热图像分割算法

1、 研究生课程论文课程名称 热图像分割算法 授课学期 2014 学年至 2015 学年 第 2 学期学院 电子工程学院 专 业 电子科学与技术 学号 2014011671 姓名 甘晓楠 任课教师 夏海英 交稿日期 2015.7.7 成绩 阅读教师签名 日 期 广西师范大学研究生学院制摘 要生物医学技术与应用正在临床医生的服务上起到了开发和作用。有一个例子是医疗温度记录,它是经常在检测某些疾病和疼痛分布中被使用过。当前的温度记录处理软件有一些局限性，主要是因为通用应用的发展和带有特定的解剖形状的感兴趣的区域(ROI)不允许识别。当前商业软件通常使用定期棱镜形状来为这些区域定义,如矩形、正方形、圆形

2、或椭圆,以及缺乏定义复杂的几何区域。这些形状限制,当他们不适合复杂的几何形状特征,通过排除或包含无关的数据评价的热图像来实现。如何ROI的定义是多么准确，这特定的限制都是可观察到的。为了提高热图像的特征,一个计算应用程序开发出来了。现有的软件应用程序的局限性因为设计了一个允许选择任何ROI的应用程序所克服，独立于它的几何形状和进一步优化它处理。这个研究工作提供了几个分割算法及未经处理和优化的ROI的对比。关键词：温度记录发；红外线；ROI；图像分割；RGB颜色模式目录摘 要2关键词：温度记录发；红外线；ROI；图像分割；RGB颜色模式2目录3第一章 介绍4第二章 温度记录42.1背景52.2优

3、势52.3缺点52.4临床应用5第三章 识别ROI6第四章 图像分割64.1阈值分割74.2 边缘检测分割74.2.1 Sobel74.2.2 Roberts84.2.3 Prewitt84.2.4 高斯拉普拉斯算子84.2.5 Canny94.3基于区域的分割9第五章 材料和方法95.1 图形用户界面和热成像采集95.2 数据分析95.3 确定和优化ROI9第六章 结果与讨论11第七章 结论12参考文献13第一章 介绍过去半个世纪带来了戏剧性、人体中的变化在正在调查中。现在,那里许多不同的成像技术,为诊断开放更多的机会1。在热、代谢和血管条件人体中，红外温度记录提供了信息,这常常可以用来解释

4、病理生理的，与物理条件相关的信息。研究和临床观察证明,红外测温术是区分正常和一个合适的指标异常的生理过程,特别是对疾病的早期阶段2。使用红外测温术也在卫星成像、运动检测、安全、监控、等4。诊断的准确性取决于感兴趣的区域(ROI)的分割形式3。热图像分析中，图像分割是一个基本的步骤,不同的方法正在探讨。在本文中,我们提出一个比较不同的roi使用图像分割算法。使用分割算法有助于提高热图像分析的准确性。本文的组织结构如下:在第二节中,我们提出一个温度记录的一般概述,在第三节讨论ROI的识别,第四节介绍了图像分割算法。在第6和7节中结果与总结评价之前，案例研究是在第五节呈现出来。第二章 温度记录一个对

5、象表面温度分布可以确定使用一个名为热成像的方法,也经常引用温度记录法5。以上材料发出的红外能量是0开尔文(-273摄氏度)。红外辐射的一部分电磁波谱和在可见光和无线电波之间占据的频率。红外光谱的一部分频谱范围从0.7微米波长(pm)到1000点。在这个波段内,只有频率为至目前用于温度测量6。通过相机成像传感器，这种能量转换为电信号，在监视器上显示为彩色或单色热图像，它代表温度的变化值7。2.1背景在科学文献中，希波克拉底是第一个内科医生,这个科学文献通过把泥放在一个男人腹部，分析了身体热量，当其干的时候观察其颜色的变化8。红外温度记录法是由威廉·赫歇尔爵士在1800年左右发现的。但就

