（计算机软件与理论专业论文）医学图像自动特征提取的研究.pdf

摘要 随着医学数字化影像设备在临床工作中曰益广泛的应用，临床上每天都会产生大 量医学图像数据。如何有效地识别图像特征和根据图像特征检索医学图像是当前迫切 需要解决的问题，为此医学图像的自动特征提取技术成为近年来该领域中的研究热点。 医学图像自动特征提取是辅助医生进行快速诊断病情和进行基于内容的医学图像 检索的关键技术，为了提高辅助诊断和检索的速度和精度，需选择具有代表性的特征， 而且这些特征应具有比例、旋转、平移不变性。 小波变换具有多分辨的特点，并且这种特点呈塔形分解形式，这种分解方式与人 由粗到细，逐渐辨识图像的思维方式是吻合的。线性矩的多分辨分析方法是首先将图 像的二维信息转换为一维信息一线性矩，然后利用多分辨正交基对线性矩进行变换， 计算其各分辨率下的信号的能量及经f f r r 变换的值，获取特征矢量。 关键词：小波变换，多分辨率分析，神经网络，自动特征提取 a b s t r a c t t h e r ei sa l le n o r m o u sn e e df o ra u t o m a t i cf e a t u r ee x t r a c t i o n , a n dr e t r i e v a lb a s e do n f e a t u r ee x t r a c t i o ni nt h eg r o w i n gf i e l do fd i g i t a la r c h i v e s i n p a r t i c u l a r , t e c h n i q u e so f a u t o m a t i cf e a t u r ee x t r a c t i o nf o rm e d i c a li m a g eh a v eb e e nm a j o rt o p i c so fr e s e a r c hi nr e c e n t y e a r s a u t o m a t i cf e a t u r ee x t r a c t i o nf o rm e d i c a li m a g ei sa l lk e y t e c n i q u ef o rf a s td i a g n o s i sa n d c b l r ( c o n t e n t - b a s e di m a g er e t r i e v a l ) t h er e p r e s e n t a t i v ef e a t u r e s ，w h i c ha r ea l s oi n v a r i a n t t ot h et r a n s l a t i o n , s c a l i n ga n dr o t a t i o n ，s h o u l db es e l e c tf o ri m p r o v i n gt h ep r e c i s i o na n d v e l o c i t c w a v e l e tt r a n s f o r mi sc h a r a c t e r i z e db ym u l t i r e s o l u t i o n ，w h i c h p r e s e n t sp y r a m i d s t r u c t u r e i tc o i n c i d e sw e l lw i t ht h ew a y b yw h i c hp e o p l ed i s t i n g u i s ho b j e c tf r o mc o a r s et o f i n e n e s sa n df r o ml a r g et ot i n y t h ea p p r o a c ho fl i n e a rm o m e n tc o n v e r tt h ei n f o r m a t i o no f 2 di m a g ei n t o1 一dl i n e a rm o m e n tf i r s t l ya n dt h e nt r a n s f o r m si tw i t hm u l t i r e s o l u t i o n o r t h o n o r m a ls h e l l f e a t u r ev e c t o rc a nb eg e tt h r o u g hc a l c u l a t et h ep o w e ro fs i g n a la n dt h e c o e f f i c i e n t so ft h es i g n a l sf f ri nd i f f e r e n tr e s o l u t i o n k e yw o r d s ：w a v e l e tt r a n s f o r m ，m u l t i r e s o l u t i o na n a l y s i s ，n e u r a ln e t w o r k ， a n t o m a t i cf e a t u r ee x t r a c t i o n 长春理工大学硕士学位论文原创性声明 本人郑重声明：所呈交的硕士学位论文，医学图像自动特征提取的研究是本人 在指导教师的指导下，独立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，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律结果由本人承担。 