CN111223116B - 一种面向破碎边缘目标的两阶段边缘检测方法及装置 - Google Patents
一种面向破碎边缘目标的两阶段边缘检测方法及装置 Download PDFInfo
- Publication number
- CN111223116B CN111223116B CN202010055591.8A CN202010055591A CN111223116B CN 111223116 B CN111223116 B CN 111223116B CN 202010055591 A CN202010055591 A CN 202010055591A CN 111223116 B CN111223116 B CN 111223116B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- zero
- edge
- candidate contour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009499 grossing Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000012634 fragment Substances 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 3
- 210000001835 viscera Anatomy 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 7
- 208000029523 Interstitial Lung disease Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种面向破碎边缘目标的两阶段边缘检测方法及装置,边缘检测通过以下方式实现:对图像进行二值化;对二值化图进行平滑滤波处理;利用拉普拉斯算子对平滑滤波后图像进行处理,选择外侧的边界线作为目标的候选轮廓;调整平滑滤波参数,至目标边缘碎块能够被包含在候选轮廓中;对输入图像中目标区域进行过零检测,输出目标主体的过零边界;确定目标候选轮廓线与目标主体的过零边界之间的像素距离;根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合,得到边缘检测结果。本发明方法分两个阶段进行边缘检测,可以在不改变图像内部结构的前提下,获得最接近真实结果的边缘,避免边缘碎块丢失。
Description
技术领域
本发明属于图像处理领域,涉及一种边缘检测方法,特别涉及一种面向破碎边缘目标的两阶段边缘检测方法及装置。
背景技术
图像分割是图像处理方向的基本问题之一,边缘检测是图像分割的一种重要途径。边缘是图像中相邻区域区分的位置,一般存在着灰度值或者结构的突变,边缘检测就是利用这种不连续性来分割图像。
边缘像素灰度值的不连续性可通过求导运算来检测。对于灰度值突变的边缘,其像素位置对应于一阶导数的极值点,或者是二阶导数的过零点(零交叉点)。因此,传统方法一般用微分算子来进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子,二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用卷积核来表示,微分运算就近似为利用卷积核对图像进行卷积操作。但是,这种方法对噪声非常敏感,由于边缘和噪声都是灰度不连续点,均在高频频域,因此,这些低阶的微分运算很难克服噪声的影响,只适合于噪声较小且不太复杂的图像。
为了减少图像中的噪声,避免噪声对边缘检测的干扰,通常会在微分算子检测边缘前对图像进行平滑滤波。高斯函数是目前认为最好的图像平滑滤波方法,基于该方法衍生出的Canny算子和LOG算子是具有平滑功能的一阶和二阶微分算子,其中Canny算子是高斯函数的一阶导数,LOG算子是采用Laplacian算子高斯函数的二阶导数。它们在噪声抑制和边缘检测之间取得了较好的平衡,因此边缘检测效果也较好。
但是这类方法只适合用于边缘连续完整的图像的边缘检测。如果将这类方法直接用于边缘破碎的图像,则会导致碎块部分与主体部分被分割在不同的边缘中,不能得到完整的图像边缘,这会影响完整边缘检测的后续应用。现实生活存在大量边缘破碎的图像,例如间质性肺疾病的肺部CT图像。间质性肺疾病的主要特征之一就是病患肺间隔增厚,它会导致肺部CT图像边缘出现与肺主体分离的碎块。而准确检测出间质性肺疾病的肺实质边缘,对于利用计算机方法辅助开展临床影像分析具有重要的意义,如果碎块部分与主体部分被分割在不同的边缘中,则无法准确计算肺实质每个切面的实际面积,进而计算整个肺实质的体积,不能准确评估各类组织在肺实质中的构成,不能产生准确的肺部三维重建图像。