6、在1940年,第一个适用的红外成像系统已经开发了。自1960年初以来红外热成像一直用于医疗技术9。过去20年里，标准化的技术和热成像的临床协议以及红外成像设备性能方面赢做出了重要的改进。2.2优势对病人或医务相关人员，温度记录发的主要优点是非侵入式的、非接触、无痛、没有伤害的10。现代热成像摄像机提供高速度和高决议。此外,早期相机的稳定性已显著改善和校准的图像可以实现对一个稳定的温度参考,以确保可靠性。用这种技术完成的重复采集是尤其重要的1。2.3缺点热图像采集的主要问题之一是需要经验和具体算法正确地描述它们。而且非常准确的温度测量很难使变化引起的材料的发射率,也因为它是极易受到任何外部现象干

7、扰,比如,头发,光或空气流动,可能会引入偏差和/或可能影响图像质量8。另一个温度记录主要的缺点是硬件和软件，以及个人培训的成本相对较高6。2.4临床应用温度记录已成功用于乳腺癌的诊断、糖尿病神经病变和外围血管疾病。此外,它是被用来检测妇科问题,肾脏移植、皮肤、心脏,新生生理病,发烧筛查和脑成像11。第三章 识别ROI在任何温度记录处理分析的第一步是定义的通常使用正则棱镜形状这些区域的定义,例如,ROI。当前的商业软件矩形、方形、圆形和/或椭圆不确定某些解剖区域。图1说明了两个典型的几何形状定义特定的ROI。这些常规的几何形状呈现出局限性,他们不符合的解剖形状的区域特点,通过排除相关数据或包含无

8、关数据的评价热图像(图2)。这可能导致的错误或误解一定的热图像的分析。为了克服几何无关的数据纳入评价的局限性,图像分割算法可以应用到选定的ROI,优化ROI排除无关的数据。下一节描述了几种图像分割算法的探索。第四章 图像分割分割是由划定一个对象在一个图像使用进行像素级或对象级的属性对象。在对象内部，这些属性可以边缘、纹理、像素强度变化,形状、大小和取向的操作12。细分有两个目标。为进一步分析，首先将图像分解。其次更加速度分析，执行图像表示的变化。基于应用程序,一个或结合分割技术可以有效的应用于解决这一问题4。有三种类型的分割技术,即阈值分割、边缘检测分类和提出分割,描述如下。4.1阈值分割阈值

9、分割算法定义图像的边缘含有固体物质的对比背景。这项技术提供了一个由灰度图像二进制输出。同时的，在图像中所有像素中，这种分割方法应用单一固定的标准4。这种方法包含适当的阈值T的选择，这是一个从一个灰度值图像转换为二进制图像的方法13。得到一个二进制图像的优势是，它简化了数据的复杂性和识别与分类的过程性。描述它的数学性，用图像像素标签定义一个阈值,标签1对应对象和0对应于背景14。热图像可以被定义为一个函数f(x,y)而阈值图像g(x,y)可以定义如下:4.2 边缘检测分割这种类型的分割是基于边缘的抽象级别并由于他们试图捕捉的对象封闭轮廓的图像15。在对象与背景之间，这种技术检测边缘与轮廓16。边

10、缘被认为是缺乏连续性和结束的标志。由于这一转换,主要图像任何的身体素质变化中没有遇到边缘图像17。有几种类型的边缘检测技术。使用最传统的Sobel,Roberts,Prewitt,高斯拉普拉斯和精明的拉普拉斯算子,简要描述如下。4.2.1 Sobel在3 x3的行和列之间，利用分离的区别，Sobel边缘检测器计算梯度。Sobel算子基于卷小图像,可分,整数价值过滤器18。部分推导的计算在数字图像的梯度可能近似使用表1所示。+1+2+1000-1-2-1-10+1-20+2-10+1 4.2.2 Roberts在Robert交叉算法中,分别计算水平和垂直边缘，放在一起获得由此产生的边缘检测19。

11、这个操作符执行一个简单、快速二维空间梯度的测量图像16,并使用下面的掩码来近似,数字的, 在相邻像素之间第一个衍生品如表2所示18。+100-10+1-10 4.2.3 PrewittPrewitt边缘检测器给出一个估计的算子边缘检测考虑之一大小和方向的边缘17。Prewitt古老的检测, 在图像的边缘被认为是最好的方法。这种技术使用以下掩码近似数字衍生品GX和Gy表3中所示18。-10+1-10+1-10+1-1-1-1000+1+1+1 Gx Gy 4.2.4 高斯拉普拉斯算子拉普拉斯算子的方法搜索图像的二阶导数的零交叉边缘。一种优势斜坡的一维形状,计算图像的导数可以突出它的位置20。拉普

12、拉斯算子通常用于建立一个像素是否在黑暗或光明的边缘16。4.2.5 Canny在一个图像广泛的边缘,Canny边缘检测是一个多级算法用于检测。这探测器发现边缘通过寻找一个局部最大值的f(x,y)的梯度,梯度计算使用高斯滤波器的衍生物18。4.3基于区域的分割基于区域的分割将图像视为有限数量的地区的组成和用于分割执行区域统计数据21。分水岭变换是一种为图像分割技术广泛使用的方法。直观的想法潜在的这种方法来自地理。从最低地区位于图像的顶部，地形表面会慢慢被淹没。当“水域”合并，他们建造“大坝”。这些分界线造成这些多个洪水流域。洪水流域应用于图像梯度的分水岭与独立均匀区域,得到理想的分割结果22。第

13、五章 材料和方法5.1 图形用户界面和热成像采集图形用户界面(GUI)在Matlab中被开发出来，关于红外温度记录法,从目标上进行使用标准的三脚架位于1.2米的相机。使用FLIR SC655摄像头，决定使用640*480像素的相机。在这特别的研究中，该采集地点在一个温度保持在20的房间中，湿度在50%上下。5.2 数据分析测量23个两性的物体进行头部的正面和侧面视图。最大、最小和平均气温基本的数据分析的描述性统计(手段、标准偏差、范围)。数据测试正常Shapiro-Wilk测试计算和比较使用成对样品t(95%置信区间CI)。使用IBM SPSS进行统计分析统计20和统计学意义上p < 0

14、.05。5.3 确定和优化ROI提到的温度记录法处理软件允许用户选择任何独立的ROI几何形状。它还包含一个基于阈值的分割方法分割算法,为我们的应用程序中，被认为是最精确的算法。分割算法优化选择通过删除区域没有任何相关统计数据以只考虑温度的ROI,将用于进一步表征。该算法的流程图图3RGB图像模型(R为红色、G为绿色，B为蓝色)被认为是最适合的形象处理。颜色是一个功能强大的描述符,简化了对象的识别和提取温度仪图像23。在RGB模型中,由彩色图像分割功能。所有褪色的红色，消失的绿色等等。当检测红色区域时,红色区域是分开的,所有其他的被组合在一起。其他颜色以相似的模式分开24。原始热图像是一个m&#

15、215;n×3的矩阵。在这个矩阵中的元素x(:,:1)是红色强度,x(:,:,2)是绿色强度而x(:,:,3)是蓝色的)。这是一个事实,即人类皮肤往往趋向于红色的成分多一些，而蓝色的成分少一些，因此第一步在于应用零函数矩阵，为了是删除蓝色的强度,如图4所示。然后在结果图像中,绿色的强度是消除的,见图4。b),通过应用相同的法解释。下一步是运用ROI的颜色的方法。该函数选择一个ROI基于阈值的范围索引值。所有的值的范围内所示白色和范围之外的值显示在黑色的。最终的图像被认为是掩码。最优阈值在0.1,0.4上被发现。由此产生的掩码在图4中体现。c)。最后,通过使用Matlab函数“bsxf

16、un”，两个矩阵可以增加中的元素为了之前和之后分别优化。(原来的和优化的ROI。图5。a和5。b)分别说明了图像)第六章 结果与讨论为了执行这项研究工作,23个人的男女双方进行分析。头部和颈部温谱图的正面和侧面视图被FLIR SC655相机,共有46个热扫描图像。在之前和之后优化,温谱图之间的比较,从正面和侧面视图显示显著差异,在最低温度和平均温度(p - 0)之间,但不是在最高温度。表4和表5呈现了分别的比较观点。在图6中,可以观察到的平均差较高比平均最低温度温度和之间的差异之前和之后的优化是更多的臭名昭著的正面图片。在这项研究中,可以观察到优化的最高温度是没有改变,只有最小和平均气温的影响

17、分析图像。优化后两个值增加最低温度约4 0 c()和2.3 0 c(平均温度),这是优化的解释了，退出低温度的值,“污染”了图像,降低最低温，因此更影响了热图像温度分析的热图像的平均温度。当发生时,一个更集中的热图像是包含进去了，为了检测最低值和平均温度，因此表现出一个更精确的分析。第7章 结论当前温度记录处理软件有一定的局限性,主要因为是发达的应用程序和不允许一个ROI与特定的解剖形状的识别。为了提高热图像特征计算应用程序开发。现有软件的局限性是要克服设计一个应用程序,它允许选择任何ROI,独立于它的几何形状和然后为了进行进一步处理而优化ROI。在这个研究工作几个分割算法。未经处理的ROI与

18、优化的ROI的比较也呈现出来了。可以观察到的最高温度不会因为优化而改变，然而图像分析的最小和平均气温受到了影响。当优化时,获得了更焦热影像检查和最小值和平均值温度增加,因此获得一个更精确的热图像进行分析。致谢作者承认的支持战略项目(PEST-OE /高速/ UI4044/2013)资助的葡萄牙语基础科学和技术。作者也承认欧盟的支持委员会通过居里夫人项目“国际交换生物医学设备的设计和研究原型IREBID”。我们要感谢MRA Instrumentacao S.A.提供了红外摄像机。他们没有角色或影响设计、分析和解释数据的研究及其结果。参考文献1 Ring F. Thermal Imaging To

19、day and Its Relevance to Diabetes. Journal of Diabetes Science and Technology. 2010, 4:857-862.2 Jin C, Yang Y, Xue Z, Liu K, Liu J. Automated Analysis Method for Screening Knee Osteoarthritis using Medical Infrared Thermography. Journal of Medical and Biological Engineering. 2013, 33.3 Kapoor P, Pr

20、asad SVAV, Patni S. Image Segmentation and Asymmetry Analysis of Breast Thermograms for Tumor Detection. International Journal of Computer Applications. 2012, 50.4 Sujji G, Lakshmi YVS, Wiselin G. MRI Brain Image Segmentation based on Thresholding. International Journal of Advanced Computer Research

21、. 2013, 3(1):97-101.5 Periodicum Biologorum. 2011, 407-416.6Brodogradnja. 2008, 123-130.7 Hildebrandt C, Raschner C, Ammer K. An Overview of Recent Application of Medical Infrared Thermography in Sports Medicine in Austria. Sensors 2010. 2010, 4700-4715.8 Szentkuti A, H. K, Grazio S. Infrared thermo

22、graphy and image analysis for biomedical use. Periodicum Biologorum. 2011, 385392.9 Ring E, Ammer K. The Technique of Infrared Imaging in Medicine. Thermology International. 2000, 10:7-14.10 Nahm F. Infrared Thermography in Pain Medicine. The Korean Journal of Pain. 2013, 219-222.11 Lahiri BB, Bagav

23、athiappan S, Jayakumar T, Philip J. Medical applications of infrared thermography: A review. Infrared Physics & Technology. 2012, 55:221235.12 Ghosha P, Mitchell M, Gold J. Segmentation of thermographic images of hands using a genetic algorithm. In David Fofi KSN. Image Processing: Machine Vision Applications.: SPIE-IS&T; 2010.13 Gonzalez R, Woods R. Digital Image Processing. 3rd ed.: Prentice Hall; 2008.14 Akther M, Ahmed K, Hasan Z. Detectio