CN103218627A - 一种图像检测方法及设备 - Google Patents

Abstract

本发明公开了一种图像检测设备，包括：图像获取单元，用于获得原始图像；多角度旋转处理单元，用于对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像；检测单元，用于设定检测窗口和检测步长，对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得检测结果；融合单元，用于对检测结果进行结果融合；映射单元，用于将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中；以及图像生成单元，用于将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行合并，生成结果图像。

Description

一种图像检测方法及设备

技术领域

一般地，本发明涉及图像处理领域，并且更具体地，本发明涉及一种图像检测方法及设备。

背景技术

目前，模式识别技术广泛应用于各种技术领域。模式识别技术的相关理论和方法在很多学科和领域中得到广泛的重视，其扩大了计算机应用的可能性。图像处理是模式识别技术的一个重要领域。一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属的类别或同一类中模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地将待识别的模式分配到各个模式类中的技术。模式识别的基本框架根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器，通过该分类器对待识样本进行识别的方法。标准样本集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本集的大小、分布等有关。

针对医学图像的识别和检测技术是目前相关领域的热点。借助医学图像识别和检测设备来采集和检测相关图像能够获得更好的相关参数。CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，每次扫描过程中由探测器接收穿过人体后的衰减X线信息，再由快速模/数(A/D)转换器将模拟量转换成数字量，然后输入电子计算机，经电子计算机高速计算，得出该层面各点的X线吸收系数值，用这些数据组成图像的矩阵。再经图像显示器将不同的数据用不同的灰度等级显示出来，这样该断面的解剖结构就可以清晰的显示在监视器上，也可利用多幅相机或激光相机把图像记录在照片上。但CT图像也有其局限性：扫描的范围受限。

为弥补CT图像的不足，通常采用CT定位片。CT定位片是指将X线管置于要求的角度固定不动，随着机器旋转自动地进行一系列X线曝光，即可得到类似X线平片的定位片。可根据定位片选择架倾斜的角度，并可在定位片上用参考线标出要扫描的位置、角度层厚，计算机即可按定位片的标记进行扫描。CT定位片能够提供更为清晰的图像，不但能发挥CT图像的所有作用，又能避免重复与浪费。CT定位片中椎骨检测技术，是指对于任意一幅给定的CT定位片，利用计算机采用检测方法对其进行搜索以确定其中是否含有椎骨，如果是则返回椎骨的位置和大小。

CT图像在骨骼的显示上取得优于其它任何设备的效果。CT定位片能弥补CT断层扫描不足，它不但具有定位和制定方案的作用，还有等同于相应部位X线平片的作用。所以，CT定位片在临床上得到广泛使用。CT定位片是指将X线管置于要求的角度(正位或侧位)和检测器固定不动，随着检查台移动自动地进行一系列X线曝光，即可得到类似X线平片的定位片，它实际上是一近似数字化的X线片。这是CT的一个十分重要的功能。可根据定位片选择机架倾斜的角度，并可在定位片上用参考线标出要扫描的位置、角度层厚，计算机即可按定位片的标记进行扫描。

然而，对CT定位片中椎骨信息进行检测是一项繁琐而耗时的工作，所以，这就使得对计算机进行图像检测和识别的需求变得迫切。对椎骨的计算机检测和识别的研究可以有助于对感兴趣的区域进行检测和识别。

近年来，现有技术中出现了对X线图像的椎骨的检测和分割方法的大量研究。Kasai等人提出一种自动的椎骨检测算法，该算法通过比较椎骨的实际高度与预测高度来检测椎骨图像区域。Benjelloun等人提出一种基于兴趣点检测的椎骨检测算法，该算法使用Harris角点检测器。Dong等人提出基于图形化模型的椎骨自动识别算法，与传统的模型算法相比，该算法不需要训练过程。Ribeiro等人提出了一种基于Gabor滤波器的椎骨检测方法。Mysling等人提出一种基于主动形状模型(Active Shape Model，ASM)的椎骨自动分割算法。该算法采用分层结构，第一层采用形状模型抽样算法估计脊髓线和椎骨位置，第二层采用ASM算法确定椎骨边界。Lecron等人提出一种基于学习知识的椎骨自动检测算法，该算法通过无人工干预的anterior corner来检测椎骨。