目前针对该问题的解决方法主要有基于形态学特征的闭运算方法、凸包算法等。闭运算的目标是消除图像噪音,当碎块与主体部分的距离较小时,间距上的像素会被作为噪音点消除,从而将主体与碎块连通起来。将闭运算与传统方法相结合,可以部分解决边缘破碎导致的边缘检测不准确、分割不完整的问题,但是,这种方法会改变图像原有的结构,影响分割的效果,特别是边缘部分,受闭运算结构元素(Structural Element)的影响较为显著,导致边缘不够平滑自然。另一个方面,因为是消除噪音,闭运算需要对整个图像进行计算,不同于边缘检测,只需要对灰度值突变的位置进行处理,因此计算量也较大。
凸包算法是在目标区域外侧找到一个可以将所有像素点包容进去的凸多边形。由于这些边界线较长,往往不能与目标区域的边缘很好地拟合,导致凸包边界内的背景区域较多,影响分割的准确性。同时,该方法也易受噪声干扰。
发明内容
为了克服现有技术的不足,本发明人进行了锐意研究,提供了一种面向破碎边缘目标的两阶段边缘检测方法,将传统的利用图像求导直接计算边缘的方法调整为两个阶段:轮廓勾勒阶段和精细化调整阶段,可以在不改变图像内部结构的前提下,获得最接近真实结果的边缘,从而完成本发明。
本发明的目的在于提供以下技术方案:
第一方面,一种面向破碎边缘目标的两阶段边缘检测方法,该方法包括两个阶段:轮廓勾勒阶段和精细化调整阶段;其中,
轮廓勾勒阶段:
S101,对图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;
S102,对二值化图进行平滑滤波处理;
S103,利用拉普拉斯算子对平滑滤波后图像进行处理,选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
S104,判定目标边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则调整S102中平滑滤波参数,至S103中目标边缘碎块能够被包含在候选轮廓中;
精细化调整阶段:
S201,基于过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
S202,确定目标候选轮廓线与目标主体的过零边界之间的像素距离;
S203,根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合,得到边缘检测结果。
进一步地,S101中,若图像为CT图像该特殊图像形式,还可以根据CT值差异对图像进行二值化处理;若图像为RGB彩色图像,则将RGB彩色图像转换为灰度图像后进行图像二值化;目标区域内的灰度值一致且选自1~255,目标区域外背景区域的灰度值设置为0。
进一步地,S102中,使用高斯函数对二值化图进行平滑滤波。
进一步地,S104中,限定未包含入候选轮廓范围的阈值ε,作为平滑滤波参数调整的终止条件;高斯卷积核为平滑滤波参数时,如果未包含入候选轮廓范围的占比大于阈值ε,则将当前高斯卷积核的标准偏差以设定步长增加,重新选择高斯卷积核后,重新返回S102实施平滑滤波。
进一步地,S201中,使用高斯拉普拉斯算子检测输入图像中目标的过零边界检测。
进一步地,S201中,若输入图像为RGB彩色图像,将该图像转换为灰度图后进行目标的过零边界检测;
若图像为CT图像,直接采用S101中二值化图进行目标的过零边界检测。
进一步地,S103中,候选轮廓内区域的灰度值一致且选自1~255,候选轮廓外区域的灰度值设置为0;
S201中,目标主体过零边界内区域的灰度值与候选轮廓内区域的灰度值一致,目标主体过零边界外区域的灰度值与候选轮廓外区域的灰度值一致。
进一步地,通过获取S103和S201中候选轮廓和过零边界上对应边缘点之间的距离得到,具体地,判断目标轮廓和过零边界的最上端点、最下端点、最左端点、或最右端点是否位于外弧形轮廓中,选择上述任意一个或多个位于外弧形轮廓的端点作为对应边缘点,确定目标候选轮廓线与过零边界之间的像素距离。
进一步地,S203中,采用腐蚀算法对候选轮廓线进行调整。
进一步地,该方法中实施目标候选轮廓线收缩还可以采用下述方式进行:
S201’,基于过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
S202’,将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后候选轮廓填充图。
第二方面,一种面向破碎边缘目标的两阶段边缘检测装置,用于实施第一方面所述的边缘检测方法,该装置包括:
二值化模块,用于对输入装置的图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;该对输入图像进行二值化、将目标区域缩小到脏器实质边缘附近的二值化图,定义为第一二值化图;