作者签名：j 政匡! 立芝立年丝月主五日 长春理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“长春理工大学硕士、博士学位论文版权使 用规定”，同意长春理工大学保留并向国家有关部门或机构送交学位论文的复印件和电 子版，允许论文被查阅和借阅。本人授权长春理工大学可以将本学位论文的全部或部 分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编 学位论文。 作者签名：垂璺塑圭翌2 年 羔月丝日 指导导师签名：盐竺卑年旦月丛日 第一章绪论 1 1 医学图像自动特征提取的目的和意义 现代医学己越来越离不开医学影像的信息处理，医学影像在临床诊断、教学科研 等方面正发挥着极其重要的作用。常见的医学影像包括b 超图像，彩色多普勒超声图 像，核磁共振( m r i ) 图像，c t 图像，p e t 图像，s p e c t 图像，数字x 光机( d x ) 图像， x 射线透视图像，电子内窥镜图像，病理切片图像等。在临床使用过程中，随着病人 数量的增加，医学图像的数量也急骤增加，图像作为一种二维信息，信息量大并且处 理算法复杂，使得医学图像处理成为医疗信息化建设中的重点和难点。 图像的特征提取【1 】是计算机图像处理的一个基本问题。一般地在图像中存在着一些 特殊的信息，这些信息使该图像有别于其它任何图像，这些特殊信息就是图像的特征。 目前对图像处理研究最多的就是图像的灰度特征。而且图像灰度特征的涉及面很广， 从一幅图像中提取出什么样的特征，需要根据设计者所关心的问题来决定。由于图像 具有很强的领域性，不同的领域图像的特征千差万别，与图像所反映的对象物体的各 种物理的，形态的性能有很大的关系，因而有各种各样的特殊方法。对二维图像的特 征提取的研究就成为当前图像处理的最重要的一个方面。 随着医学图像可视化技术的发展，医学图像的特征提取成为医学图像处理中的研 究重点，所现代化医院每天将产生大量包含病人生理、病理和解剖信息的医学图像。 这些图像是医生进行临床诊断、病情跟踪、手术计划、预后研究、鉴别诊断的重要客 观依据，医学图像数据的多样性和重要性要求运用高效准确的图像处理算法提取图像 中的特征信息，这样可以根据图像的特征检索需要的图像，这属于基于内容的图像检 索，可以提高医生的工作效率，并且扩展了医学图像在医学领域的应用。成功的特征 提取算法，可以准确的分离出人体组织和病灶区域，这样可以减轻医生的负担，提高 医生的诊断效率，给医生的临床诊断提供更多的参考信息。 医学图像的特征提取还应用于基于内容的图像检索( c b i r ，c o n t e n t b a s e di m a g e r e t r i e v a l1 ，是c b i r 中的关键技术。随着计算机运算和存储能力的提高，以及扫描技 术、网络技术、图像压缩技术和因特网技术的迅猛发展，来自各行各业的数字化图像 数量持续剧增，从而使得图像数据库及其检索1 2 l 技术成为当今研究领域的热点之一 【3 】1 4 】【5 】。传统的基于文本的图像检索方法已经难以满足当前应用的需求。为此，如何从 在线的数据库更有效地创建、管理和检索图像已经成为军事，气象，航空航天以及生 物医学等重大领域中亟待解决的问题。如果找到一个可以直接检索图像“内容”，而无 须依赖相关文字信息的方法，无疑对这些领域的发展具有重要的意义。 医学图像特征提取就是要提取出图像的“内容”，从而可以快速分离出图像的病灶 区域或快速从数据库中检索出相似的图像，为医生诊断病情提供可靠的帮助。 1 2 国内外研究现状 医学图像的自动特征提取是一个多学科交叉的研究领域，涉及计算机图形学、数 字图像处理、生物医药工程等学科的相关知识。图像的特征提取是图像分析处理中的 基本概念，为了解决这个问题，已经研究出许多有效的技术，如g a n n y 算子、p r c w i t t 算子、r o b e a 算子和s o b e l 算子、微分梯度法等等，比较复杂的方法还运用神经网络和 模糊逻辑等知识。尽管目前有多种解决方案已经得到了广泛的应用，但是还没形成一 种通用的方法，所以这个领域还有待进一步的研究，寻找一种新的更有效的通用方法。 利用图像处理技术从医学图像本身提取特征参量，构成描述图像内容的特征向量 进行检索图像，属于基于内容的图像检索( c o n t e n t b a s e di m a g er e t r i e v a l ，c b i r ) ，c b i r 在 般的图像数据库中的应用，国内外研究较多，经典的有i b m 的q b i c ，有人机交互 式的检索，基于手势的检索( 即通过摄像机读取和分析用户手势做出相应检索) ，这些 系统提取的特征主要有颜色、形状、纹理以及变换域。国内对c b i r 研究起步较晚， 但已有不少相关论文，研究比较多的还是基于图像主色、直方图和形状的检索方案。 图像的自动特征提取主要涉及分割与特征提取两部分内容。 图像的分割算法主要有手工勾边方式、人机交互方式、全自动方式，在c b i r 中 的图像分割算法很多，效果较好的有w a t e r s h e d 【6 】 l e v e ls e t 7 ，g e o d e s ia c t i v e c o n t o u f ( g a c ) l s j 等几种算法。