CN106097362A - 一种x光图像中人工圆形标记的自动检测和定位方法 - Google Patents

Abstract

本发明涉及一种X光图像中人工圆形标记的自动检测和定位方法，包括以下步骤：S1、读入二维X光图像，对输入二维图像并进行多尺度描述；S2、斑点检测，计算斑点坐标和主尺度值；S3、在斑点的邻近区域范围内进行hough圆检测，得到具有圆特征的斑点；S4、排除非标记点；S5、输出标记点。本发明考虑多尺度斑点检测的主尺度，将主尺度与目标的实际尺寸进行了关联，并将其作为判别合适人工标记的重要因素；多尺度斑点检测和主尺度同时用于获得可靠的候选点，同时，候选点邻近区域内的hough圆检测用于进一步判断候选点是否为人工标记圆，最后，再通过非标记区域排除策略将非人工标记剔除，保证提取的可靠性。

Description

一种X光图像中人工圆形标记的自动检测和定位方法

技术领域

本发明涉及医学图像技术领域，更具体的说，是涉及一种X光图像中人工圆形标记的自动检测和定位方法。

背景技术

在计算机辅助外科手术和图像引导外科手术中，图像配准是一个重要的环节。由于术中的三维实时图像不易获取，临床上普遍采用X光成像快速获取二维投影图像。二维投影图像缺乏三维体数据的空间信息，往往不利于术中精准操控和空间解剖结构的识别。将术前体数据与术中实时获取的二维投影图像间的配准能够给手术提供实时三维空间信息，从而辅助外科手术精准操作。二维X光和三维CT图像间的配准属于是二维和三维的图像配准，通过将术前三维CT图像信息与术中实时获取的二维X光图像进行配准融合，实现术中空间解剖结构的辨识。

图像配准一般分为基于特征和基于灰度两种类型。基于灰度的图像配准不需要提取图像特征，但由于运算过程中依赖大量迭代优化搜索而使得配准速度普遍较慢，往往无法满足术中配准的实时性要求。因此，在实时的手术导航过程中，基于特征的配准方法被广泛采用。基于特征的配准主要是依赖人工标记点，或者提取组织形态结构特征，通过这些特征在不同模态间的匹配，从而实现二维和三维图像的配准。特征的提取和匹配，在基于特征的配准过程中是非常重要的两个环节。

基于特征的配准方法中，特征提取是重要的环节。特别是从不同角度拍摄的X光投影图像中自动提取嵌入的标记点，一直以来是非常困难的问题。由于标记的形态在不同的投影角度下会发生一定程度的改变，并不是呈现固定的形状特征，常规的特征检测方法(比如圆特征检测)，很难自动检测这类标记。而且，投影图像中标记的图像特征还受到了其它组织结构的投影干扰，标记在不同的拍摄角度和不同的区域存在很大的形态差异，这会令传统的分割方法或匹配方法很难处理。

由于标记的形态在不同的投影角度下会发生一定程度的改变，并不是呈现固定的形状特征，常规的特征检测方法(比如圆特征检测)，很难自动检测这类标记。而且，投影图像中标记的图像特征还受到了其它组织结构的投影干扰，标记在不同的拍摄角度和不同的区域存在很大的形态差异，这会令传统的分割方法或匹配方法很难处理。因此，常规的基于阈值分割、边缘检测或灰度匹配的方法都很难自动提取X光投影图像中的标记点。

发明内容

有鉴于此，有必要针对上述问题，提供一种X光图像中人工圆形标记的自动检测和定位方法，通过在多尺度检测斑点的邻近区域范围内进行hough圆检测，这样可以大大的降低搜索空间的范围，从而实现快速的X光图像中人工圆形标记检测。

为了实现上述目的，本发明的技术方案如下：

一种X光图像中人工圆形标记的自动检测和定位方法，包括以下步骤：

S1、读入二维X光图像，对输入二维图像并进行多尺度描述；

S2、斑点检测，计算斑点坐标和主尺度值；

S3、在斑点的邻近区域范围内进行hough圆检测，得到具有圆特征的斑点；

S4、排除非标记点；

S5、输出标记点。

作为优选的，所述步骤S1中，通过高斯函数对输入的二维图像进行多尺度描述，图像的尺度空间表示为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

$G(x_i,y_i,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{2{\mathrm{\σ}}^2})$