平滑模块,用于对第一二值化图进行平滑滤波处理;
轮廓界定模块,其利用拉普拉斯算子对平滑滤波后图像进行处理,并选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
判定模块,判定目标的边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则调整平滑模块中平滑滤波参数,至轮廓界定模块输出的候选轮廓将目标的边缘碎块包含其中;
边缘界定模块,其利用过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
像素距离测定模块,用于确定目标候选轮廓线与目标主体的过零边界之间的像素距离;
腐蚀模块,用于根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合。
进一步地,该边缘检测装置还包括灰度处理模块,将输入装置的RGB彩色图像转换为灰度图像。
进一步地,该边缘检测装置还包括去噪模块,用于输入图像进行二值化处理后,对图像去噪。
进一步地,该边缘检测装置中的二值化模块,还用于对轮廓界定模块输出的候选轮廓内外区域赋予不同的灰度值,以及对边缘界定模块输出的目标主体过零边界内外区域赋予不同的灰度值;其中,候选轮廓内区域与目标主体过零边界内区域赋予的灰度值相同,候选轮廓外区域与目标主体过零边界外区域赋予的灰度值相同。
进一步地,该装置还可以采用轮廓线收缩模块实施目标候选轮廓线收缩:
轮廓线收缩模块:将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后候选轮廓填充图。
本发明提供的一种面向破碎边缘目标的两阶段边缘检测方法及装置,带来了有益的技术效果:
与传统的方法相比,新方法分两个阶段进行边缘检测,可以避免边缘碎块丢失。相比闭运算,该方法不会改变图像结构,检测的边缘更加接近实际边缘,计算量也更少;相比凸包运算,该方法包含的背景区域更少,且边界更加平滑,受噪声干扰更低。
附图说明
图1示出本发明两阶段法流程示意图,其中图1(a)和图1(b)分别示出两种不同优选实施方式;
图2示出本发明实施例1中原图图像P;
图3示出本发明实施例1中经过二值化及去噪处理后图像P2;
图4示出本发明实施例1中对二值化图像P2进行平滑处理后图像P3;
图5示出本发明实施例1中对图像P3候选轮廓图进行填充后图像P4;
图6示出本发明实施例1中二值化图像P2经目标边缘检测并填充后图像P5;
图7示出本发明实施例1中对图像P4进行边缘腐蚀处理后输出的图像P6;
图8示出本发明实施例1中采用图像P6与原图图像P进行与运算的结果;
图9示出本发明实施例1中采用闭运算得到的边缘检测结果;
图10示出本发明实施例1中采用凸包运算得到的边缘检测结果。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
根据本发明的第一方面,如图1(a)所示,提供了一种面向破碎边缘目标的两阶段边缘检测方法,该方法包括两个阶段:轮廓勾勒阶段和精细化调整阶段;其中,
轮廓勾勒阶段:
S101,对图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;
S102,对二值化图进行平滑滤波处理;
S103,利用拉普拉斯算子对平滑滤波后图像进行处理,选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
S104,判定目标边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则调整S102中平滑滤波参数,至S103中目标边缘碎块能够被包含在候选轮廓中;
精细化调整阶段:
S201,基于过零检测算法对输入图像中目标区域进行过零边界检测,输出目标主体的过零边界,得到目标主体的边缘;这是一般认为的目标的真实边缘。理论上,此时会产生目标主体和碎块部分的边缘,且目标主体和碎块部分分离,各自具有边缘,我们只需要以目标主体的边缘进行后续目标候选轮廓线与目标主体过零边界之间像素距离的确定即可;
S202,确定目标候选轮廓线与目标主体过零边界之间的像素距离;
S203,根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合。经过精细化调整过程,目标的候选轮廓线可以准确地收缩到实际的边缘,且碎块区域与目标主体部分均包括在边缘内。
在本发明中,候选轮廓线是相较于真实的轮廓线而言的,由于图像处理,输出的中间图像中的轮廓线可能与原图中轮廓线并不重合,因而称之为候选轮廓线。
在本发明中,若图像为RGB彩色图像,则在进行边缘检测前,将RGB彩色图像转换为灰度图像。
