CN102855617A - 自适应图像处理方法及系统 - Google Patents

Abstract

本发明涉及一种自适应图像处理方法，包括下列步骤：步骤A，根据原始灰度图像获取感兴趣区图像；步骤B，计算所述感兴趣区图像的积分图像及原始灰度图像的积分图像；步骤C，根据所述感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整所述感兴趣区内每个像素点的优化窗口的大小；步骤D，用局部阈值法根据所述窗口计算感兴趣区内每个像素点的灰度阈值并二值化；步骤E，输出二值化图像。本发明还涉及一种自适应图像处理系统。本发明自适应地调整感兴趣区内每个像素点的窗口的大小，实现感兴趣区内不同大小及亮度/对比度有明显差异的前景的灰度阈值获取，从而将局部阈值法拓展到适用于非文本图像的任何其他图像处理领域。

Description

自适应图像处理方法及系统

【技术领域】

本发明涉及图像分析领域，特别是涉及一种自适应图像处理方法，还涉及一种自适应图像处理系统。

【背景技术】

图像分类或分割的最直接且有效的方法之一是图像灰度阈值方法。这种方法比较每个像素点(x，y)处的灰度g(x，y)与该像素灰度阈值T(x，y)的关系。对于暗的前景，阈值处理为：若g(x，y)＜T(x，y)，则像素(x，y)被设置为前景，否则被设置为背景；对于亮的前景，阈值处理为：若g(x，y)＞T(x，y)，则像素(x，y)被设置为前景，否则被设置为背景。若阈值T(x，y)不依赖于(x，y)则称为总体阈值(global thresholding)，否则称为局部阈值(local thresholding)。

局部阈值法由Niblack在1986年提出(Niblack W.An introduction to imageprocessing.Prentice-Hall，1986，p115-116.)，其基本结论是：在像素(x，y)处的局部灰度阈值T(x，y)是该像素的局部灰度均值m(x，y)与灰度标准差(standarddeviation)sd(x，y)的函数，即

T(x，y)＝m(x，y)+k*sd(x，y)

其中局部灰度均值与局部灰度标准差的计算是在以(x，y)为中心，宽度为w，高度为h的窗口内计算，计算公式为

$m(x,y)=\frac{1}{w*h}\underset{i=x-w/2}{\overset{x+w/2}{\mathrm{\Σ}}}\underset{j=y-h/2}{\overset{y+h/2}{\mathrm{\Σ}}}g(i,j)$

$\mathrm{sd}(x,y)=\frac{1}{w*h}\underset{i=x-w/2}{\overset{x+w/2}{\mathrm{\Σ}}}\underset{j=y-w/2}{\overset{y+h/2}{\mathrm{\Σ}}}{g}^2(i,j)-m^2(x,y)$

其中g(x，y)是像素(x，y)的灰度，k为一常数：为正数时检测亮的前景，为负数时检测暗的前景。

Sauvola与Pietikainen(Sauvola J，Pietikainen M.Adaptive document imagebinarization.Pattern Recognition 2000；33：225-236.)提出了增强的局部阈值算法，目的是改善图像中可能存在的纹理，其局部阈值计算公式为

T(x，y)＝m(x，y)*[1+k*(sd(x，y)/R-1)]

其中k为常数，在文本图像的分割中取0.5，R也为常数，对于灰度为0-255的文本图像取值为128。w与h为常数，通过经验得到。

然而，目前的局部阈值算法使用的都是固定的局部窗口大小：即窗宽为w，窗高为h。导致的问题是窗口大小较小时能够保留较小的细节，但无法检测到较大的前景；窗口大小较大时无法检测较小的细节。图2是图1所示CT(电子计算机X射线断层扫描)图像采用窗口大小为9*9的局部窗口处理后的图像，图3是图1所示CT图像采用窗口大小为35*35的局部窗口处理后的图像。请特别注意椭圆框内的部分，采用9*9的局部窗口能检测到右边较小的黑区域，采用35*35的局部窗口能检测到左边对比度较低的区域。但两种窗口都不能将两种区域同时检测到。

因此，固定窗口大小的局部灰度阈值方法无法检测出有较大尺寸变化的前景(比如前景中有较大的物体，也有较小的物体)，这也是为什么局部阈值目前多用于文本图像的分割，因为文本图像的前景的尺寸基本一致。