式中，I(x,y)为原始输入图像，G(x,y,σ)为可变尺度的二维高斯函数，σ为尺度因子，*表示卷积运算。

作为优选的，所述步骤S2具体包括：

S201、对输入的二位图像进行各向异性扩散滤波处理；

S202、采用不同尺度系数的高斯算子，对二维图像在不同尺度上进行卷积运算：

$g_1(x,y)=G_{{\mathrm{\σ}}_1}(x,y)*I(x,y)$

$g_2(x,y)=G_{{\mathrm{\σ}}_2}(x,y)*I(x,y);$

S203、通过相邻尺度空间的图像相减进行某一尺度上的特征检测:

$g_1(x,y)-g_2(x,y)=\left(G_{{\mathrm{\σ}}_1}\right(x,y)-G_{{\mathrm{\σ}}_2}(x,y\left)\right)*I(x,y)=DoG*I(x,y);$

对上式进行简化，得到DoG的响应值图像：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

S204、计算连续多个相邻尺度的DoG的响应值图像中的极值点，记录为斑点检测结果；

S205、将极值点对应的空间坐标记录为该斑点的中心坐标，该极值点对应的尺度值则作为该斑点的主尺度值。

作为优选的，所述步骤S3具体包括：

S301、通过Hough变换，将图像平面变换为参数平面；

S302、从图像上检测出的半径已知的圆形，以图像上每一个前景点为圆心，在已知的半径内取值并在参数平面上画圆；

S303、将结果进行累加，找出参数平面上的峰值点，即对应图像上的圆心。

作为优选的，所述步骤S4具体包括：

S401、通过灰度变化排除非标记；

S402、通过选定主尺度值在一定范围内的斑点，排除非标记；

S403、在斑点邻近区域范围内进行快速hough圆检测，确定区域内圆形区域。

作为优选的，所述步骤S401具体包括：计算hough圆形区域范围内的信号均值，然后计算hough圆形区域外围一定环形区域内的信号均值，如果圆形区域内的信号均值明显小于环形区域内的信号均值，则该圆形区域为可能标记区域，反之则作为非标记区域排除。

作为优选的，所述步骤S402具体包括：筛选主尺度在一定范围内的斑点，尺度较大或较小的则作为非标记区域排除。

作为优选的，所述步骤S402还包括：将主尺度值与hough圆检测确定的半径大小进行比对，保留与hough圆检测确定的半径相近标记区域。

作为优选的，所述步骤S403具体包括：在斑点邻近区域范围内进行快速hough圆检测，快速的确定区域内圆形区域，若满足圆形区域内的信号均值明显小于环形区域内的信号均值，定位获得的圆形区域半径和中心即为最终标记检测结果。

与现有技术相比，本发明的有益效果在于：

1、本发明考虑多尺度斑点检测的主尺度，将主尺度与目标的实际尺寸进行了关联，并将其作为判别合适人工标记的重要因素；

2、多尺度斑点检测和主尺度同时用于获得可靠的候选点，同时，候选点邻近区域内的hough圆检测用于进一步判断候选点是否为人工标记圆，最后，再通过非标记区域排除策略将非人工标记剔除，保证提取的可靠性。

附图说明

图1为本发明实施例的方法流程图；

图2是本发明实施例中多尺度DoG图像中极值示意图；

图3为本发明实施例中多尺度图像斑点检测结果示意图；

图4为本发明实施例中邻近区域的Hough圆检测示意图；

图5为本发明实施例中图4中排除非标记后的检测结果示意图；

图6是本发明实施例中非标记区域排除处理后所获得的最终检测结果。

具体实施方式

下面结合附图和实施例对本发明所述的一种X光图像中人工圆形标记的自动检测和定位方法作进一步说明。

以下是本发明所述的一种X光图像中人工圆形标记的自动检测和定位方法的最佳实例，并不因此限定本发明的保护范围。

图1示出了一种X光图像中人工圆形标记的自动检测和定位方法的流程图，在X光投影影像中检测和定位人工标记并用于影像配准场合，包括以下步骤：

S1、读入二维X光图像，对输入二维图像并进行多尺度描述；

S2、斑点检测，计算斑点坐标和主尺度值；

S3、在斑点的邻近区域范围内进行hough圆检测，得到具有圆特征的斑点；

S4、排除非标记点；

S5、输出标记点。

在计算机视觉领域，在尺度空间中如果尺度越大则图像就越模糊。由于尺度空间中的各尺度图像的模糊程度逐渐变大过程，能够模拟目标由近及远人对目标的感知过程，因此被广泛应用于计算机视觉的目标识别。在用机器视觉系统分析未知场景时，机器并不知道图像中物体的尺度，只有通过对图像的多尺度描述，才能获得对物体感知的最佳尺度。如果在不同尺度上，对输入的图像都能检测到相同的关键点特征，那么在不同尺度下就可以实现关键点的尺度不变特性，尺度空间描述就是图像在不同尺度下的描述。