在本发明中的轮廓勾勒阶段,S101中,利用图像P中各区域灰度值的差异对图像进行二值化处理,形成二值化图;若图像为CT图像该特殊图像形式,还可以根据CT值差异对图像进行二值化处理。
二值化图中,目标区域缩小到目标边缘附近。其中,目标区域内的灰度值一致且选自1~255,优选地,目标区域内的灰度值为1,目标区域外背景区域的灰度值设置为0。
进一步地,图像进行二值化处理后,对图像去噪,形成图P2,如采用中值滤波法去噪。
S102中,使用高斯函数对二值化图进行平滑滤波,通过选用不同标准偏差σ的高斯卷积核,会以目标边缘为中心形成相应宽度的平滑带,标准偏差σ越大,则平滑带越宽。当标准偏差σ为一定值时,会将目标主体与其附近的碎块连通起来,得到平滑滤波后图P3。
S103中,利用拉普拉斯算子会产生双边界的特点对S102中得到的平滑带图进行处理,选择外侧的边界线作为目标的候选轮廓,获得候选轮廓图。进一步地,对候选轮廓内外区域进行填充,获得填充后候选轮廓图P4,其中候选轮廓内区域的灰度值一致且选自1~255,候选轮廓外区域的灰度值为0;优选地,候选轮廓内区域的灰度值设置与步骤S101中二值化图目标区域内灰度值一致。
我们知道,平滑带的宽度会影响目标候选轮廓线外扩的幅度。因而,在进行平滑滤波时,需要尝试性反复调整标准偏差σ,直至S103中边缘碎块能够恰好被包含进候选轮廓中。然而,由于噪声的干扰,包含入候选轮廓范围的占比难以达到100%,因而,S104中,限定未包含入候选轮廓范围的阈值ε,作为标准偏差σ调整的终止条件;如果未包含入候选轮廓范围的占比大于阈值ε,则将标准偏差设为σ=σ+Δ(Δ为固定的步长),重新返回S102实施平滑滤波。其中,步长Δ为经验值,根据目标而定,如可以为0.05或0.1等。
在本发明中的精细化调整阶段,S201中,使用二阶微分算子如高斯拉普拉斯算子检测输入图像中目标的过零边界。若输入图像为RGB彩色图像,将该图像转换为灰度图后进行S201中操作。根据过零边界检测的结果对边缘内外区域进行填充,其中,过零边界内区域的灰度值一致且选自1~255,过零边界外区域的灰度值设置为0;优选地,过零边界内区域的灰度值设置为与步骤S101中二值化图目标区域内的灰度值一致。
当图像为CT图像时,直接使用二阶微分算子如高斯拉普拉斯算子检测S101中二值化图中目标的过零边界,根据过零边界检测的结果对二值化图进行重新填充,得到过零边界图P5,其中,过零边界内区域的灰度值一致且选自1~255,过零边界外区域的灰度值设置为0;优选地,过零边界内区域的灰度值设置为与步骤S101中二值化图目标区域内的灰度值一致。
CT图像不同于普通图像,其目标单一,背景简单,无明显干扰,步骤S101中二值化图目标区域的边缘已经较为接近真实目标边缘,但碎块区域与目标主体区域分离,未融合在一个边缘内。此时,采用二值化图不影响过零边界检测准确性。而普通图像如风景照,背景可能更为复杂,步骤S101中二值化图由于信息丢失过多,无法作为过零边界检测的基础,因而选择灰度图作为步骤S201中目标边缘检测的基础。
S202中,目标候选轮廓线与目标主体过零边界之间的像素距离通过获取S103和S201中候选轮廓线和目标主体过零边界上对应边缘点之间的距离得到。S103中候选轮廓线为S201中过零边界的外扩形式,因而两图中相应位置处轮廓弧度相同。
在一种优选的实施方式中,采用填充后候选轮廓图P4上的目标候选轮廓线和过零边界图P5上的过零边界判断目标候选轮廓线和目标主体过零边界的最上端点、最下端点、最左端点、或最右端点是否位于外弧形轮廓中,选择上述任意一个或多个位于外弧形轮廓的端点作为对应边缘点,确定目标候选轮廓线与过零边界之间的像素距离。
采用最上端点或者最下端点确定目标候选轮廓线与过零边界之间的像素距离时,对应边缘点的纵坐标差的绝对值即为像素距离;采用最左端点或者最右端点确定目标候选轮廓线与过零边界之间的像素距离时,对应边缘点的横坐标差的绝对值即为像素距离。
选择上述任意一个端点确定目标候选轮廓线与过零边界之间的像素距离时,以该端点确定的像素距离作为S203中对候选轮廓线进行调整的依据;
选择上述多个端点确定目标候选轮廓线与过零边界之间的像素距离时,以多个端点确定的像素距离的平均值作为S203中对候选轮廓线进行调整的依据。进一步地,目标候选轮廓线和过零边界的最上端点、最下端点、最左端点、或最右端点的确定方法为:目标候选轮廓线和过零边界的最上端点就是纵坐标最小的灰度值非0的像素点,最下端点就是纵坐标最大的灰度值非0的像素点,最左端点就是横坐标最小的灰度值非0的像素点,最右端点就是横坐标最大的灰度值非0的像素点。
在本发明S203中,采用腐蚀算法对填充后候选轮廓图P4的候选轮廓线进行调整,输出调整后(候选轮廓)填充图P6。