目前，现有技术中还有对CT图像和MRI图像中的椎骨检测算法的研究。关于CT图像，Stern等人通过边缘点来估计椎骨中心线的位置，再根据梯度图与强度图确定椎骨中心和间盘中心的位置。Graf等人提出一种全自动无参数的椎骨检测算法，该算法利用骨结构的灰度来进行椎骨的初始检测，再利用图像特征进行椎骨区域的精确划分。Dai等人提出一种半自动的腰椎检测算法，该算法利用图论确定椎骨的结合边界，利用参数图谱来表示六面体网格椎骨的几何表面。关于MRI图像，Schmidt等人提出基于概率图模型的椎骨检测及标记算法。该算法使用多级分类器，并结合几何先验获得椎骨的全局最优结构。Julio等人将Normalized Cut算法和Nystrom逼近算法结合起来用于脊椎分割。Peng等人提出新颖的椎骨分割方法。该方法在标记椎骨轮廓边缘点之后，使用最大最小距离法定位四个角点，通过连接上下角点和间隙填充完成椎骨分割。Masaki等人提出基于边缘累积分析的腰椎区域检测算法。Dong等人提出一种基于模型的间盘检测算法。该算法以基于模型算法检测到的椎骨作为初始化轮廓，采用粒子滤波算法检测间盘的位置和方向。Pekar等人提出一种基于定位片的脊椎检测及标记算法，并按照定位片的结果进行脊椎扫描。

上述方法大多要求图片中椎骨数目确定，椎骨轮廓清晰，或者只针对特定部位，例如腰椎、颈椎等。本申请则以CT定位片中的所有椎骨为具体处理对象，针对不同图像中椎骨数目不定，不同椎骨在图像中倾斜角度不同，椎骨易受到其它解剖结构影响，椎骨边缘模糊等特点，提出一种新颖的高性能椎骨图像检测方法。该方法采用Adaboost算法进行训练，再将训练结果用于测试。在测试过程中，采用多角度检测，即根据图像中椎骨的倾斜角度来旋转图像，使得待检测的椎骨处于水平位置，然后按设定的步长遍历图像，对多张旋转图像中相近位置检测到的多节椎骨进行合并，采用的合并方法有平均值法、比较值法、检测强度法及重叠面积法。

发明内容

根据本发明的第一方面，提供一种图像检测方法，所述方法包括：利用图像获取单元获得原始图像；利用多角度旋转处理单元对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像；利用检测单元设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果；利用融合单元对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合；利用映射单元将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中；以及利用图像生成单元将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行合并，从而生成结果图像。

优选地，还包括使用Haar特征值计算单元通过积分图来计算Haar特征，所述积分图为：对于一幅原始图像i，其在坐标处(x，y)的积分图是该像素上面和左边的全部像素之和。

优选地，还包括利用Adaboost算法学习单元设定弱学习算法和训练集，生成弱分类器，根据具有最小的错误率的弱分类器来生成强分类器，具体为：

1、给定弱学习算法和训练集：{(x1，y1)，(x2，y2)，...，(xn，yn)}；其中，xi是输入的训练样本向量，且xi∈X，X是训练样本集；yi是分类类别表示，yi∈{0，1}，其中，1表示正样本，0表示负样本；

2、指定循环的次数T，T将决定最后强分类器中的弱分类器的数目；

3、正负训练样本权重初始化

$\left\{\begin{array}{cc}{\mathrm{\ω}}_{1,j}=\frac{1}{2m}& f_j=0\\ {\mathrm{\ω}}_{1,j}=\frac{1}{2n}& f_j=1\end{array}\right.$

其中，m、n分别为负正样本的个数；

4、对于每一次循环

4.1、对权重系数进行标准化

$w_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}$

4.2、根据错误率来选择最佳弱分类器

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}\underset{i}{\mathrm{\Σ}}{w}_i|h(x_i,f,p,\mathrm{\θ})-y_i|$

4.3、选择具有最小的错误率ε_t的弱分类器h_t加入到强分类器中；

4.4、更新权重

如果样本被正确分类，则ei＝0；否则，ei＝1；其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$

5、T次训练完毕，最后得到强分类器为：

$C\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.$

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

优选地，其中根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果包括：

对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像中的每一个待检测图像进行：

A、按设定的检测窗口和检测步长检测所述待检测图像中的至少一个目标对象；

B、加载弱分类器；

C、加载强分类器；

D、判断检测窗口中是否包括目标对象，如果否，则返回步骤B；如果是，则保存结果；

E、判断对待检测图像的遍历是否结束，如果否，则返回步骤B；如果是，则检测结束。

优选地，其中使用平均值法、比较值法、检测强度法进行所述融合，并且使用平均值法和重叠面积法进行所述合并；

其中所述平均值法对于检测到的两个目标对象，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果；

其中所述比较值法使用的衡量参数是

即弱分类器的加权投票结果，根据强分类器公式可以看到只有满足时，强分类器才判断为目标对象，所以对于同样都满足这个条件的重叠区域窗口，选择加权投票票数多的为合并结果；