【发明内容】

鉴于传统的固定窗口大小的局部阈值算法无法检测出有较大尺寸变化的前景，应用于处理非文本图像(例如CT图像处理)时得到的图片效果较差(如前景区域可能含有不同的尺寸、亮前景中含有很暗的背景且很暗背景附近含有位于亮与暗之间灰阶的情况、暗前景中含有很亮的背景且很亮的背景附近含有位于暗与亮之间灰阶的情况，都很容易出现处理结果错误的情况)的问题，有必要提供一种自适应图像处理方法。

一种自适应图像处理方法，包括下列步骤：步骤A，根据原始灰度图像获取感兴趣区图像；步骤B，计算所述感兴趣区图像的积分图像及原始灰度图像的积分图像；步骤C，根据所述感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整所述感兴趣区内每个像素点的优化窗口的大小；步骤D，用局部阈值法根据所述优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化；步骤E，输出二值化图像。

优选的，所述感兴趣区图像mask(x，y)的积分图像包括一阶积分maskS(x，y)，所述原始灰度图像g(x，y)的积分图像包括一阶积分gS(x，y)和二阶积分gS2(x，y)，(x，y)表示像素点的坐标。

优选的，所述优化窗口是正方形，所述步骤C是计算窗口边长w(x，y)在取值范围内所有取值下的灰度标准差sd(x，y)，将sd(x，y)取得最大值sd_max(x，y)时的w(x，y)作为优化窗口的边长；w(x，y)∈[W_min，W_max]且w(x，y)为正整数，W_min是8到20的任一整数，W_max是一个使位于最大前景区域中心的所述优化窗口含有10％至90％的背景的正整数或一个经验值(例如对于没有前景的图像或一般未知最大前景区域大小的图像可取图像宽度或高度的一半)。

优选的，所述步骤D是根据公式T(x，y)＝m(x，y)*[1+k*(sd(x，y)/R-1)]计算灰度阈值T(x，y)，其中m(x，y)是所述像素点的局部灰度均值，sd(x，y)是所述像素点的灰度标准差，k是大于或等于0小于0.7的一个经验值，R＝C_R*sd_p99，C_R是大于0.8小于4的一个经验值，

${\mathrm{sd}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\}.$

优选的，还包括再调整优化窗口的大小的步骤，所述再调整优化窗口的大小步骤包括判断sd_max(x，y)是否大于0.6sd_p99，若sd_max(x，y)＞0.6sd_p99，则使所述像素点的灰度标准差sd(x，y)既大于0.6sd_p99又大于k1*sd_max(x，y)的优化窗口中边长最小的边长值作为再调整后的优化窗口边长值Woptimal₁(x，y)，其中k1是一个取值范围为[0.6，0.75]的经验值，计算所述局部灰度均值m(x，y)时使用再调整后的优化窗口，且所述计算灰度阈值是计算再调整后的灰度阈值T₁(x，y)，T₁(x，y)＝m(x，y)*[1+k*(sd(x，y)/R₁-1)]，R₁＝k1*C_R*sd_1p99， ${\mathrm{sd}}_{1p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\},$ sd_1max(x，y)是0.6sd_p99与k1*sd_max(x，y)这两个值中较大的一个；若sdmax(x，y)≤0.6sd_p99，则计算所述局部灰度均值时使用调整前的窗口。

优选的，所述k的值是一个取值范围为[0.2，0.3]的经验值。

优选的，所述步骤C除了得到优化窗口，还包括下列步骤：采用窗口边长w₂(x，y)以自适应地减小局部窗口大小，得到减小后的局部窗口和对应的sd(x，y)的最大值sd′_max(x，y)，其中w₂(x，y)∈[W_min，W_min+k2*W_max]，k2是一个0.1以上0.5以下的经验值；所述步骤D还包括下列步骤：判断sd′_max(x，y)是否大于0.6sd′_p99，其中 ${{\mathrm{sd}}^{\′}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\};$ 若sd′_max(x，y)＞0.6sd′_p99，则使像素点的灰度标准差sd(x，y)既大于0.6sd′_p99又大于k3*sd′_max(x，y)的优化窗口中边长最小的边长值作为减小并再调整后的优化窗口边长值Woptimal₂(x，y)，其中k3是一个取值范围为[0.7，0.85]的经验值，计算局部灰度均值m(x，y)时使用减小并再调整后的优化窗口，且计算灰度阈值是计算减小并再调整后的灰度阈值T′(x，y)，T′(x，y)＝m(x，y)*[1+k*(sd(x，y)/R′-1)]，R′＝k3*C_R*sd′_p99；若sd′_max(x，y)≤0.6sd′_p99，则计算局部灰度均值时使用减小后的局部窗口；将根据Woptimal₁(x，y)二值化得到的结果和根据Woptimal₂(x，y)二值化得到的结果进行或运算；所述步骤E是输出或运算后的二值化图像。