在本发明中,除了上述通过“确定目标候选轮廓线与目标主体的过零边界之间的像素距离”进行判断指导目标轮廓线收缩的方式外,实施目标候选轮廓线收缩还可以采用下述方式进行(即采用下述步骤S202’替代上述方法中步骤S202和S203):
S201’,基于过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
S202’,将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后候选轮廓填充图。
其中,阈值τ为针对不同目标的经验值,如对肺CT图中肺部边缘检测而言,阈值τ可以选择0.01。采用上述方式的整体流程图,如图1(b)所示。在本发明S203中,通过上述步骤,检测得到目标边缘,得到调整后(候选轮廓)填充图P6。以调整后填充图P6作为掩码图,与原图进行与运算,对应灰度值为0的像素取值为0,得到基于原图的目标区域。
根据本发明的二方面,提供了一种面向破碎边缘目标的两阶段边缘检测装置,该装置包括:
二值化模块,用于对输入装置的图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;该对输入图像进行二值化、将目标区域缩小到脏器实质边缘附近的二值化图,定义为第一二值化图;
平滑模块,用于对第一二值化图进行平滑滤波处理;
轮廓界定模块,其利用拉普拉斯算子对平滑滤波后图像进行处理,并选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
判定模块,判定目标的边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则需要调整平滑模块中平滑滤波参数,至轮廓界定模块输出的候选轮廓将目标的边缘碎块包含其中;
边缘界定模块,其利用过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
像素距离测定模块,用于确定目标候选轮廓线与目标主体的过零边界之间的像素距离;
腐蚀模块,用于根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合。此时,目标的候选轮廓线可以准确地收缩到实际的边缘,且碎块区域与目标主体部分均包括在边缘内。
在本发明一种优选的实施方式中,该边缘检测装置还包括灰度处理模块,若输入装置的图像为RGB彩色图像,则通过灰度处理模块将RGB彩色图像转换为灰度图像。
在本发明一种优选的实施方式中,该边缘检测装置还包括去噪模块,用于输入图像进行二值化处理后,对第一二值化图去噪。
在本发明一种优选的实施方式中,该边缘检测装置中的二值化模块,还用于对轮廓界定模块输出的候选轮廓内外区域赋予不同的灰度值,以及对边缘界定模块输出的目标主体过零边界内外区域赋予不同的灰度值;其中,候选轮廓内区域与目标主体过零边界内区域赋予的灰度值相同,候选轮廓外区域与目标主体过零边界外区域赋予的灰度值相同。
在本发明一种优选的实施方式中,像素距离测定模块确定目标候选轮廓线与目标主体过零边界之间的像素距离的方式如下:
采用填充后候选轮廓图P4上的目标候选轮廓线和过零边界图P5上的过零边界判断目标候选轮廓线和目标主体过零边界的最上端点、最下端点、最左端点、或最右端点是否位于外弧形轮廓中,选择上述任意一个或多个位于外弧形轮廓的端点作为对应边缘点,确定目标候选轮廓线与过零边界之间的像素距离。
采用最上端点或者最下端点确定目标候选轮廓线与过零边界之间的像素距离时,对应边缘点的纵坐标差的绝对值即为像素距离;采用最左端点或者最右端点确定目标候选轮廓线与过零边界之间的像素距离时,对应边缘点的横坐标差的绝对值即为像素距离。
选择上述任意一个端点确定目标候选轮廓线与过零边界之间的像素距离时,以该端点确定的像素距离作为S203中对候选轮廓线进行调整的依据;
选择上述多个端点确定目标候选轮廓线与过零边界之间的像素距离时,以多个端点确定的像素距离的平均值作为S203中对候选轮廓线进行调整的依据。
进一步地,目标候选轮廓线和过零边界的最上端点、最下端点、最左端点、或最右端点的确定方法为:目标候选轮廓线和过零边界的最上端点就是纵坐标最小的灰度值非0的像素点,最下端点就是纵坐标最大的灰度值非0的像素点,最左端点就是横坐标最小的灰度值非0的像素点,最右端点就是横坐标最大的灰度值非0的像素点。
采用腐蚀算法对S103中填充后候选轮廓图P4的候选轮廓线进行调整,输出调整后(候选轮廓)填充图P6。
在本发明的装置中,实施目标候选轮廓线收缩还可以采用以下的“轮廓线收缩模块”代替上述“像素距离测定模块”和“腐蚀模块”,具体地:
轮廓线收缩模块:其采用填充后候选轮廓图P4和过零边界图P5,将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后(候选轮廓)填充图P6;其中,阈值τ为针对不同目标的经验值。