w a t e r s h e d 的优点是可以实现全自动分割，分割出的轮廓 封闭；缺点是分割结果中含有太多小区域，需要后处理。l e v e ls e t 的优点是需要很少 的用户干预( 一次鼠标点击即可) ；缺点是分割出的结果可能存在偏差。g a c 算法是一 种基于可变模型的s n a k e 算法，它的优点是可以通过较少的用户干预f 通过鼠标点击， 给出一个多边形作为初始轮廓) 分割出理想的边缘；相应地，缺点是用户干预比前两种 算法稍多。 医学图像作为一种二维的数字图像，进行特征提取与普通的数字图像不同，数据 损耗必须在l 临床应用许可的范围之内，这样才能给医生进行临床诊断提供可靠的帮助。 现有的图像特征提取算法，如s n a k e 算法，人工神经网络方法，统计方法等，大多针 对辅助诊断或模式识别应用，对图像特征区域划分较细，因此算法一般过于复杂，或 者需要人工干预，或者时间复杂度很大，如果直接应用在医学图像的特征提取上效果 不够理想，不能满足临床诊断的需求，因此，有必要对现有的算法进行分析改进，设 计出针对医学图像特征提取应用的算法。 1 3 论文的研究内容和组织结构 1 3 1 主要研究内容 本论文主要研究利用小波变换和神经网络进行医学图像的自动特征提取。文中详 细论述了二维医学图像的自动特征提取的关键技术，在学习了一定的理论基础后进行 2 了大量的研究工作，对二维图像的自动特征提取己经取得的成果和存在的关键问题进 行了总结和分析，同时也对原有的理论有了更深层次的认识。文中将讨论两种方法对 颅脑c t 图像进行特征提取，并对算法作相应的仿真。 利用多分辨分析将信号按不同分辨率分解到不同的频率空间，信号在各尺度的平 均能量表示信号能量在不同频段的分布这一特点，将多分辨分析得到的不同分辨率的 信号的平均能量作为特征。具体作法是在直角坐标系内由图像质心出发构造一组线性 矩，对此组矩进行正交基扩展获得各尺度的信号，再对各尺度信号提取不变量作为特 征。小波变换具有多分辨分析的能力，它既能反映目标的局部信息又能反映全局信息， 在模式识别中大大的提高了识别能力。 首先用n a o k is a i t oa n dg r e g o r yb e y l k i n 提出的正交基扩展的方法进行多分辨分析， 并构造一组具有旋转、平移和缩放不变性的特征，进行了仿真分析。接下来验证了对 仅做循环移动的线性矩进行多级小波变换后，做f f t 变换，可获得旋转不变的特征， 并作了用于目标识别的仿真实验。 第二种方法应用y 4 , 波矩作为图像特征量，利用图像特征进行图像识别的仿真实 验，图像特征匹配是对识别样本进行变换处理，从变换后的结果中提取识别所需的特 征。矩特征由于其良好的稳定性、抗噪性和旋转不变性在图像识别中受到了广泛的关 注和应用。由小波矩来构造目标的旋转不变性的特征，可以克服传统矩的弊端，又具 有旋转不变性的特征。 此外，还讨论了神经网络模式识别，研究了多分辨分析与串联神经网络相结合的 目标识别方法，采用基于改进的b p 网络作为了系统的串联集成网络对c t 图像进行识 别，与单一的b p 网络的识别结果进行了比较。 1 3 2 论文组织结构 第一章，对图像特征提取技术研究的背景和意义，以及国内外现状做了一个回顾： 第二章，介绍了医学图像特征提取的原理与方法； 第三章，介绍和医学图像分割技术和本文采用的基于e m 的医学图像分割方法； 第四章，研究了应用多分辨分析和小波变换进行医学图像的自动特征提取，将信 号按不同分辨率分解到不同的频率空间，信号在各尺度的能量表现出了不变性，可以 作为有效的特征。并应用串联集成神经网络进行分类识别。 第五章，论文的总结与展望。 第二章医学图像特征提取原理与方法概述 在特征提取中，通常是寻找恒定的属性特征，这样提取方法就不用因为选择条件 的变化而改变。作为一种基本的恒定不变量，我们希望在图像描述中寻求对图像变化 的免疫性：无论图像是亮还是暗，我们都能找出它的形状信息，在这个原则下，如果 一个形状和它的背景形成对比关系，就认为形状存在并且可以被检测出来。还有一种 非常重要的信息就是位置：无论形状在哪里出现都能找到它，通常称为位置恒定不变 或平移恒定不变。无论形状怎样旋转都能找到它：这通常称为旋转恒定不变或方向恒 定不变。无论形状的尺寸大小都能够确定它：这通常称为尺寸恒定不变或比例恒定不 变。这些都是图像特征提取中能够找到的主要的恒定不变的属性，然而，由于图像中 总是存在噪声，要提取的目标形状问可能发生重叠，因此，在目标中不是所有的形状 都可以看到并被检测出来的。在对图像进行分析处理之前，需要提取出图像的形状。 相比检测，提取更加复杂，提取是对目标的形状进行描述，如位置和大小，而形状检 测仅仅检测它在一幅图像中是否存在。 为了从一幅图像中提取出一个形状，必需从图像的背景元素中将它识别出来，可 以通过亮度信息或将像素与特定的模版进行比较来识别。在第一种方法中，如果已经 知道了形状的亮度，就可以按照固定的亮度阈值对像素分类，从而可以提取出形状的 像素。另外，可以用二维形状的亮度值来定义模版，h o u g h 变换为二维模版定义了一 个有效的模版匹配实现方法。这种方法能够提取出一些简单的形状，在任何情况下， 可以通过形状的不变特征来简化复杂的形状。常用的图像特征有颜色特征、纹理特征、 形状特征、空间关系特征。 