优选的，所述k2的值是0.25。

优选的，所述步骤E是进行后处理后输出二值化图像，所述后处理是采用连通区域分析方法去掉孤立的前景区域。

还有必要提供一种自适应图像处理系统。

一种自适应图像处理系统，包括：感兴趣区图像获取模块，用于根据原始灰度图像获取感兴趣区图像；积分图像计算模块，用于计算所述感兴趣区图像的积分图像及原始灰度图像的积分图像；优化窗口调整模块，用于根据所述感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整所述感兴趣区内每个像素点的优化窗口的大小；二值化模块，采用局部阈值法根据所述优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化；图像输出模块，用于输出二值化图像。

上述自适应图像处理方法及系统，能够自适应地调整感兴趣区内每个像素点的优化窗口的大小，实现感兴趣区内不同大小的前景及亮度/对比度有明显差异的前景的灰度阈值获取，从而将局部阈值法拓展到适用于非文本图像的任何其他图像处理领域。

【附图说明】

图1是一幅脑部的CT图像；

图2是图1所示CT图像采用窗口大小为9*9的局部窗口处理后的图像；

图3是图1所示CT图像采用窗口大小为35*35的局部窗口处理后的图像；

图4是实施例一中自适应图像处理方法的流程图；

图5是一头颅CT图像；

图6是图5所示CT图像对应的感兴趣区图像；

图7是另一头颅CT图像；

图8是图7所示CT图像采用传统的局部阈值法处理后得到的二值化图像；

图9是另一头颅CT图像；

图10是采用图4所示实施例的自适应图像处理方法对图9所示的图像进行处理后得到的二值化图像；

图11是采用实施例二的自适应图像处理方法对图9所示的图像进行处理后得到的二值化图像；

图12是实施例二中自适应图像处理方法的流程图；

图13是实施例三中自适应图像处理方法的流程图；

图14是采用实施例三的自适应图像处理方法对图9所示的图像进行处理后得到的二值化图像；

图15是基于感兴趣区内前景的比例范围计算出总体灰度阈值对图9所示的图像进行二值化得到的图像；

图16是再一头颅CT图像；

图17是图16所示图像的脑部区域的补图像；

图18是采用实施例三的自适应图像处理方法对图16所示图像的补图像进行处理后得到的二值化图像。

【具体实施方式】

图4是实施例一中自适应图像处理方法的流程图，包括下列步骤：

S110，根据原始灰度图像获取感兴趣区图像。

感兴趣区的获取可以通过其他图像处理方法自动获取，也可通过手工方式获取。关键在于由原始灰度图像g(x，y)和指定的感兴趣区，生成感兴趣区图像mask(x，y)，感兴趣区图像与原始灰度图像具有相同的图像坐标系和相同的图像大小，即图像每个像素点的坐标x与y取非负整数，并满足0≤x≤Sx-1，0≤y≤Sy-1，且满足

感兴趣区图像mask(x，y)为后续去掉不相关的区域，检测亮前景时去掉很暗的区域或检测暗前景时去掉很亮的区域提供了数学手段。

比如对于头颅CT图像，脑室及脑积液的分割是一件很困难的事情，可以采用本发明的自适应图像处理方法进行图像处理(分割)，对应的感兴趣区是去掉颅骨及其他非脑组织后得到的脑组织。图5是一头颅CT图像(原始灰度图像)，图6是图5所示CT图像对应的感兴趣区图像。该感兴趣区图像是基于总体灰度阈值结合数学形态学得到的，具体可参见(Hu QM(胡庆茂)，Qian GY，Aziz A，Nowinski WL.Segmentation of brain from computed tomography head images.Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th AnnualConference：155-1～155-4，Shanghai，China，September 1-4，2005.)

