念的推广苣 将图像空间中的元素用对应的特征空间点表示，通过将特征空间的点聚集成瞪， 然后再将它们映射回原图像空问以得到分割结果。一般的闽值分割可看作用像素 的狄度为特征。灰度直方图代表特征空间用闽值将特征空间划分开，把得到的 特征类映射回图像空问，不同扶度的像素构成不同的区域。除像素扶度外，其他 图像特征也可用于聚类。与阅值分割类似，聚类方法也是一种全局的方法，比仅 8 昆明理t 人学硕t p f 究生学位论文 基于边缘检测的方法更抗噪声。它包括硬聚类，模糊聚类和概率聚类等方法。 区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的 分割区域。它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分 割空间不连续的缺点，但它通常会造成图像的过度分割。区域提取法有两种基本 形式；一种是从单个象素出发，逐渐合并以形成所需的分割区域；另一种是从全 图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形 式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分裂合并 法。区域生长法的基本思想是将具有相似性质的象素合起来构成区域，具体做法 是选给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域 的基础上不断将其周围的象素点以一定的规则加入其中，达到最终将代表该物体 的所有象索点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似 准则。生长准则一般可分为三种：基于区域灰度差准则、基于区域内灰度分布统 计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较 强的小区域，再按一事实上的规则将小区域融合成大区域，达到分割图像的目的 【9 】。 松弛迭代分割法以像素为操作对象( 它不仅可基于灰度进行，也可基于梯度 值进行) ，借助迭代逐步确定各像素的归类。在每次迭代中需要用到称为相容性 的准则，据此松弛算法可分为离散松弛法，模糊松弛法，概率松弛法等。 3 边界与区域相结合的分割 边缘检测的优点是边缘定位准确，运算速度快，但有两大缺点：1 ，不能保 证边缘的连续性和封闭性，2 ，在高细节区存在大量的碎边缘，难以形成一个大 区域，但又不宜将高细节区分成小碎片。区域分割的缺点是往往造成过度分割， 即将图像分割成过多的区域。人们往往将基于区域信息的方法与基于边缘信息的 方法结合起来，通过边缘点的限制，避免区域的过度分割，同时通过区域分割最 大程度的保证边缘的封闭性。采用什么方式结合，怎样结合才能充分发挥各自的 优势，获得好的分割结果是研究的重点。 二基于模型驱动的图像分割方法 基于模型驱动的分割直接建立在先验知识的基础上，包括基于动念轮廓模 型、组合优化模型、目标几何与统计模型的分割方法【挖1 。 9 昆c 列型1 。人学颁。埘f 究生学位论义 1 组合优化模型 基于组合优化模型的分割主要是近年来对通用分割方法的研究，倾向于将分 割看作一个组合优化问题，并采用一系列优化策略完成图像分割任务。主要思路 是在分割定义的约束条件之外，根据具体任务再定义一个优化目标函数，利用一 个目标函数在约束条件下的全局最优解就是分割结果。由于目标函数通常是一个 多变量函数，基于梯度下降的优化方法虽能快速收敛，却容易陷入局部最优解。 为此才用随机优化方法，例如遗传算法，随机退火算法等。 2 目标几何与统计模型 基于目标几何与统计模型的分割是将目标分割与识别集成在一起的方法，常 称作目标检测或提取。基本思想是将有关目标的几何与统计知识表示成模型，将 分割与识别变成匹配或监督分类。常用的模型有模板，特征矢量模型，基于连接 的模型等。 模板通常是根据目标的几何形状特征定义的，有固定和可变两种类型。基于 固定模板的分割适应性较差，一般是充分考虑可能出现的各种成像条件，对一种 目标定义多个不同的模板，或者采用可变模板。基于特征矢量模型的分割采用了 传统的统计分类思想，对训练图像集进行特征提取后构成目标的特征矢量模型， 分割时对输入图像的像素或区域进行基于最近距离的监督分类，以检测所需目标 的位置。基于连接模型的分割则采用网络构成目标的模型，通过学习确定网络的 结构和参数。最常见的是神经网络模型。 几何与统计模型驱动的分割能够同时完成部分或全部识别任务，具有较高的 效率。然而由于成像条件变化，实际图像中的目标往往与模型有定的区别，需 要面对误检与漏检的矛盾，此外，匹配时的搜索步骤颇为费时。 3 动态轮廓模型( 蛇模型) 在传统的计算机视觉领域，m a n 的分层理论认为：需要3 个独立的层次来 表达视觉信息的处理过程，而一直到2 5 维，计算只能依赖于从图像本身获得的 信息进行，不可能使用高层的信息。这种严格的顺序的研究方法将视觉任务分成 几个独立的阶段但同时将底层的误差传播到了高层，没有修齐的机会。