2 1 颜色特征 2 1 1 常用的颜色特征及提取提取方法 颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一 般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡 献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好 地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常 会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其 优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的 影响，基缺点是没有表达出颜色空间分布的信息。 常用的特征提取与匹配方法有如下几种： c 2 上删夏色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像 4 中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置 的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置， 即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：r g b 颜色空间、h s v 颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、 累加颜色直方图法。 2 1 1 2 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜 色集是对颜色直方图的一种近似首先将图像从r g b 颜色空间转化成视觉均衡的颜色 空间( 如h s v 空间) ，并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图 像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达 为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩 区域的空间关系 2 1 1 3 颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外， 由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩( m e a n ) 、二阶矩 ( v a r i a n c e ) 和三阶矩( s k e w n e s s ) 就足以表达图像的颜色分布。 2 1 1 4 颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像 素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则 作为非聚合像素。 2 1 2 灰度特征 灰度图是指只含亮度信息，不含色彩信息的图像。灰度值就是灰度图的“色彩” 它表征了灰度图某一像素点的亮度信息，一般把灰度量化成2 5 6 个级别。基于灰度特 征提取的算法在传统的注重几何特征的计算机视觉研究中没有得到充分的重视，但其 相对于几何特征而言，一个灰度图的灰度值的分布具有一定的稳定性，其对大小，方 向都不敏感，表现出相当强的鲁棒性【9 】。同时在许多情况下，灰度值是描述一幅图像最 简便而有效的特征。在对灰度特征提取的研究中，除了灰度直方图外，还有灰度矩， 灰度集等方法。 2 1 2 1 灰度直方图 灰度直方图是灰度值的函数，它是数字图像处理中一个最有用的工具，它描述了 图像中具有改灰度值的像素的个数，其横坐标表示像素的灰度级别，纵坐标是该灰度 级出现的频率。对于一幅给定的图像，其直方图是唯一的，所以，如果简单图像的函 数形式给定，就可以推到出其直方图。因为直方图是面积函数关于灰度级的导数的负 值。因此，如果能从图像本身的表达式得到面积函数，就能求得其直方图。但当一幅 图像被压缩维直方图后，所有的空间信息都丢失了。 直方图描述了每个灰度级具有的像素的个数，但不能为这些像素在图像中的位置 提供任何线索。因此从图像可以得到唯一到直方图，而从直方图却不能得到唯一的图 像，只能得到表征图像的一些性质。 2 1 2 2 均值化直方图 均值化直方图也是灰度值的函数，它是医学影像数据库中所有的正常影像数据的 灰度分布函数，即它不是某一片影像的灰度分布函数，而是影像数据库中所有正常影 像的灰度分布表征，在对某一片图像做正异常判断的时候，是以它为正常表征而进行 比较的。均值化直方图算法是建立在灰度直方图算法的基础上的，它在计算的时候要 先将影像做规一化处理，不然就失去了其意义。 2 2 纹理特征 2 2 1 纹理特征概述 纹理是所有物体的表面所具有的内在特性，是一种全局特征，它可以表征为物体 表面的结构安排以及周围环境的关系，描述了图像或图像区域所对应景物的表面性质。 一般来说，纹理是在某个给定的区域中局部模式的重复出现，因此可通过对这些局部 模式以及它们之间排列规则的描述来进行纹理分析，通常对纹理图像的特征描述主要 有两种：一是h a r a l i c k 提出的共生矩阵法，它突出的是纹理的空间依赖关系；另一是 t a m u r a 提出的视觉特征法，这种方法更多的是强调视觉效果。一般可以通过考察纹理 图像像素之间的方向和距离来构造共生矩阵，如灰度共生矩阵m 血却) 即为图像中相距 位置为( 缸a y ) 的两个灰度同时出现的联合频率分布。