在本实施例中，所述步骤S1中，通过高斯函数对输入的二维图像进行多尺度描述，图像的尺度空间表示为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

$G(x_i,y_i,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{2{\mathrm{\σ}}^2})$

式中，I(x,y)为原始输入图像，G(x,y,σ)为可变尺度的二维高斯函数，σ为尺度因子，*表示卷积运算。

作为优选的，所述步骤S2具体包括：

S201、对输入的二位图像进行各向异性扩散滤波处理，对图像进行平滑去噪，在去除噪声的同时尽可能保持影像的边界；

S202、采用不同尺度系数的高斯算子，对二维图像在不同尺度上进行卷积运算：

$g_1(x,y)=G_{{\mathrm{\σ}}_1}(x,y)*I(x,y)$

$g_2(x,y)=G_{{\mathrm{\σ}}_2}(x,y)*I(x,y)$

采用不同尺度系数的高斯算子，则二维影像在不同尺度上的卷积运算结果将不同；

S203、通过相邻尺度空间的图像相减进行某一尺度上的特征检测：

$g_1(x,y)-g_2(x,y)=\left(G_{{\mathrm{\σ}}_1}\right(x,y)-G_{{\mathrm{\σ}}_2}(x,y\left)\right)*I(x,y)=DoG*I(x,y);$

对上式进行简化，得到DoG的响应值图像：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

S204、计算连续多个相邻尺度的DoG的响应值图像中的极值点(26个邻域，如图2所示)，则记录为斑点检测结果；

S205、将极值点对应的空间坐标记录为该斑点的中心坐标，该极值点对应的尺度值则作为该斑点的主尺度值，如图3所示，图3中考虑了主尺度范围在3-8。

在本实施例中，所述步骤S3具体包括：

S301、通过Hough变换，将图像平面变换为参数平面；

S302、从图像上检测出的半径已知的圆形，以图像上每一个前景点为圆心，在已知的半径内取值并在参数平面上画圆；

S303、将结果进行累加，找出参数平面上的峰值点，即对应图像上的圆心。

Hough变换的基本原理主要是利用点与线的对偶性，将图像空间的线条变为参数空间的聚集点，通过在参数空间中搜索聚集点的峰值，从而检测给定图像是否存在给定性质的曲线。圆的方程为：(x-a)²+(y-b)²＝r²，通过Hough变换，将图像空间对应到参数空间。从一幅图像中检测出半径已知的圆形，以图像上每一个前景点为圆心，在已知的半径内取值并在参数平面上画圆，并把结果进行累加，最后找出参数平面上的峰值点，这个位置就对应了图像上的圆心。如果检测圆形的半径未知但预估在一个范围内，这个过程中参数平面扩大为三维空间，参数空间变为x--y--R三维，对应圆的圆心和半径。图像平面上的每一点就对应于参数空间中每个半径下的一个圆，最后搜索参数空间中的峰值点。但是，这个方法需要大量的内存，对于在较大的图像搜索将速度缓慢，无法满足实时检测的要求。本发明通过在斑点的邻近区域范围内进行hough圆检测，这样可以大大的降低搜索空间的范围，从而实现快速的圆特征检测，如图4所示，可以检测多组结果。

在本实施例中，所述步骤S4具体包括：

S401、通过灰度变化排除非标记；

S402、通过选定主尺度值在一定范围内的斑点，排除非标记；

S403、在斑点邻近区域范围内进行快速hough圆检测，确定区域内圆形区域，如图5所示，依据标记对应的圆形区域内的信号均值明显小于环形区域内的信号均值，基本可以排除其它非标记，其中，hough圆检测的半径搜索范围在5-8之间，邻近区域范围为51×51像素。

作为优选的，所述步骤S401具体包括：计算hough圆形区域范围内的信号均值，然后计算hough圆形区域外围一定环形区域内的信号均值，如果圆形区域内的信号均值明显小于环形区域内的信号均值，则该圆形区域为可能标记区域，反之则作为非标记区域排除。在投影影像中标记在灰度上总是暗于周围的邻近区域，通过分析候选标记一定范围内的灰度变化可以排除一些非标记。

在本实施例中，所述步骤S402具体包括：筛选主尺度在一定范围内的斑点，尺度较大或较小的则作为非标记区域排除，投影影像中标记区域的大小可以大致先验获得，通过选定主尺度值在一定范围内的斑点，从而排除非标记。