其中所述检测强度法具体为，对于有重叠区域的检测结果按以下步骤进行合并：

将检测出来的窗口强度初始化为1；

对任意两个检测出来的矩形框，如果它们的重叠面积大于一半，则把两个矩形框的检测强度d分别增加1；

删除检测强度小于5的矩形框；

对于有重叠区域的检测结果，先看它们的强度，选择强度大的作为合并结果，如果强度值相等则按平均值法取得合并结果；

其中所述重叠面积法具体为，对于旋转0度和非0度的检测结果按以下步骤进行合并：

对于旋转0度及非0度图像中检测出的两个目标对象，如果重叠区域的面积小于二分之一的，选择旋转0度检测到的结果为最终的检测结果；

如果重叠面积大于3/4的，选非0度多角度检测出来的结果；

除去以上两种情况的按平均值法来合并窗口。

根据本发明的另一方面，提供一种图像检测设备，所述设备包括：图像获取单元，用于获得原始图像；多角度旋转处理单元，对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像；检测单元，设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果；融合单元，对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合；映射单元，用于将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中；以及图像生成单元，用于将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行合并，从而生成结果图像。

优选地，还包括Haar特征值计算单元，通过积分图来计算Haar特征，所述积分图为：对于一幅原始图像i，其在坐标处(x，y)的积分图是该像素上面和左边的全部像素之和。

优选地，还包括Adaboost算法学习单元，设定弱学习算法和训练集，生成弱分类器，根据具有最小的错误率的弱分类器来生成强分类器，具体实现为：

1、给定弱学习算法和训练集：{(x1，y1)，(x2，y2)，...，(xn，yn)}；其中，xi是输入的训练样本向量，且xi∈X，X是训练样本集；yi是分类类别表示，yi∈{0，1}，其中，1表示正样本，0表示负样本；

2、指定循环的次数T，T将决定最后强分类器中的弱分类器的数目；

3、正负训练样本权重初始化

$\left\{\begin{array}{cc}{\mathrm{\ω}}_{1,j}=\frac{1}{2m}& f_j=0\\ {\mathrm{\ω}}_{1,j}=\frac{1}{2n}& f_j=1\end{array}\right.$

其中，m、n分别为负正样本的个数；

4、对于每一次循环

4.1、对权重系数进行标准化

$w_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}$

4.2、根据错误率来选择最佳弱分类器

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}\underset{i}{\mathrm{\Σ}}{w}_i|h(x_i,f,p,\mathrm{\θ})-y_i|$

4.3、选择具有最小的错误率ε_t的弱分类器h_t加入到强分类器中；

4.4、更新权重如果样本被正确分类，则ei＝0；否则，ei＝1；其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$

5、T次训练完毕，最后得到强分类器为：

$C\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.$

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

优选地，其中检测单元根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果具体包括：

对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像中的每一个待检测图像进行：

按设定的检测窗口和检测步长检测所述待检测图像中的至少一个目标对象；

加载弱分类器；

加载强分类器；

当检测窗口中包括目标对象时，保存结果；以及

当对待检测图像的遍历结束时，检测结束。

优选地，其中所述图像融合单元使用平均值法、比较值法、检测强度法进行所述融合，并且所述图像生成单元使用平均值法和重叠面积法进行所述合并；

其中所述平均值法对于检测到的两个目标对象，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果；

其中所述比较值法使用的衡量参数是

即弱分类器的加权投票结果，根据强分类器公式可以看到只有满足时，强分类器才判断为目标对象，所以对于同样都满足这个条件的重叠区域窗口，选择加权投票票数多的为合并结果；

其中所述检测强度法具体为，对于有重叠区域的检测结果按以下步骤进行合并：

将检测出来的窗口强度初始化为1；

对任意两个检测出来的矩形框，如果它们的重叠面积大于一半，则把两个矩形框的检测强度d分别增加1；

删除检测强度小于5的矩形框；

对于有重叠区域的检测结果，先看它们的强度，选择强度大的作为合并结果，如果强度值相等则按平均值法取得合并结果；

其中所述重叠面积法具体为，对于旋转0度和非0度的检测结果按以下步骤进行合并：

对于旋转0度及非0度图像中检测出的两个目标对象，如果重叠区域的面积小于二分之一的，选择旋转0度检测到的结果为最终的检测结果；

如果重叠面积大于3/4的，选非0度多角度检测出来的结果；

除去以上两种情况的按平均值法来合并窗口。

附图说明

通过结合附图阅读优选示例性实施方式的下列详细描述，可以更好地理解本发明的这些以及进一步的特点和优势，其中：

图1示出了根据本发明优选实施方式的图像检测设备的结构图；

图2示出了根据本发明优选实施方式的图像检测方法的流程图；

图3示出了现有技术中用于图像检测的原始矩形特征；

图4示出了现有技术中的用于图像检测的改进矩形特征；

图5示出了根据本发明优选实施方式的级联分类器的示意图；

图6示出了根据本发明优选实施方式的多角度检测方法的流程图；

图7示出了根据本发明优选实施方式的椎骨倾斜角度统计直方图；以及

图8示出了根据本发明优选实施方式的平均值法合并窗口的示意图。

需要注意的是，这些附图意在描述方法的一般特性、在特定示例性实施方式中使用的结构和/或材料，并意在对下面提供的描述进行补充。然而，这些附图不是按比例的，并且也不是精确地反映任意给出的实施方式的精细结构或性能特性，并且也不应解释为通过示例性实施方式对所包含的数值范围或属性进行定义或限定。在各个附图中使用同样或相同的附图标记意在指示存在同样或相同的元素或特征。