在本文中所用的图像的灰度级为 2 5 6 级，所以其共生矩阵为2 5 6 x 2 5 6 矩阵，可表示为m 血衄鼬妨，其中位于伪妨的元素 值j 】l 表示一个灰度为h 而另一个灰度为k 的两个相距为( 血a y ) 的像素对出现的次数。 用这一灰度共生矩阵可以提取反差、角二阶矩即能量和的均值等多个度量纹理的统计 量，用于描述纹理特征。 但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以 仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基 于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。作为一种统计特 征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征 也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可 6 能会有较大偏差。 在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效 的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的 纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。常用的特征提取与 匹配方法有如下几种： 2 2 1 1 统计方法 统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法g o t l i e b 和 k r e y s z i g 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵 的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图 像的自相关函数( 即图像的能量谱函数) 提取纹理特征，即通过对图像的能量谱函数 的计算，提取纹理的粗细度及方向性等特征参数 2 2 1 2 几何法 所谓几何法，是建立在纹理基元( 基本的纹理元素) 理论基础上的一种纹理特征分析 方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的 形式重复排列构成。在几何法中，比较有影响的算法有两种：v o r o n i o 棋盘格特征法 和结构法。 2 2 1 3 模型法 模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是 随机场模型法，如马尔可夫( m a r k o v ) 随机场( m r f ) 模型法和g i b b s 随机场模型法 2 2 。1 4 信号处理法 纹理特征的提取与匹配主要有：灰度共生矩阵、t a m u r a 纹理特征、自回归纹理模 型、小波变换等。 灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。 t a m u r a 纹理特征基于人类对纹理的视觉感知心理学研究，提出6 种属性，即：粗糙度、 对比度、方向度、线像度、规整度和粗略度。自回归纹理模型( s i m u l t a n e o u s a u t o r e g r e s s i v e ， s a r ) 是马尔可夫随机场( m r f ) 模型的一种应用实例。 2 2 2 纹理特征的提取 由于纹理是图像中一个重要而又难以用文本进行描述的特性，因此如何进行纹理 特征的有效选取，以期达到效率较高的区分特征成为纹理特征提取的一个非常重要的 问题1 1 0 1 。常用的有4 个方向的共生矩阵即： 取1 功，m ( o , 1 ) ，m l ，1 ) ，帆1 ，1 ) ，然后分别计算 这4 个共生矩阵的下列4 个纹理参数。下面分别论述这4 个纹理参数： 7 1 反差，即主对角线的惯性矩g ： “；q - k ) 2 ( 2 1 ) 对于粗纹理，由于m h k 的数值较集中于主对角线附近，此时仞墙) 的值较小，所以 相应的g 值也较小；相反，对于细纹理，则相应的g 值较大。 2 能量，即角二阶矩，： j 2 ；沏* ) 2 ( 2 2 ) 这是一种对图像灰度分布均匀性的度量。当m h k 的数值分布较集中于主对角线附近 时，其相应的，值较大；反之，之则较小。 3 熵s ： 珏一；m “l o g 他3 1 当灰度共生矩阵中各数值相差不大且较分散时，s 值较大；反之，当历j i 七的数 值较集中时，s 值较小。 4 相关c ： 艺 砌“一以， c = ! j ! - - - - - - - - - 吒口，( 2 4 ) 其中触，胁。，s ，s y 分别为帆，m y 的均值和标准差， 4 争“是矩阵m 中每 m t2 小h m 1 ) m “ 行元素之和； 中“是矩阵m 中每列元素之和。相关量用来描述矩阵中行或列元 素之间灰度的相似程度。 在算出图像的上述4 个纹理参数后，可以结合采用各个参数的均值和标准差，即 采用g ，5 g ，胁，即，j u s ，s s ，地，s c 作为纹理特征向量中的各个分量，由于以上8 个分量物理意义和取值范围不同，需要对它们进行内部规一化，这样在计算相似距离 时，可使得各分量具有相同的权重【9 1 。 2 2 3 纹理特征的规一化 在利用纹理参数计算相似距离时，要先对他们进行内部规一化，高斯规一化方法 是一种较好的规一化方法，其特点是少量超大或超小的元素值对整个规一化后元素值 的分布影响比较小。