在本实施例中，所述步骤S402还包括：将主尺度值与hough圆检测确定的半径大小进行比对，保留与hough圆检测确定的半径相近标记区域。

标记在投影影像中尽管受到噪声或投影重叠干扰，但总体呈现为圆形斑点，依据该形态特征可以排除一些非标记，在本实施例中，所述步骤S403具体包括：在斑点邻近区域范围内进行快速hough圆检测，快速的确定区域内圆形区域，若满足圆形区域内的信号均值明显小于环形区域内的信号均值，定位获得的圆形区域半径和中心即为最终标记检测结果，如图6所示。

与现有技术相比，本发明的有益效果在于：

1、本发明考虑多尺度斑点检测的主尺度，将主尺度与目标的实际尺寸进行了关联，并将其作为判别合适人工标记的重要因素；

2、多尺度斑点检测和主尺度同时用于获得可靠的候选点，同时，候选点邻近区域内的hough圆检测用于进一步判断候选点是否为人工标记圆，最后，再通过非标记区域排除策略将非人工标记剔除，保证提取的可靠性。

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 (9)

1.一种X光图像中人工圆形标记的自动检测和定位方法，其特征在于，包括以下步骤：

S1、读入二维X光图像，对输入二维图像并进行多尺度描述；

S2、斑点检测，计算斑点坐标和主尺度值；

S3、在斑点的邻近区域范围内进行hough圆检测，得到具有圆特征的斑点；

S4、排除非标记点；

S5、输出标记点。

2.根据权利要求1所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S1中，通过高斯函数对输入的二维图像进行多尺度描述，图像的尺度空间表示为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

$G(x_i,y_i,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{(x-x_i)}^2+{(y-y_i)}^2}{2{\mathrm{\σ}}^2})$

式中，I(x,y)为原始输入图像，G(x,y,σ)为可变尺度的二维高斯函数，σ为尺度因子，*表示卷积运算。

3.根据权利要求2所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S2具体包括：

S201、对输入的二位图像进行各向异性扩散滤波处理；

S202、采用不同尺度系数的高斯算子，对二维图像在不同尺度上进行卷积运算：

$g_1(x,y)=G_{{\mathrm{\σ}}_1}(x,y)*I(x,y)$

$g_2(x,y)=G_{{\mathrm{\σ}}_2}(x,y)*I(x,y);$

S203、通过相邻尺度空间的图像相减进行某一尺度上的特征检测:

$g_1(x,y)-g_2(x,y)=\left(G_{{\mathrm{\σ}}_1}\right(x,y)-G_{{\mathrm{\σ}}_2}(x,y\left)\right)*I(x,y)=DoG*I(x,y);$

对上式进行简化，得到DoG的响应值图像：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

S204、计算连续多个相邻尺度的DoG的响应值图像中的极值点，记录为斑点检测结果；

S205、将极值点对应的空间坐标记录为该斑点的中心坐标，该极值点对应的尺度值则作为该斑点的主尺度值。

4.根据权利要求1所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S3具体包括：

S301、通过Hough变换，将图像平面变换为参数平面；

S302、从图像上检测出的半径已知的圆形，以图像上每一个前景点为圆心，在已知的半径内取值并在参数平面上画圆；

S303、将结果进行累加，找出参数平面上的峰值点，即对应图像上的圆心。

5.根据权利要求1所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S4具体包括：

S401、通过灰度变化排除非标记；

S402、通过选定主尺度值在一定范围内的斑点，排除非标记；

S403、在斑点邻近区域范围内进行快速hough圆检测，确定区域内圆形区域。

6.根据权利要求5所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S401具体包括：计算hough圆形区域范围内的信号均值，然后计算hough圆形区域外围一定环形区域内的信号均值，如果圆形区域内的信号均值明显小于环形区域内的信号均值，则该圆形区域为可能标记区域，反之则作为非标记区域排除。

7.根据权利要求5所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S402具体包括：筛选主尺度在一定范围内的斑点，尺度较大或较小的则作为非标记区域排除。

8.根据权利要求5所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S402还包括：将主尺度值与hough圆检测确定的半径大小进行比对，保留与hough圆检测确定的半径相近标记区域。

9.根据权利要求5所述的X光图像中人工圆形标记的自动检测和定位方法，其特征在于，所述步骤S403具体包括：在斑点邻近区域范围内进行快速hough圆检测，快速的确定区域内圆形区域，若满足圆形区域内的信号均值明显小于环形区域内的信号均值，定位获得的圆形区域半径和中心即为最终标记检测结果。