具体实施方式

尽管示例性实施方式能够进行各种修改并采用替代形式，但是其实施方式作为实施例在附图中给出，并将在这里进行详细描述。然而，应当理解的是，不应将示例性实施方式限定为所公开的特定形式，相反，示例性实施方式意在涵盖落入权利要去范围内的所有修改、等同物和替代物。在整个附图的描述中，相同的附图标记表示相同的元素。

图1示出了根据本发明优选实施方式的图像检测设备的结构图。应当注意的是，图1中的图像检测设备为实体硬件设备，图像检测设备所包括的各个组件均为硬件设备。如图1所述，所述图像检测设备包括：图像获取单元、多角度旋转处理单元、检测单元、融合单元、映射单元以及图像生成单元。优选地，图像获取单元，用于获得原始图像。优选地，多角度旋转处理单元，用于对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像。优选地，检测单元，用于设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果。优选地，融合单元，用于对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合。优选地，映射单元，用于将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中。优选地，图像生成单元，用于将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行融合，从而生成结果图像。优选地，所述检测结果可以是目标对象，即椎骨。优选地，原始图像或经过多角度旋转处理单元处理后得到的待检测图像(零旋转角度或非零旋转角度)可以包括多个目标对象，即可以包括多节椎骨。优选地，所述图像检测设备还包括：Haar特征值计算器、Adaboost算法学习器和级联分类器。

图2示出了根据本发明优选实施方式的图像检测方法200的流程图。在步骤202处，方法开始。在步骤204处，利用图像获取单元获得原始图像。优选地，所述原始图像可以是CT定位片。优选地，所述原始图像中可以包括多节椎骨，即多个目标对象。优选地，本发明可以针对CT定位片中的椎骨进行检测。在步骤206，利用多角度旋转处理单元对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像。优选地，利用多角度旋转处理单元生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像可以是：零旋转角度的待检测图像为原始图像，即不进行任何角度旋转；至少一个非零旋转角度的待检测图像，例如可以是30度、45度、50度等旋转角度的待检测图像。

在步骤208，利用检测单元设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果。优选地，设定检测窗口例如可以包括，设定检测窗口的尺寸、检测窗口的坐标、检测窗口的形状等。优选地，检测窗口的尺寸可以为检测窗口的面积。优选地，设定检测窗口的坐标为设定检测窗口左上顶点的坐标，右上顶点的坐标等。例如，检测窗口的形状可以为矩形或正方形。优选地，检测窗口的坐标(例如左上方顶点的坐标为(x，y)。优选地，检测窗口的大小可以是矩形的长和宽，或者是正方形的边长。优选地，检测步长例如是检测窗口在待检测图像上的移动步长，例如2mm、3mm或4mm等。由此可知，所述遍历检测为，检测窗口的左上方顶点的坐标在待检测图像上平行移动2mm、3mm或4mm。优选地，当从图像左上方移动到右上方时，向下移动2mm、3mm或4mm，然后，再次从左侧向右侧平行移动2mm、3mm或4mm。优选地，针对一个零旋转角度(不旋转)的待检测图像和至少一个非零旋转角度(例如，30度、45度和/或50度)的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果。优选地，所述遍历是指对原始图像或经过多角度旋转处理单元处理过的零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像进行逐个窗口的遍历，利用移动窗口在上述图像中的移动来对上述图像的整个图像区域进行遍历。优选地，当遍历结束时，即实现了对上述图像的检测，即检测结束。

在步骤210，利用融合单元对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合。优选地，将零旋转角度的检测结果和非零旋转角度的检测结果分别进行处理。优选地，一方面利用融合单元对所述一个零旋转角度的检测结果进行结果融合；另一方面利用融合单元所述至少一个非零旋转角度的检测结果中的每一个进行结果融合。

在步骤212，利用映射单元将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中。优选地，由于非零旋转角度的检测结果是对目标对象进行了旋转，因此需要将检测结果映射到原始图像中。优选地，所述检测结果可以是目标对象，即椎骨。优选地，原始图像或经过多角度旋转处理单元处理后得到的待检测图像可以包括多个目标对象，即可以包括多节椎骨。在步骤214，利用图像生成单元将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行融合，从而生成结果图像。