获取感兴趣区图像的原因是，传统的局部阈值方法通常会将较暗的像素附近的非亮的像素区域判别为亮的前景；反之在检测暗的前景时，也会将较亮的像素附近的非暗的像素区域判别为暗的前景。图7是另一头颅CT图像，图8是图7所示CT图像采用传统的局部阈值法处理后得到的二值化图像。可以看到对于很亮的区域(如图7中的头颅骨)，传统的局部阈值法会把与头颅骨相邻的非低信号判定为低信号(即将与头颅骨相邻的非暗区域判别为低信号，图8中以白色表示)。获取感兴趣区图像可以使得在检测亮的前景时，先排除图像中较暗的区域，使这些较暗的区域不在感兴趣区内；而在检测暗的前景时，可先排除图像中较亮的区域，亦即令这些较亮的区域不在感兴趣区内，从而提高图像处理的质量。

S120，计算感兴趣区图像的积分图像及原始灰度图像的积分图像。

在本实施例中，感兴趣区图像mask(x，y)的积分图像包括一阶积分maskS(x，y)，原始灰度图像g(x，y)的积分图像包括一阶积分gS(x，y)和二阶积分gS2(x，y)，其中

$\mathrm{gS}(x,y)=\underset{i=0}{\overset{x}{\mathrm{\Σ}}}\underset{j=0}{\overset{y}{\mathrm{\Σ}}}g(i,j)---\left(1\right)$

$\mathrm{gS}2(x,y)=\underset{i=0}{\overset{x}{\mathrm{\Σ}}}\underset{j=0}{\overset{y}{\mathrm{\Σ}}}{g}^2(i,j)---\left(2\right)$

$\mathrm{maskS}(x,y)=\underset{i=0}{\overset{x}{\mathrm{\Σ}}}\underset{j=0}{\overset{y}{\mathrm{\Σ}}}\mathrm{mask}(i,j)---\left(3\right)$

式(1)、(2)、(3)的快速实现方式如下：

x＝0，y＝0

gS(0，0)＝g(0，0)*mask(0，0)

maskS(0，0)＝mask(0，0)

gS2(0，0)＝g(0，0)*g(0，0)*mask(0，0)

x＝0，y＞0

gS(0，y)＝gS(0，y-1)+g(0，y)*mask(0，y)

maskS(0，y)＝maskS(0，y-1)+mask(0，y)

gS2(0，y)＝gS2(0，y-1)+g(0，y)*g(0，y)*mask(0，y)

x＞0，y＝0

gS(x，0)＝gS(x-1，0)+g(x，0)*mask(x，0)

maskS(x，0)＝maskS(x-1，0)+mask(x，0)

gS2(x，0)＝gS2(x-1，0)+g(x，0)*g(x，0)*mask(x，0)

x＞0，y＞0

gS(x，y)＝gS(x-1，y)+gS(x，y-1)-gS(x-1，y-1)+g(x，y)*mask(x，y)

maskS(x，y)＝maskS(x-1，y)+maskS(x，y-1)-maskS(x-1，y-1)+mask(x，y)

gS2(x，y)＝gS2(x-1，y)+gS2(x，y-1)-gS2(x-1，y-1)+g(x，y)*g(x，y)*mask(x，y)

S130，根据感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整感兴趣区内每个像素点的优化窗口的大小。

像素(x，y)的窗口太大时，窗口的局部特性就消失了，变成了总体特性。最极端的例子就是当窗口宽度为2Sx、高度为2Sy时(其中Sx、Sy分别是图像的宽度与长度)，每个像素点都将整幅图像包括进去了，局部阈值问题变成了总体阈值。当窗口太小时，窗口内可能只有灰度非常相似的像素，因而其灰度标准差会较小。优化的窗口大小应该是在窗口内前景与背景的比例均接近0.5，这时对应于最大的灰度标准差。

为找到优化的窗口大小，应设定窗口长、宽的变化范围，这通常可以通过实验或训练得到，以保证感兴趣区的前景能够被检测出来。为方便窗口大小的控制，本实施例中令窗口为正方形，即窗口宽度等于窗口长度(窗口边长)，w(x，y)＝h(x，y)，窗口边长变化的范围为[W_min，W_max]，这个变化范围依赖于具体应用，W_min可取8到20的任一整数，W_max是一个使位于最大前景区域中心的优化窗口含有10％至90％的背景的正整数或一个经验值(例如对于没有前景的图像或一般未知最大前景区域大小的图像可取图像宽度或高度的一半)。在本实施例中W_min＝8。