一个维的特征向量可记为：f = 【列狁“矗】。如用1 1 ，2 ，3 n 代表图像库中的图像，则对其中任一幅图像 ，其对应的特征向量为b = 【确”- ，d 】。 假设特征分量值系列【 豳一 h i ”锄】符合高斯分布，则计算出其均值竹和标准差5 j ， f t q 一m i 然后利用下式可将凡规- - 4 至 一1 ，1 】区间：“ o j根据此式规一化后，各个向 均转变成具有( 0 ，1 ) 分布的向。如果利用3 s j 进行规一化，则向的值落在【一1 ，1 】区间 的概率可达9 9 。 2 3 形状特征 各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行 检索，但它们也有一些共同的问题，包括：目前基于形状的检索方法还缺乏比较完 善的数学模型；如果目标有变形时检索结果往往不太可靠；许多形状特征仅描述 了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；许多形 状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似 性与人视觉系统感受到的相似性有差别。另外，从2 d 图像中表现的3 d 物体实际 上只是物体在空间某一平面的投影，从2 d 图像中反映出来的形状常不是3 一d 物体 真实的形状，由于视点的变化，可能会产生各种失真。 通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。 图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。 几种典型的形状特征描述方法： 2 3 1 1 边界特征法一一 - _ 。- 。_ - - _ - _ _ _ 。一 该方法通过对边界特征的描述来获取图像的形状参数。其中h o u 【g h 变换检测平行 直线方法和边界方向直方图方法是经典方法。h o u g h 变换是利用图像全局特性而将边 缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点一线的对偶性；边界 方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图， 通常的方法是构造图像灰度梯度方向矩阵。 。! ! ：! ：! ：互篷l 里p 形状描述符法 傅里叶形状描述符( f o u r i e rs h a p ed e s c r i p t o r s ) 基本思想是用物体边界的傅里叶变换 作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边 界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。 2 3 1 3 几何参数法 r 、- - _ - _ _ _ - _ 一 形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测 度( 如矩、面积、周长等) 的形状参数法( s h a p ef a c t o r ) 。在q b i c 系统中，便是利用圆 度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。 需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准 确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。 9 2 3 1 4 形状不变矩法 利用目标所占区域的矩作为形状描述参数。 2 4 空间关系特征 所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方 向关系，这些关系也可分为连接邻接关系、交叠重叠关系和包含包容关系等。通常 空间位置信息可以分为两类：相对空间位置信息和绝对空问位置信息。前一种关系强 调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距 离大小以及方位。显而易见，由绝对空间位嚣可推出相对空间位置，但表达相对空间 位置信息常比较简单。 空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图 像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信 息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外， 还需要其它特征来配合。 提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割， 划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索 引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提 取特征，并建立索引。 2 5 边缘特征 一般地，边缘提取过程可归结为边缘点和非边缘点的分类问题，我们知道像的幅 度谱呈现出了一系列的不连续性，正是因为如此，它才一会看起来包含着内容。影像 中的边缘可以被定义为局部区域内影像特征的差异，它体现在影像上的不连续性( 比 如，灰度级的突变，纹理结构的突变等) 。