本发明使用Haar特征值计算器进行Haar特征的计算。图3示出了现有技术中用于图像检测的原始矩形特征。Haar特征(又可称为矩形特征，如图3所示)对一些简单的图形结构，比如边缘、线段，比较敏感。但是，其只能描述特定走向(水平、垂直、中心)的结构，因此比较粗略。图3中各矩形特征所含的小矩形具有相同的大小和形状，并且各小矩形相互垂直或水平相邻。其中，A、B与D的黑白矩形面积相同，它们的特征值为V＝Sum白-Sum黑；C的白矩形面积是黑矩形面积的两倍，特征值为V＝Sum白-2＊Sum黑。其中，Sum表示像素和，引入积分图像来计算Sum。

此后，Rainer Lienhart等人在此基础上做了扩展，提出了Haar-like特征，如图4所示。由于矩形特征的数量非常庞大，每次计算特征值都要统计矩形内所有像素的和，降低训练和检测的速度。积分图像是一种新的图像表示方法，它的矩形特征的特征值计算，只与此特征矩形的端点的积分图有关，这样只要遍历图像一次，就可以求得所有子窗口的特征值。

在本实施方式中，将积分图的定义为：对于一幅原始图像i，其在坐标处(x，y)的积分图是该像素上面和左边的全部像素之和。公式如下：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}i(x^{\′},y^{\′})---\left(1\right)$

优选地，为了节约时间，采用以下递推公式，这样只需对原始图像扫描一次就可计算出积分图：

s(x，y)＝s(x，y-1)+i(x，y)       (2)

ii(x，y)＝ii(x-1，y)+s(x，y)     (3)

其中s(x，y)是(x，y)像素累积的行和，即(x，y)像素所在行及以前行的像素值的求和，同时有s(x，-1)＝0，ii(-1，y)＝0。所以，利用积分图可以方便地进行任意矩形区域内的像素和的计算以及矩形特征的特征值计算。

Adaboost算法的学习过程，可以理解为“贪婪的特征选择过程”。算法学习过程的关键是当分类器对某些样本的分类正确时，将这些样本的权值减少；当分类错误时，保持样本权值不变。让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终获取一系列最能有效区分正负样本的弱特征，每个弱特征对应一个弱分类器。Adaboost算法生成强分类器是通过加权投票机制，用大量弱分类器的加权组合进行分类的一种方法。

寻找对椎骨与非椎骨区分性最好的Haar特征，再由这些特征所对应的弱分类器组合生成的强分类器具有最优的分类性能。方法的具体描述如下所示：

(a)给定弱学习算法Weaklearn和训练集：{(x1，y1)，(x2，y2)，...，(xn，yn)}。其中，xi是输入的训练样本向量，且xi∈X，X是训练样本集；yi是分类类别表示，yi∈{0，1}，其中，1表示椎骨图像，0表示非椎骨图像。

(b)指定循环的次数T，T将决定最后强分类器中的弱分类器的数目。

(c)正负训练样本权重初始化

$\left\{\begin{array}{cc}{\mathrm{\ω}}_{1,j}=\frac{1}{2m}& f_j=0\\ {\mathrm{\ω}}_{1,j}=\frac{1}{2n}& f_j=1\end{array}\right.---\left(5\right)$

其中，m、n分别为负正样本的个数。

(d)对于每一次循环

(d1).标准化权重系数

$w_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}---\left(6\right)$

(d2).根据错误率来选择最佳弱分类器

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}\underset{i}{\mathrm{\Σ}}{w}_i|h(x_i,f,p,\mathrm{\θ})-y_i|---\left(7\right)$

(d3).选择具有最小的错误率ε_t的弱分类器h_t加入到强分类器中。

(d4).更新权重

如果样本被正确分类，则ei＝0；否则，ei＝1。其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}.$

(e)T论训练完毕，最后得到强分类器为：

$C\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.---\left(8\right)$

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

图5示出了根据本发明优选实施方式的级联分类器的示意图。图5中的级联分类器含有n级强分类器，其中强分类器1，强分类器2，...，强分类器n都是按Adaboost算法构造的。级联分类器要求各级强分类器从简单到复杂，一级比一级严格，这样才能保证用最少的时间排除最多的非椎骨。

构造级联分类器的方法如下：

确定每级分类器的最大假阳率max F，最小检测率min D

确定整个系统的最大假阳率F max，由此可知至少需要n级强分类器

$n=\log \begin{array}{cc}F& \max \\ \max & F\end{array}$

用正负样本训练级联分类器。

初始化F＝1，D＝1，按照Adaboost算法训练强分类器，同时该强分类器也要满足每级要求的最大假阳率和最小检测率。

最终级联分类器的假阳率F和检测率D公式如下：

$\left\{\begin{array}{cc}F=\underset{t=1}{\overset{K}{\mathrm{\Π}}}& f_t\\ D=\underset{t=1}{\overset{K}{\mathrm{\Π}}}& d_t\end{array}\right.$