让w(x，y)＝h(x，y)并在[W_min，W_max]变化，在每个窗口大小下计算其灰度均值m(x，y)与灰度标准差sd(x，y)，找到灰度标准差的最大值sd_max(x，y)，并将对应的边长记为优化窗口的边长Woptimal(x，y)。在本实施例中，上述优化窗口调整过程可以用如下的快速方式实现：

对于w(x，y)＝h(x，y)，取值从W_min开始每次增加2，直至等于W_max

x0＝x-w(x，y)/2-1，y0＝y-h(x，y)/2-1

xn＝x+w(x，y)/2，yn＝y+h(x，y)/2

x0≤0，y0≤0

若xn＞＝Sx则xn设置为Sx-1；若yn＞＝Sy则yn设置为Sy-1

num(x，y)＝maskS(xn，yn)

m(x，y)＝gS(xn，yn)/num(x，y)

sd²(x，y)＝gS2(xn，yn)/num(x，y)-m²(x，y)

x0≤0，y0＞0

若xn＞＝Sx则xn设置为Sx-1；若yn＞＝Sy则yn设置为Sy-1

num(x，y)＝maskS(xn，yn)-maskS(xn，y0)

m(x，y)＝[gS(xn，yn)-gS(xn，y0)]/num(x，y)

sd²(x，y)＝[gS2(xn，yn)-gS2(xn，y0)]/num(x，y)-m²(x，y)

x0＞0，y0≤0

若xn＞＝Sx则xn设置为Sx-1；若yn＞＝Sy则yn设置为Sy-1

num(x，y)＝maskS(xn，yn)-maskS(x0，yn)

m(x，y)＝[gS(xn，yn)-gS(x0，yn)]/num(x，y)

sd²(x，y)＝[gS2(xn，yn)-gS2(x0，yn)]/num(x，y)-m²(x，y)

x0＞0，y0＞0

若xn＞＝Sx则xn设置为Sx-1；若yn＞＝Sy则yn设置为Sy-1

num(x，y)＝maskS(xn，yn)+maskS(x0，y0)-maskS(x0，yn)-maskS(xn，y0)

m(x，y)＝[gS(xn，yn)+gS(x0，y0)-gS(x0，yn)-gS(xn，y0)/num(x，y)

sd²(x，y)＝[gS2(xn，yn)+gS2(x0，y0)-gS2(xn，y0)-gS2(xn，y0)]/num(x，y)-m²(x，y)

将灰度标准差sd(x，y)取得最大值sd_max(x，y)时的w(x，y)作为优化窗口的边长Woptimal(x，y)。

S140，用局部阈值法根据优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化。

每个像素点的灰度阈值T(x，y)的计算采用Sauvola与Pietikainen(Sauvola J，Pietikainen M.Adaptive document image binarization.Pattern Recognition 2000；33：225-236.)提出的计算公式

T(x，y)＝m(x，y)*[1+k*(sd(x，y)/R-1)]          (4)

其中m(x，y)是该像素点的局部灰度均值，sd(x，y)是该像素点的灰度标准差。这里有两个参数需要确定，即k与R。在本实施例中，k取值范围为[0，0.7)；R为依赖于图像灰度标准差的经验值，取值越大，前景比例就会越小。在优选的实施例中k值取0.25，R应用于头颅CT的脑积液或脑出血检测时可以设置为所有像素点的sd_max(x，y)最大值的0.8-4倍。为避免R对sd_max(x，y)的奇异点的敏感，可用sd_max(x，y)的百分位(percentile)取代最大值。sd_max(x，y)的99％百分位的计算公式为：

${\mathrm{sd}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\}---\left(5\right)$

因此R的计算公式可归纳为：

R＝C_R*sd_p99                       (6)

C_R是大于0.8小于4的一个经验值。

S150，输出二值化图像。

在实际中，有些像素的较大的灰度标准差是因为局部窗口过大而引起，从而造成错误的分类。图9是另一头颅CT图像，图10是采用上述实施例对图9所示图像进行处理后得到的二值化图像。