大范围内的不连续性成为边界。边缘检测用 边缘点勾画出影像中各个“对象”的轮廓，从而分析影像是否含有某些需要识别的目 标。其目的就是要突出影像的边缘以便取得影像的特征。 2 5 1 基于算子法的边缘检测 图像的边缘是由灰度不连续性所反映的。对于图像边缘上的一个像素，其邻域是 一个灰度级变化的带。我们用该像素处灰度的梯度向量的模和方向来表示变化率和方 向。显然，当一个像素处的梯度向量的模大于一定范围时，该点就是一个边界上的点， 而梯度向量的方向将有助于我们将边界点连接成点序列。经典的边缘提取算法是考察 图像的每一个像素在某个领域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化 规律。用简单的方法检测边缘。这种方法称为边缘检测局部算子法。 1 0 2 5 1 1r o b e r t s 边缘检测算子 r o b e r t s 边缘检测算子是一种利用局部差分算子寻找边缘的算子。它由以下式子给 定： 占g ，y ) ；l 、7 i i 歹i 一，巧i i _ ；丽? + 、而一了彳而 ( 2 5 ) 其中触) 是具有整数像素坐标的输入图像，平方根运算使该处理累似于在人类视 觉系统中发生的过程。 2 5 1 2s o b e l 边缘算子 田醑 ( a ) h x 卷积梭 c o ) h y 眷积核 图2 1 s o b e l 算子 s o b e l 算子由两个卷积核构成，如上图所示。其中氟用来计算垂直方向的灰度变化 率，k 用来计算水平方向的灰度变化率。通过这两个卷积核的计算，可以得到每一个 像素上梯度的x , y 分量取和白，从而计算梯度向量。如果将梯度的模作为该点的输出 值，得到的结果将是一幅边缘强度图。对这幅图像进行阈值化处理就可以得到相应的 边界。 2 5 1 3p r e w i t t 边缘算子 圈群 ( a ) 虬眷积核( b ) h ，卷积核 图2 2 p r e w i t t 算子 p r e w i t t 算子与s o b e l 算子非常类似，p r e w i t t 算子同样由两个卷积核构成，图像中 的每一个点都用这两个核进行卷积，取最大值作为输出，它将产生一幅边缘幅度图像。 如上图所示。 2 5 1 4k i r s c h 边缘算子 典型的k i r s c h 可以由4 个或8 个卷积核构成，分别用来计算4 个或8 个方向上的 灰度变化率。下图表示了一个由4 个卷积核构成的k i r s c h 算子 田髓圈圈 图2 3 k i t s c b 算子的4 个卷积核 图像中的每一个点都用8 个掩模进行卷积，每个掩模都对某个特定边缘方向做出 最大响应，所有4 个方向中的最大值最为边缘幅度图像的输出。最大响应掩模的序号 构成了边缘方向的编码i l ”。 上面所描述的三种边缘检测算子s o b e l ，p r e w i t t ，k r i s c h 算子可以得到非常相似的 边缘图像。它们对灰度渐变核噪声较多的图像处理效果较好。但是边界图像的边缘往 往是非单一像素的，而且是不连续的。此时3 x 3 的卷积核不能很好的避免高频噪声的 影响。这种情况下基于梯度的边缘检测算子往往不能获得最理想的边缘。 2 5 2 基于二阶导数的边缘检测一高斯拉普拉斯检测 根据二阶导数的定义，二阶导数的过零点表示了一阶导数取得极大值，也就是函 数值变化最快的位置。将拉普拉斯应用于二维图像，将在图像边缘处产生一个陡峭的 零交叉。高斯拉普拉斯边缘检测算法是由d m a r r 等人在1 9 8 0 年提出的基于二阶导数 的边缘检测算法【1 2 1 。拉普拉斯算子是对二维函数求二阶导数的标量算子，对于二维图 像触，y ) ，拉普拉斯算子的定义为： v 2 舷y ，= 軎+ 軎 ( 2 6 ) 对于拉普拉斯算子滤波后的图像可以用零阈值对其进行二值化，产生闭合的、连 续的边界轮廓。但是，拉普拉斯算子对高频信号敏感，图像中存在的噪声会使拉普拉 斯算子滤波后出现大量的无用轮廓。因此，在拉普拉斯算子滤波之前需要对图像进行 低通滤波。作为图像平滑滤波器，高斯低通滤波无疑是最好的。将高斯算子和拉普拉 斯算子组合成一个单一的高斯拉普拉斯算子( l o g ) ： 1 j 2 + y 2 1 t、一! ：! ! ! l 口g ；一v 2 p2 a 2 ：二了怔一x j 2 + y zb 2 0 2 2 z c r +彬一” ( 2 7 ) 这个算子对x 和y 是可分离的，实现比较容易。l o g 算子的脉冲响应是一个负的 凹谷中有一个正的尖峰。参数s 可以控制中心尖峰的半径，同时也控制了高斯平滑的 程度。拉普拉斯算子高斯拉普拉斯算子分别如下面两图所示。 黯圈 图2 4 拉普拉斯检测算子 - 4 4 - 4 - 2 0804 82 48 4 0804 - 4 - 4 4 2 图2 5 高斯拉普拉斯算子模板 由于噪声点对边缘检测有一定的影像，所以高斯拉普拉斯算子是效果较好的边缘 检测器。本系统中把高斯平滑滤波器核拉普拉斯锐化滤波器结合起来，先平滑噪声， 再进行边沿检测，得到了很好的效果。 2 5 3 主轮廓边缘提取 前面几小节讲的边缘提取方法大多归结为图像高频分量的增强过程，但由于噪声 和图像特征一样，也是图像灰度变化频域中的高频分量，简单的微分运算同样会增强 图像中的噪声，这样噪声点就很容易被误判为边缘点虽然可用平滑滤波的方法减少高 频噪声的影响，但平滑的过程又会模糊图像细节，而且平滑滤波的窗口往往很大，从 而导致定位不准，这就存在一个问题即检测精度和抗噪性能之间存在着矛盾。本章开 始时就讲到边缘提取的问题可以归结为边缘点和非边缘点的问题，总结传统的边缘提 取方法，可以从以下几个方面入手：( 1 ) 边缘点和非边缘点的分类判断依据的选择可以 是多元的，不应该局限于图像本身的灰度变化的微分信息。( 2 ) 分类过程可以是迭代学 习的过程，不一定只依赖某一次分类的结果。( 3 ) 可用图像轮廓的整体信息知道边缘像 素分类过程，即改变传统的自底向上的分类过程为自顶向下的分类或自底向上与自顶 向下的混合分类过程。 本小结讲的主轮廓提取方法就是将传统的仅仅基于微分操作的边缘提取过程转化 为一种自项向下的最优轮廓逼近过程，它不仅将图像灰度变化的微分信息最为边缘提 取的依据，同时以图像轮廓的整体几何信息最为指导，从而能再保持边缘检测精度的 情况下，定程度上解决噪声对轮廓特征提取的影响。它的算法主要分两步完成： 1 边缘点和非边缘点的判断 主动轮廓的提取过程是图像轮廓的外力作用下的演化过程。这个过程的抗干扰性 能，取决于这些作用力的选取。本文采用两个作用力。由于轮廓最终收敛的目标是图 像的强边缘或区域分割处，因此第一个作用势场选用图像灰度的微分信息，传统的任 个边缘提取算子均可以参与这个作用势场，记为最。此外为了消除噪声的影响， 本文中采用了于噪声无关的作用势场，基于轮廓曲线几何信息的作用势场。 图像轮廓是一条自由几何曲线，它的参数方程为： 1 3 琊) = 【工o ) ，y o ) 】 ( 2 8 ) 其中参数s 为曲线的路径长度。由曲线理论得知【1 3 】，对于平面闭合曲线，如果以 其能量最小化为准则，它将有向内自发收缩的趋势。这种收缩趋势是与曲线以外的任 何作用，如图像灰度微分信息等的作用没有任何关系的。因此，如果让这种作用参与 图像边缘点和非边缘点的分类过程，是有利于抵制噪声影响的，因此本文中定义两种 能量：来自曲线内部的作用力和外部的作用力，分别用e 品和e 。表示。对于边缘轮廓 的提取，外部能量来自图像的微分信息，因此点o = e i m a g e 。这样依据以上分析，e 0 和 。分别定义如下： 耻叫剖2 + 卢l 铡 e 。一一i v g ，印 ( 2 9 ) ( 2 1 0 ) 式子( 3 5 ) 中a 和声为控制一阶和二阶导数的权值，权值大小的选取与图像的噪声分布 有关，噪声越大，a 和口的值也应该越大，以使轮廓可跨越噪声造成的局部极小位置。 同时a 和口相对分布又决定着轮廓收敛的性态。由于口控制着轮廓曲线一阶导数的模 的分量，a 越大，轮廓收缩越快；而卢控制着轮廓曲线二阶导数的模的分量，户越大轮 廓越平滑。因此合理地选择a 和口的值，是轮廓是否收敛至最优位置的关键。引入图 像轮廓的几何信息参与轮廓的提取过程，边缘点和非边缘点的分类判断依据就变为： e ；j ：怛。+ 吆 ( 2 1 1 ) 这样这种判断依据由于引入了图像轮廓的整体信息作为指导，不仅可提高边缘的 定位精度，更可以有效克服噪声的影响，再图像边缘由于噪声干扰而出现不连续的情 况时，可由轮廓的整体信息自动修复断线部分，这一点非常重要。 2 边缘提取的算法： 有了分类的标准，边缘提取过程就成了最优化轮廓线的寻求问题，首先需要确定 初始轮廓，初始轮廓的确定可用人工的方法或现有的曲线提取技术。由于在定义的准 则下，平面曲线具有自动收缩的性能，边缘提取的过程时逐步迭代优化的，因此初始 轮廓的确定并没有很高的要求，只要选取合理的权值参数，都可以最终逼近最优轮廓 线。对连续曲线来说，最优轮廓线的获取可用变分法，通过求解欧拉方程，寻求能量 最小时的图像轮廓线，即最佳轮廓线。对于离散的数字曲线，由于欧拉方程的数字揭 发过于繁琐，这里采用逐点搜寻最小能量点的算法。具体算法描述如下： 首先确定图像的初始化轮廓线由h ，圪，乃k 。等n 个点组成。对轮廓上任一 点圪，选择其3 3 邻域，用该领域内的点逐一取代点k ，计算新的轮廓线的易。，选 择e 0 最小的点取代圪，作为下一次迭代的轮廓点，依此类推，对图像轮廓的每一点， 选择其邻域做相同的处理，就得到下一次迭代的轮廓，对新的轮廓在进行新的迭代， 1 4 直到迭代过程收敛为止。 2 6 本章小结 图2 6 轮廓线优化算法示意图 的图像轮廓 图像的特征提取是图像工程的一节非常重要的内容。在图像中存在着一些特殊的 信息，这些信息使该图像有别于其它任何图像。这些特殊信息就是图像的特征。怎样 提取有效的图像的特征，从一幅图像中提取什么样的特征，需要根据图像工程作者所 关心的问题来决定。由于图像具有很强的邻域性，不同邻域的图像的特征千差万别， 与图像所反映的对象物体的各种物理的，形态的性能有很大的关系，因而有好多种特 征提取方法。由于本文论述的是医学影像图像，所以这里主要关心的是图像的灰度特 征，和边缘特征。本章主要论述了医学影像图像的灰度特征提取方法，边缘特征提取 方法，最后论述了基于灰度的主成分特征提取方法。 第三章医学图像分割 3 1 医学图像分割概述 随着医学图像在临床诊断中的普及和发展，医学图像的作用远远超出了对其解剖 结构的可视化观察，需要借助计算机及图像图形技术对解剖结构、病变区域等感兴趣 区域进行准确定位、分割、提取、量化分析等处理，进一步用于图像配准、三维重建、 手术模拟、术间导航、放射治疗计划、病情进展跟踪、计算机辅助手术等技术。这无 疑对提高影像数据的利用价值有着深远的意义，可以大大提高临床诊断的准确性和正 确性。 医学图像分割技术是医学图像处理与分析中的关键技术。医学图像分割就是根据 区域内的相似性以及区域间的差异性把图像分割成若干区域的过程。在图像中把有关 结构( 即感兴趣区域