其中f_t为第t个强分类器的假阳率，d_t为第t个强分类器的检测率，K为该级联分类器所含强分类器的个数，也就是级数。假阳率就是负样本被检测为正样本在所有负样本中所占的比例，检测率就是正样本被检测为正样本在所有正样本中所占的比例。检测率和假阳率分为整个级联分类器的检测率和假阳率和每一级的检测率和假阳率，每一级我们都会训练一个强分类器，如果这个强分类器满足我们设定的每一级的检测率和假阳率，那么这一级的训练就可以结束，接着训练下一级，直到所有级数的强分类器训练结束，级联分类器也就构造完成了。

图6示出了根据本发明优选实施方式的多角度检测方法的流程图。优选地，多角度检测包括旋转角度的确定和检测结果融合等。多角度检测就是根据图像中椎骨的倾斜角度来旋转图像，使得待检测的椎骨处于水平位置，然后按设定的步长和检测窗口遍历图像，对多张旋转图像中相近位置检测到的多节椎骨进行合并。多角度检测的流程如图6所示。优选地，在步骤600处，多角度检测过程开始。在步骤602处，获取待检测图像。优选地，所述待检测图像是CT定位片，所述定位片中包括椎骨图像。在步骤604处，按确定的旋转角度来旋转图片。优选地，所述角度可以是0度、30度、45度或50度等。当角度为0度时，不对图片进行旋转。即，确定对待检测图像进行旋转零度检测还是非0度多角度检测。然后进行到步骤606，设定检测窗口和检测步长。优选地，检测窗口例如包括，检测窗口的尺寸、检测窗口的坐标、检测窗口的形状等。例如，检测窗口可以为矩形或正方形。优选地，检测窗口的坐标(例如左上方顶点的坐标为(x，y)。优选地，检测窗口的大小可以是矩形的长和宽，或者是正方形的边长。优选地，检测步长例如是检测窗口在待检测图像上的移动步长，例如2mm、3mm或4mm等。

在步骤608，按设定的检测窗口和检测步长遍历图像。优选地，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果。由此可知，所述遍历检测为，检测窗口的左上方顶点的坐标在待检测图像上平行移动2mm、3mm或4mm。优选地，当从图像左上方移动到右上方时，向下移动2mm、3mm或4mm，然后，再次从左侧向右侧平行移动2mm、3mm或4mm。优选地，针对一个零旋转角度(不旋转)的待检测图像和至少一个非零旋转角度(例如，30度、45度和/或50度)的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果。

在步骤610，加载弱分类器。在步骤612，加载强分类器。当在步骤614中确定检测窗口中包括目标对象时，则进行步骤616，保存结果；以及当图像遍历结束时，即图像检测结束时，进行步骤618，检测结束。当在步骤614中确定检测窗口中不包括目标对象时，则进行步骤608。以及当图像没遍历结束时，即图像检测未结束时进行步骤608。接下来，进行到步骤620，检测结果融合，并且确定检测结果是旋转0度检测还是非0度多角度检测。如果确定为非0度多角度检测，则进行到步骤623，否则直接进行到步骤624。在步骤623处，将检测结果映射到原测试图像中。优选地，针对多个旋转角度，旋转多次。旋转一次获得的结果是在旋转图片上的而不是原图像上，所以得将旋转图片获得的结果映射到原图像中。接着按下一个旋转角度旋转图片，一直循环，直到所有的旋转角度都旋转完。在步骤624处，将旋转0度检测和非0度多角度检测结果融合。在步骤626处，选定并且标定融合结果。在步骤628处，生成检测结果。最后在步骤630处，上述过程结束。

图6中多角度检测分为旋转0度检测和非0度多角度检测。旋转0度检测不需要旋转图片，而非0度多角度检测需要按统计的旋转角度旋转图片。检测窗口一般按训练模板的大小来设定，为40×30像素。检测窗口遍历图像时涉及到步长问题，步长选择恰当将会提高检测性能。接着就开始加载分类器，弱分类器是由训练过程得到的，而强分类器是由弱分类器加权组合起来的。根据本发明的优选实施方式，多角度检测包括旋转角度的确定和检测结果融合等。优选地，根据本发明的优选实施方式来确定旋转角度。在非0度多角度检测中需要按旋转角度旋转图片，其中旋转角度的确定是根据椎骨倾斜角度统计分析得到的，椎骨倾斜角度在训练部分采集正样本时就有保存，我们采用直方图对它进行统计分析，结果如图7所示。图7中，横轴表示旋转角度，纵轴表示频数。我们根据直方图统计出非0度多角度检测中图片所需的旋转角度。

无论是按角度旋转图片还是将检测到的结果映射到原测试图像中都需要用到旋转坐标系的方法，旋转坐标系公式如下：

x′＝x*cos(θ)+y*sin(θ)     (3.8)

y′＝x*sin(θ)+y*cos(θ)     (3.9)