本发明中的上述装置,对应的可用于执行上述解析方法的技术方案,其实现原理和技术效果类似,在此不再赘述。
本领域的技术人员可以理解:实现上述方法的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述方法的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例
实施例1
对典型间质性肺病的CT图像进行边缘分割,评估两阶段法;方法流程如图1(a)所示。
(1)将间质性肺病的CT图像定义为图像P,如图2所示,对图像P进行二值化处理并中值滤波去噪,形成二值化图P2,其中目标区域灰度值为1,背景区域灰度值为0,如图3所示;(2)选择标准偏差为σ(设为0.5)的高斯卷积核,对P2进行卷积运算,平滑图像边缘区域,形成图P3,如图4所示;(3)利用拉普拉斯算子对P3进行处理获得候选轮廓图,对候选轮廓图进行填充产生图P4,其中轮廓内的区域灰度值为1,轮廓外的区域灰度值为0,如图5所示;
(4)计算图P2中值为1但图P4中值为0的像素点的数量与位置,判断P2中的有效区域没有被包括入轮廓范围的占比,如果大于阈值ε(设为0.01),则将标准偏差设为σ=σ+Δ(Δ为固定的步长,设为0.1),返回步骤(2);选择标准偏差σ为1的高斯卷积核时,有效区域没有被包括入轮廓范围的占比小于阈值ε,满足要求。
(5)使用高斯拉普拉斯算子检测图P2中目标区域的过零边界,根据边缘检测的结果对图P2进行填充,产生过零边界图P5,其中边缘内的区域灰度值为1,边缘外的区域灰度值为0,如图6所示;(6)选取图P4和图P5中最左侧的值为1的边缘点,计算两个点的横坐标差的绝对值θ;(7)利用腐蚀算法对图P4进行边缘腐蚀处理,循环θ次,产生图P6,如图7所示,检测得到图像边缘;(8)输出图P6,过程结束,图P6作为掩码,与原图进行与运算,对应灰度值为0的像素取值为0,得到想要组织整体部分,如图8所示。
采用闭运算,将间质性肺病的CT图像中的碎块间隔区域作为噪声进行消除,产生的完整肺部图像,然后进行边缘分割,将得到的边缘填充再和原图P进行与运算,得到想要组织整体部分,如图9所示。
采用凸包运算,构建一个凸多边形,将间质性肺病的CT图像所有块都完整的包括在该凸多边形中,该凸多边形就是得到的边缘,将得到的边缘填充再和原图P进行与运算,得到想要组织整体部分,如图10所示。
由本发明中两阶段法、闭运算、以及凸包运算获得的边缘分割结果可知,两阶段法所得到的结果明显优于凸包运算的结果,凸包运算结果中包含了大量非肺实质的部分;闭运算会改变肺实质的内部结构,导致其边缘分割的结果存在一定的误差,相比两阶段法,在边缘部分多了一些白色的噪音点,影响了分割的精度。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (15)
1.一种面向破碎边缘目标的两阶段边缘检测方法,其特征在于,该方法包括两个阶段:轮廓勾勒阶段和精细化调整阶段;其中,
轮廓勾勒阶段:
S101,对图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;
S102,对二值化图进行平滑滤波处理;
S103,利用拉普拉斯算子对平滑滤波后图像进行处理,选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
S104,判定目标边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则调整S102中平滑滤波参数,至S103中目标边缘碎块能够被包含在候选轮廓中;
精细化调整阶段:
S201,基于过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
S202,确定目标候选轮廓线与目标主体的过零边界之间的像素距离;
S203,根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合,得到边缘检测结果。
2.根据权利要求1所述的边缘检测方法,其特征在于,S101中,
若图像为CT图像该特殊图像形式,还可以根据CT值差异对图像进行二值化处理;
若图像为RGB彩色图像,则将RGB彩色图像转换为灰度图像后进行图像二值化;
目标区域内的灰度值一致且选自1~255,目标区域外背景区域的灰度值设置为0。
3.根据权利要求1所述的边缘检测方法,其特征在于,S102中,使用高斯函数对二值化图进行平滑滤波。
4.根据权利要求3所述的边缘检测方法,其特征在于,S104中,限定未包含入候选轮廓范围的阈值ε,作为平滑滤波参数调整的终止条件;
高斯卷积核为平滑滤波参数时,如果未包含入候选轮廓范围的占比大于阈值ε,则将当前高斯卷积核的标准偏差以设定步长增加,重新选择高斯卷积核后,重新返回S102实施平滑滤波。