在实施例二中，为获得更准确的二值化图像，可以对上述因局部窗口过大而造成错误的分类的像素进行再调整。具体地，对于感兴趣区内的像素(x，y)，在步骤S130后的S132步骤中判断sd_max(x，y)是否大于0.6*sd_p99。如果优化窗口对应的灰度标准差sd_max(x，y)大于sd_p99的0.6倍，则进入步骤S142，将该像素点的优化窗口大小再调整为灰度标准差sd(x，y)首次既大于0.6*sd_p99又大于k1*sd_max(x，y)窗口大小(即在sd(x，y)大于0.6*sd_p99的优化窗口中，将边长最小的优化窗口的边长值作为再调整后的优化窗口的边长值)Woptimal₁(x，y)；同时式(4)中的R也相应地减小，变成k1*C_R*sd_1p99以让更多的细节显现出来，其中

${\mathrm{sd}}_{1p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\}$

sd_1max(x，y)是0.6sd_p99与k1*sd_max(x，y)这两个值中较大的一个。

若sd_max(x，y)≤0.6sd_p99，则仍然进入步骤S140。图12是实施例二中自适应图像处理方法的流程图，图11是采用实施例二的自适应图像处理方法对图9所示的图像进行处理后得到的二值化图像。

对比图10与图11可以发现，基于最大灰度标准差选择优化窗口的大小(图10)会产生过分割及欠分割，这些误分割都对应于灰度标准差随着窗口增大而增大、从而丧失了局部灰度特征的情况。因此通过再调整优化窗口的大小，从而降低灰度标准差，可以较好地解决这一问题。

实施例一、二得到的灰度阈值T(x，y)还是倾向于遗漏具有较小的对比度或尺寸较小的前景。可以在实施例一、二的基础上通过降低最大可能的窗口尺寸并进一步降低sd_max(x，y)来恢复这些细节。实施例三中，步骤S130中正方形窗口边长的改变范围除了实施例一、二的w₁(x，y)∈[W_min，W_max]外，再增加一个w₂(x，y)∈[W_min，W_min+k2*W_max]，其中k2是一个0.1以上0.5以下的经验值。在此两个窗口边长的范围内，寻找灰度标准差最大的窗口作为减小后的优化窗口，根据该减小后的优化窗口并通过式(4)计算相应的灰度阈值T(x，y)，然后再调整优化窗口，即依据S132的判断结果决定是否使用再调整后的优化窗口计算灰度阈值，然后进行二值化。

也就是说，以w₁(x，y)∈[W_min，W_max]和w₂(x，y)∈[W_min，W_min+k2*W_max]两个范围，分别找到与相应范围对应的灰度标准差的最大值sd_max(x，y)和sd′_max(x，y)，以及窗口边长。w₁(x，y)对应的优化窗口仍然采用实施例二的流程(即步骤S132——S140/S142)得到一组二值化结果。同时采用w₂(x，y)对应的局部窗口得到另一组二值化结果。具体流程包括：

S134：判断sd′_max(x，y)是否大于0.6*sd′_p99，若是，进入步骤S146，否则进入步骤S144。其中 ${{\mathrm{sd}}^{\′}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\}.$

S144：用减小后的局部窗口计算灰度阈值并二值化。即用w₂(x，y)对应的减小后的局部窗口参考式(4)、(6)计算灰度阈值并二值化

R＝C_R*sd′_p99

T(x，y)＝m(x，y)*[1+k*(sd(x，y)/R-1)]。

S146：使用减小并再调整后的优化窗口计算灰度阈值并二值化。将像素点的灰度标准差sd(x，y)既大于0.6sd′_p99又大于k3*sd′_max(x，y)的优化窗口中边长最小的边长值作为减小并再调整后的优化窗口边长值Woptimal₂(x，y)，其中k3是一个取值范围为[0.7，0.85]的经验值。计算局部灰度均值m(x，y)时使用减小并再调整后(即长为a)的优化窗口，且计算灰度阈值是计算减小并再调整后的灰度阈值T′(x，y)，T′(x，y)＝m(x，y)*[1+k*(sd(x，y)/R′-1)]，R′＝k3*C_R*sd′_p99。

再在步骤S148中将两个二值化结果进行或运算，即得到最终的二值化结果。最后在步骤S150中输出或运算后的二值化图像。图13是实施例三中自适应图像处理方法的流程图。