其中x′，y′为新坐标系下点的坐标，而x和y为该点在原坐标系下的坐标，θ是旋转的角度。

优选地，根据本发明的优选实施方式来进行检测结果融合。由于步长的影响，同一节椎骨可能被检测多次。因此，需要对检测到的重叠椎骨进行合并，合并结果为最终的椎骨检测图像，本发明提出四种合并方法。

1.平均值法

对于检测到的两节椎骨，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果，如图8所示。

2.比较值法

比较值法用的衡量参数是

也就是弱分类器的加权投票结果，根据强分类器公式(3.7)可以看到只有满足

时，强分类器才判断为椎骨，所以对于同样都满足这个条件的重叠区域窗口，我们选择加权投票票数多的为合并结果。

3.检测强度法

对于有重叠区域的检测结果按以下步骤进行合并：

(3.1)将检测出来的窗口强度初始化为1。

(3.2)对任意两个检测出来的矩形框，如果它们的重叠面积大于一半，则把两个矩形框的检测强度d分别增加1。

(3.3)删除检测强度小于5的矩形框。

(3.4)对于有重叠区域的检测结果，先看它们的强度，选择强度大的作为合并结果，如果强度值相等则按平均值法取得合并结果。

4.重叠面积法

对于旋转0度和非0度的检测结果按以下步骤进行合并：

(4.1)对于旋转0度及非0度图像中检测出的两节椎骨，如果重叠区域的面积小于二分之一的，选择旋转0度检测到的结果为最终的检测结果。

(4.2)如果重叠面积大于3/4的，选非0度多角度检测出来的结果。

(4.3)除去以上两种情况的按平均值法来合并窗口。

Claims (10)

1.一种图像检测方法，所述方法包括：

利用图像获取单元获得原始图像；

利用多角度旋转处理单元对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像；

利用检测单元设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果；

利用融合单元对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合；

利用映射单元将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中；以及

利用图像生成单元将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行合并，从而生成结果图像。。

2.根据权利要求1的方法，还包括使用Haar特征值计算单元通过积分图来计算Haar特征，所述积分图为：对于一幅原始图像i，其在坐标处(x，y)的积分图是该像素上面和左边的全部像素之和。

3.根据权利要求1的方法，还包括利用Adaboost算法学习单元设定弱学习算法和训练集，生成弱分类器，根据具有最小的错误率的弱分类器来生成强分类器，具体为：

3.1、给定弱学习算法和训练集：{(x1，y1)，(x2，y2)，...，(xn，yn)}；其中，xi是输入的训练样本向量，且xi∈X，X是训练样本集；yi是分类类别表示，yi∈{0，1}，其中，1表示正样本，0表示负样本；

3.2、指定循环的次数T，T将决定最后强分类器中的弱分类器的数目；

3.3、正负训练样本权重初始化

$\left\{\begin{array}{cc}{\mathrm{\ω}}_{1,j}=\frac{1}{2m}& f_j=0\\ {\mathrm{\ω}}_{1,j}=\frac{1}{2n}& f_j=1\end{array}\right.$

其中，m、n分别为负正样本的个数；

3.4、对于每一次循环

3.4.1、对权重系数进行标准化

$w_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}$

3.4.2、根据错误率来选择最佳弱分类器

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}\underset{i}{\mathrm{\Σ}}{w}_i|h(x_i,f,p,\mathrm{\θ})-y_i|$