而受图 像噪声、投影等诸多复杂因素的影响，许多底层的视觉任务出于欠缺约束条件而 成为病态的，没有唯一解。在经典的m a n 视觉理论框架中，习惯将轮廓提取分 0 昆明理_ t 人学颂土i i f 究生学位论文 为两个独立的问题，即边缘检测问题和边缘连接问题。在视觉处理的最底层，边 缘检测器直接作用于图像得到包含边缘点位置及边缘强度和方向的边缘图像：然 后由边缘连接算法按照预先定义的标准对边缘点进行连接，以产生轮廓，是一个 自底而上的处理过程。在这两个问题的研究上，人们花费了大量的精力，提出了 许多算法，但是至今为止轮廓提取问题仍然没有得到满意的答复，这其中个主 要原因就是在边缘检测过程中产生的错误完全传递给了边缘连接过程，而没有丝 毫的修正机会。 k a s s 等人向这种严格的各自独立的分层视觉模型提出了挑战，在许多图像 理解任务中，底层事件的正确理解依赖于高层知识。他们试图设计这样一个能量 函数：其局部极值组成了可供高层视觉处理进行选择的方案，从该组方案中选择 最优的一种是由能量项的迭加来完成。这样，在寻找显著的图像特征时，高层机 制可能通过将图像特征推向一个适当的局部极值点丽与模型交互。基于这样一种 思想，k a s s 等人在1 9 8 7 年提出称为s n a k e 的活动轮廓线模型( a c t i v ec o n t o u r m o d e l ) 【1 4 】。 活动轮廓模型( a c t i v ec o n t o u rm o d e l ) 是一种人机交互式的，自上而下的轮廓 提取模型。模型中利用了一定的人类的高级识别能力，将注意力放在希望提取的 轮廓附近，从而提高了轮廓提取的可靠性和准确性，可以越过物体轮廓上的不连 续区域，从而获得完整的轮廓，而不会将轮廓割断，与传统的提取方法相比有明 显的优越性。 活动轮廓模型首先通过人的识别能力，在待提取轮廓的附近设置若干控制 点，并连成一条连续曲线。然后充分利用图像信息、外部限制及曲线连续性和平 滑项的限制定义一个能量函数，作用于各个控制点，使控制点向使能量函数减小 的区域移动。最后当能量函数不再减小时，即得到要求提取的轮廓。s n a k e 是能 量极小化的样条，内力约束它的形状，外力引导它的行为，图像力将其拖向疑著 的图像特征。曲线在移动的过程中，是一种扭曲蠕动的行动方式，所以又称活动 轮廓模型为“蛇”一s n a k e 。 s n a k e 模型对于广泛的一系列视觉问题给出了统一的解决方法。所以它被越 来越多的研究者成功地应用于计算机视觉的许多领域，如边缘提取、图像分割和 分类、运动跟踪、3 d 重建、立体视觉匹配等刚【2 2 】【2 3 】【2 引。 昆删理【k 学瑚l 讲究生学位论直= 1 3 本文的研究内容 骨龄自动评价系统是一种对手腕骨x 射线图像进行处理的系统i “，即对于一 张手腕骨x 射线图片，系统可以根据c h n 法判定其骨龄数据。本文的研究内 容是骨龄识别系统的一部分，主要任务是对手腕骨x 射线图片进行分割，为后 面的识别做好前期准备。因为c h n 法涉及手腕骨上的1 4 块骨骼，所以先要从 整个手腕骨图像中分割出每块骨骼，即首先要进行骨骼定位。在c h n 法中，由 于主要是根据骨骼外形轮廓来划分骨骼等级的，所以如果要进一步使用c h n 法 来判断其等级，就必须准确地得到每一块骨骼的边缘形状。由于手腕骨x 射线 图片中，存在对比度很低，照度不均，骨骼边缘受肌肉及其他软组织的影响、边 缘形状不规则等问题传统的边缘检测方法很难获得骨骼的准确边缘。因此，本 文尝试用活动轮廓线( 蛇) 模型来对骨骼边缘进行提取1 2 5 j 。 本文的第二章主要介绍活动轮瘃模型的初始轮廓的提取。初始轮廓的提取用 到了许多常用的图像预处理技术，包括图像的缩放，图像的增强，图像的滤波， 图像的闽值分割，数学形态学等技术。手腕骨x 射线图片有3 个层次：背景、 肌肉和骨骼提取出的初始轮廓在肌肉与背景边缘附近。 第三章介绍了基于s n a k e 的动态轮廓算法，并把此种算法应用于手腕骨x 线片的边缘提取。s n a k e 算法的主要特点是不但考虑了来自图像的灰度信息，而 且还考虑了整体轮廓的几何信息。第二章提取出的初始轮廓在外力，内力的共同 作用下逐渐向肌肉和骨骼的边缘逼进，经过数次迭代之后，到达了目标边缘。 第四章是总结和展望。在第三章的实验结果中我们发现结果基本达到要求， 仅有个别控制点还是没有准确的逼进真实的边缘。所以在第四章对算 杰存在的问 题进行了分析，指出今后研究的方向。 蹶进行了分析，指出今后研究的方向。 昆l 螂理r 火学硬l 研究生学位论文 第二章活动轮廓模型初始轮廓的提取 活动轮廓模型( s n a k e 模型) 的主要原理是先提供待分割图像的一个初始的 轮廓位置，并对其定义一个能量函数，使轮廓沿能量降低的方向靠近。当能量函 数达到最小的时候。提供的初始轮廓收敛到图像中目标的真实轮廓。s n a k e 能量 函数由内部能量函数和外部能量函数组成，内部能