5.根据权利要求1所述的边缘检测方法,其特征在于,S201中,使用高斯拉普拉斯算子检测输入图像中目标的过零边界检测。
6.根据权利要求5所述的边缘检测方法,其特征在于,S201中,若输入图像为RGB彩色图像,将该图像转换为灰度图后进行目标的过零边界检测;
若图像为CT图像,直接采用S101中二值化图进行目标的过零边界检测。
7.根据权利要求1所述的边缘检测方法,其特征在于,S103中,候选轮廓内区域的灰度值一致且选自1~255,候选轮廓外区域的灰度值设置为0;
S201中,目标主体过零边界内区域的灰度值与候选轮廓内区域的灰度值一致,目标主体过零边界外区域的灰度值与候选轮廓外区域的灰度值一致。
8.根据权利要求7所述的边缘检测方法,其特征在于,通过获取S103和S201中候选轮廓和过零边界上对应边缘点之间的距离得到,具体地,
判断目标轮廓和过零边界的最上端点、最下端点、最左端点、或最右端点是否位于外弧形轮廓中,选择上述任意一个或多个位于外弧形轮廓的端点作为对应边缘点,确定目标候选轮廓线与过零边界之间的像素距离。
9.根据权利要求1所述的边缘检测方法,其特征在于,S203中,采用腐蚀算法对候选轮廓线进行调整。
10.根据权利要求1至9之一所述的边缘检测方法,其特征在于,该方法中实施目标候选轮廓线收缩还可以采用下述方式进行:
S201’,基于过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
S202’,将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后候选轮廓填充图。
11.一种面向破碎边缘目标的两阶段边缘检测装置,其特征在于,该装置包括:
二值化模块,用于对输入装置的图像进行二值化,利用图像中各区域灰度值的差异将目标区域缩小到目标边缘附近,形成二值化图;该对输入图像进行二值化、将目标区域缩小到脏器实质边缘附近的二值化图,定义为第一二值化图;
平滑模块,用于对第一二值化图进行平滑滤波处理;
轮廓界定模块,其利用拉普拉斯算子对平滑滤波后图像进行处理,并选择外侧的边界线作为目标的候选轮廓,得到候选轮廓图;
判定模块,判定目标的边缘碎块是否被包含在候选轮廓中;若未包含在候选轮廓中,则调整平滑模块中平滑滤波参数,至轮廓界定模块输出的候选轮廓将目标的边缘碎块包含其中;
边缘界定模块,其利用过零检测算法对输入图像中目标区域进行过零检测,输出目标主体的过零边界,得到目标主体的边缘;
像素距离测定模块,用于确定目标候选轮廓线与目标主体的过零边界之间的像素距离;
腐蚀模块,用于根据像素距离,对候选轮廓线进行调整,使调整后的候选轮廓线与目标主体的过零边界存在重合。
12.根据权利要求11所述的边缘检测装置,其特征在于,该边缘检测装置还包括灰度处理模块,将输入装置的RGB彩色图像转换为灰度图像。
13.根据权利要求11所述的边缘检测装置,其特征在于,该边缘检测装置还包括去噪模块,用于输入图像进行二值化处理后,对图像去噪。
14.根据权利要求11所述的边缘检测装置,其特征在于,该边缘检测装置中的二值化模块,还用于对轮廓界定模块输出的候选轮廓内外区域赋予不同的灰度值,以及对边缘界定模块输出的目标主体过零边界内外区域赋予不同的灰度值;
其中,候选轮廓内区域与目标主体过零边界内区域赋予的灰度值相同,候选轮廓外区域与目标主体过零边界外区域赋予的灰度值相同。
15.根据权利要求11至14之一所述的边缘检测装置,其特征在于,该装置还可以采用轮廓线收缩模块实施目标候选轮廓线收缩:
轮廓线收缩模块:将过零边界内的填充区域与候选轮廓线内的填充区域相减,若剩余的过零边界内区域在原过零边界内区域的占比小于阈值τ,则将候选轮廓线收缩1个像素宽度,重复前述操作,直至占比大于等于阈值τ时停止收缩,输出调整后候选轮廓填充图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055591.8A CN111223116B (zh) | 2020-01-17 | 2020-01-17 | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055591.8A CN111223116B (zh) | 2020-01-17 | 2020-01-17 | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223116A CN111223116A (zh) | 2020-06-02 |
CN111223116B true CN111223116B (zh) | 2022-12-06 |
Family