3.4.3、选择具有最小的错误率ε_t的弱分类器h_t加入到强分类器中；

3.4.4、更新权重

如果样本被正确分类，则ei＝0；否则，ei＝1；其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$

3.5、T次训练完毕，最后得到强分类器为：

$C\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.$

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

4.根据权利要求1的方法，其中根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果包括：

对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像中的每一个待检测图像进行：

4.1、按设定的检测窗口和检测步长检测所述待检测图像中的至少一个目标对象；

4.2、加载弱分类器；

4.3、加载强分类器；

4.4、判断检测窗口中是否包括目标对象，如果否，则返回步骤4.2；如果是，则保存结果；

4.5、判断对待检测图像的遍历是否结束，如果否，则返回步骤4.2；如果是，则检测结束。

5.根据权利要求1的方法，其中使用平均值法、比较值法、检测强度法进行所述融合，并且使用平均值法和重叠面积法进行所述合并；

其中所述平均值法对于检测到的两个目标对象，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果；

其中所述比较值法使用的衡量参数是

即弱分类器的加权投票结果，根据强分类器公式可以看到只有满足

时，强分类器才判断为目标对象，所以对于同样都满足这个条件的重叠区域窗口，选择加权投票票数多的为合并结果；

其中所述检测强度法具体为，对于有重叠区域的检测结果按以下步骤进行合并：

将检测出来的窗口强度初始化为1；

对任意两个检测出来的矩形框，如果它们的重叠面积大于一半，则把两个矩形框的检测强度d分别增加1；

删除检测强度小于5的矩形框；

对于有重叠区域的检测结果，先看它们的强度，选择强度大的作为合并结果，如果强度值相等则按平均值法取得合并结果；

其中所述重叠面积法具体为，对于旋转0度和非0度的检测结果按以下步骤进行合并：

对于旋转0度及非0度图像中检测出的两个目标对象，如果重叠区域的面积小于二分之一的，选择旋转0度检测到的结果为最终的检测结果；

如果重叠面积大于3/4的，选非0度多角度检测出来的结果；

除去以上两种情况的按平均值法来合并窗口。

6.一种图像检测设备，所述设备包括：

图像获取单元，用于获得原始图像；

多角度旋转处理单元，对原始图像进行处理，生成一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像；

检测单元，设定检测窗口和检测步长，根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果；

融合单元，对所述一个零旋转角度的检测结果进行结果融合，并且对所述至少一个非零旋转角度的检测结果中的每一个进行结果融合；

映射单元，用于将所述至少一个非零旋转角度的检测结果中的每一个映射到原始图像中；以及

图像生成单元，用于将所述一个零旋转角度的检测结果和被映射到原始图像中的所述至少一个非零旋转角度的检测结果中的每一个进行合并，从而生成结果图像。

7.根据权利要求6的设备，还包括Haar特征值计算单元，通过积分图来计算Haar特征，所述积分图为：对于一幅原始图像i，其在坐标处(x，y)的积分图是该像素上面和左边的全部像素之和。

8.根据权利要求6的设备，还包括Adaboost算法学习单元，设定弱学习算法和训练集，生成弱分类器，根据具有最小的错误率的弱分类器来生成强分类器，具体实现为：

8.1、给定弱学习算法和训练集：{(x1，y1)，(x2，y2)，...，(xn，yn)}；其中，xi是输入的训练样本向量，且xi∈X，X是训练样本集；yi是分类类别表示，yi∈{0，1}，其中，1表示正样本，0表示负样本；

8.2、指定循环的次数T，T将决定最后强分类器中的弱分类器的数目；

8.3、正负训练样本权重初始化

$\left\{\begin{array}{cc}{\mathrm{\ω}}_{1,j}=\frac{1}{2m}& f_j=0\\ {\mathrm{\ω}}_{1,j}=\frac{1}{2n}& f_j=1\end{array}\right.$

其中，m、n分别为负正样本的个数；

8.4、对于每一次循环

8.4.1、对权重系数进行标准化

$w_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}}$

8.4.2、根据错误率来选择最佳弱分类器

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}\underset{i}{\mathrm{\Σ}}{w}_i|h(x_i,f,p,\mathrm{\θ})-y_i|$

8.4.3、选择具有最小的错误率ε_t的弱分类器h_t加入到强分类器中；

8.4.4、更新权重

如果样本被正确分类，则ei＝0；否则，ei＝1；其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$

8.5、T次训练完毕，最后得到强分类器为：

$C\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ 0& \mathrm{otherwise}\end{array}\right.$

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

9.根据权利要求6的设备，其中检测单元根据设定的检测窗口和检测步长来对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像的每一个进行遍历检测，获得一个零旋转角度的检测结果和至少一个非零旋转角度的每一个的检测结果具体包括：

对所述一个零旋转角度的待检测图像和至少一个非零旋转角度的待检测图像中的每一个待检测图像进行：

按设定的检测窗口和检测步长检测所述待检测图像中的至少一个目标对象；

加载弱分类器；

加载强分类器；

当检测窗口中包括目标对象时，保存结果；以及

当对待检测图像的遍历结束时，检测结束。

10.根据权利要求6的设备，其中所述图像融合单元使用平均值法、比较值法、检测强度法进行所述融合，并且所述图像生成单元使用平均值法和重叠面积法进行所述合并；

其中所述平均值法对于检测到的两个目标对象，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果；

其中所述比较值法使用的衡量参数是

即弱分类器的加权投票结果，根据强分类器公式可以看到只有满足

时，强分类器才判断为目标对象，所以对于同样都满足这个条件的重叠区域窗口，选择加权投票票数多的为合并结果；

其中所述检测强度法具体为，对于有重叠区域的检测结果按以下步骤进行合并：

将检测出来的窗口强度初始化为1；

对任意两个检测出来的矩形框，如果它们的重叠面积大于一半，则把两个矩形框的检测强度d分别增加1；

删除检测强度小于5的矩形框；

对于有重叠区域的检测结果，先看它们的强度，选择强度大的作为合并结果，如果强度值相等则按平均值法取得合并结果；

其中所述重叠面积法具体为，对于旋转0度和非0度的检测结果按以下步骤进行合并：

对于旋转0度及非0度图像中检测出的两个目标对象，如果重叠区域的面积小于二分之一的，选择旋转0度检测到的结果为最终的检测结果；

如果重叠面积大于3/4的，选非0度多角度检测出来的结果；

除去以上两种情况的按平均值法来合并窗口。

Images