实施例三是进行了一次减小窗口搜索范围的二值化，在其他实施例中也可以进行多次减小窗口搜索范围的二值化，然后将所有的二值化结果或起来。图14是采用实施例三的自适应图像处理方法对图9所示的图像进行处理后得到的二值化图像，此处k1取0.25。可以看出，与图11相比，有几处的小细节都被恢复出来。

需要说明的是，图9所示图像的前景的灰度变化范围很大(6-117)，目前已知的任何总体灰度阈值方法都无法获得满意的效果。图15是基于感兴趣区内前景的比例范围计算出总体灰度阈值对图9所示的图像进行二值化得到的图像，利用了目前被证明较优的基于感兴趣区内前景的比例范围计算出总体灰度阈值进行二值化的方法(Hu QM(胡庆茂)，Hou ZJ，Nowinski WL.Supervisedrange-constrained thresholding.IEEE Transactions on Image Processing 2006；15(1)：228-240)。可以看出由于前景灰度范围很大而且与背景有很大的灰度重叠，总体阈值法将导致严重的过分割与欠分割。

在优选的实施例中，步骤S150是进行后处理后输出二值化图像。后处理的目的主要是去掉一些孤立的点以及一些不满足条件的前景点。后处理包括采用连通区域分析方法(Hu QM(胡庆茂)，Hou ZJ，Nowinski WL.Supervisedrange-constrained thresholding.IEEE Transactions on Image Processing 2006；15(1)：228-240)去掉孤立的前景区域(在本实施例中是去除像素数少于10的前景区域)。另外，还可以通过对前景区域的对比度、灰度等进行约束，从而去掉对比度过低或灰度过大的前景区域。

对于前景区域为亮的原始灰度图像，需要得到原始灰度图像的补图像，采用自适应图像处理方法对该补图像进行处理。即可以将高信号前景的检测转化为对图像求补后，求取补图像的低信号前景。图16是再一头颅CT图像，图17是图16所示图像的脑部区域的补图像，图18是采用实施例三的自适应图像处理方法对图16所示图像的补图像进行处理后得到的二值化图像。图18即为对图16的高信号区域的检测结果图像。

本发明还提供一种自适应图像处理系统，包括：

感兴趣区图像获取模块，用于根据原始灰度图像获取感兴趣区图像。

积分图像计算模块，用于计算感兴趣区图像的积分图像及原始灰度图像的积分图像。

优化窗口调整模块，用于根据感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整感兴趣区内每个像素点的优化窗口的大小。

二值化模块，采用局部阈值法根据优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化。

图像输出模块，用于输出二值化图像。

上述自适应图像处理方法及系统，能够自适应地调整感兴趣区内每个像素点的优化窗口的大小，实现感兴趣区内不同大小的前景及亮度/对比度有明显差异的前景的灰度阈值获取，从而将局部阈值法拓展到适用于非文本图像的任何其他图像处理领域。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种自适应图像处理方法，包括下列步骤：

步骤A，根据原始灰度图像获取感兴趣区图像；

步骤B，计算所述感兴趣区图像的积分图像及原始灰度图像的积分图像；

步骤C，根据所述感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整所述感兴趣区内每个像素点的优化窗口的大小；

步骤D，用局部阈值法根据所述优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化；

步骤E，输出二值化图像。

2.根据权利要求1所述的自适应图像处理方法，其特征在于，所述感兴趣区图像mask(x，y)的积分图像包括一阶积分maskS(x，y)，所述原始灰度图像g(x，y)的积分图像包括一阶积分gS(x，y)和二阶积分gS2(x，y)，(x，y)表示像素点的坐标。

3.根据权利要求1所述的自适应图像处理方法，其特征在于，所述优化窗口是正方形，所述步骤C是计算窗口边长w(x，y)在取值范围内所有取值下的灰度标准差sd(x，y)，将sd(x，y)取得最大值sd_max(x，y)时的w(x，y)作为优化窗口的边长；w(x，y)∈[W_min，W_max]且w(x，y)为正整数，W_min是8到20的任一整数，W_max是一个使位于最大前景区域中心的所述优化窗口含有10％至90％的背景的正整数或一个经验值。

4.根据权利要求3所述的自适应图像处理方法，其特征在于，所述步骤D是根据公式T(x，y)＝m(x，y)*[1+k*(sd(x，y)/R-1)]计算灰度阈值T(x，y)，其中m(x，y)是所述像素点的局部灰度均值，sd(x，y)是所述像素点的灰度标准差，k是大于或等于0小于0.7的一个经验值，R＝C_R*sd_p99，C_R是大于0.8小于4的一个经验值， ${\mathrm{sd}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{\max }(x,y)\}.$

5.根据权利要求4所述的自适应图像处理方法，其特征在于，还包括再调整优化窗口的大小的步骤，所述再调整优化窗口的大小步骤包括判断sd_max(x，y)是否大于0.6sd_p99，

若sd_max(x，y)＞0.6sd_p99，则使所述像素点的灰度标准差sd(x，y)既大于0.6sd_p99又大于k1*sd_max(x，y)的优化窗口中边长最小的边长值作为再调整后的优化窗口边长值Woptimal₁(x，y)，其中k1是一个取值范围为[0.6，0.75]的经验值，计算所述局部灰度均值m(x，y)时使用再调整后的优化窗口，且所述计算灰度阈值是计算再调整后的灰度阈值T₁(x，y)，

T₁(x，y)＝m(x，y)*[1+k*(sd(x，y)/R₁-1)]，R₁＝k1*C_R*sd_1p99， ${\mathrm{sd}}_{1p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{sd}}_{1\max }(x,y)\},$ sd_1max(x，y)是0.6sd_p99与k1*sd_max(x，y)这两个值中较大的一个；

若sdmax(x，y)≤0.6sd_p99，则计算所述局部灰度均值时使用调整前的窗口。

6.根据权利要求4所述的自适应图像处理方法，其特征在于，所述k的值是一个取值范围为[0.2，0.3]的经验值。

7.根据权利要求5或6所述的自适应图像处理方法，其特征在于：

所述步骤C除了得到优化窗口，还包括下列步骤：采用窗口边长w₂(x，y)以自适应地减小局部窗口大小，得到减小后的局部窗口和对应的sd(x，y)的最大值sd′_max(x，y)，其中w₂(x，y)∈[W_min，W_min+k2*W_max]，k2是一个0.1以上0.5以下的经验值；

所述步骤D还包括下列步骤：判断sd′_max(x，y)是否大于0.6sd′_p99，其中 ${{\mathrm{sd}}^{\′}}_{p99}=\min \left\{j\right|\underset{0}{\overset{j}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\≥0.99*\underset{0}{\overset{\∞}{\mathrm{\Σ}}}{{\mathrm{sd}}^{\′}}_{\max }(x,y)\};$

若sd′_max(x，y)＞0.6sd′_p99，则使像素点的灰度标准差sd(x，y)既大于0.6sd′_p99又大于k3*sd′_max(x，y)的优化窗口中边长最小的边长值作为减小并再调整后的优化窗口边长值Woptimal₂(x，y)，其中k3是一个取值范围为[0.7，0.85]的经验值，计算局部灰度均值m(x，y)时使用减小并再调整后的优化窗口，且计算灰度阈值是计算减小并再调整后的灰度阈值T′(x，y)，T′(x，y)＝m(x，y)*[1+k*(sd(x，y)/R′-1)]，R′＝k3*C_R*sd′_p99；

若sd′_max(x，y)≤0.6sd′_p99，则计算局部灰度均值时使用减小后的局部窗口；

将根据Woptimal₁(x，y)二值化得到的结果和根据Woptimal₂(x，y)二值化得到的结果进行或运算；

所述步骤E是输出或运算后的二值化图像。

8.根据权利要求7所述的自适应图像处理方法，其特征在于，所述k2的值是0.25。

9.根据权利要求1所述的自适应图像处理方法，其特征在于，所述步骤E是进行后处理后输出二值化图像，所述后处理是采用连通区域分析方法去掉孤立的前景区域。

10.一种自适应图像处理系统，其特征在于，包括：

感兴趣区图像获取模块，用于根据原始灰度图像获取感兴趣区图像；

积分图像计算模块，用于计算所述感兴趣区图像的积分图像及原始灰度图像的积分图像；

优化窗口调整模块，用于根据所述感兴趣区图像的积分图像及原始灰度图像的积分图像自适应地调整所述感兴趣区内每个像素点的优化窗口的大小；

二值化模块，采用局部阈值法根据所述优化窗口计算感兴趣区内每个像素点的灰度阈值并二值化；

图像输出模块，用于输出二值化图像。

Images