ID=70829595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010055591.8A Active CN111223116B (zh) | 2020-01-17 | 2020-01-17 | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223116B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782472B (zh) * | 2022-06-22 | 2022-10-14 | 杭州三坛医疗科技有限公司 | 一种ct图像的分割方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
JP2014170368A (ja) * | 2013-03-04 | 2014-09-18 | Univ Of Tokyo | 画像処理装置、方法及びプログラム並びに移動体 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
-
2020
- 2020-01-17 CN CN202010055591.8A patent/CN111223116B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111223116A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2033567B1 (en) | Image processing device and image processing program | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
Shi et al. | Automated 3-D retinal layer segmentation of macular optical coherence tomography images with serous pigment epithelial detachments | |
US7720266B2 (en) | Ultrasound image enhancement and speckle mitigation method | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN104143190B (zh) | Ct图像中组织的分割方法及系统 | |
CN115578389B (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
TWI393073B (zh) | 影像雜訊濾除方法 | |
KR102519515B1 (ko) | 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램 | |
CN109272521A (zh) | 一种基于曲率分析的图像特征快速分割方法 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN115797872A (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
CN109410147A (zh) | 一种超空泡图像增强方法 | |
CN112053302B (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
CN111223116B (zh) | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 | |
CN111260673B (zh) | 一种适用边缘破碎脏器造影的脏器实质分割方法及装置 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN111415340B (zh) | 一种面向大面积高密度影ct图像的脏器分割方法及装置 | |
CN103035185A (zh) | 数字黑白图像的缺陷像素的亮度校正方法 | |
CN113763279A (zh) | 一种具有矩形框图像的精确校正处理方法 | |
CN111862125B (zh) | 一种轮廓分割方法、装置及计算机可读存储介质 | |
KR101582800B1 (ko) | 적응적으로 컬러 영상 내의 에지를 검출하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 | |
CN116485702A (zh) | 图像处理方法、装置以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |