CN111311586A - 基于非线性健康分析系统数据多指标动态整合算法和系统 - Google Patents

Abstract

本发明涉及一种基于非线性健康分析系统数据多指标动态整合算法和系统，算法中，对所输入的数字图像依次进行如下处理：步骤1、分量提取；步骤2、边缘性阈值处理；步骤3、形态学分割；步骤4、形态学重建。本发明所公开的算法以及执行算法的系统解决了多次检测结a果不一致的问题，提高了系统分析结果的可信度和一致性，可应用于NLDS系统的检测结果分析。

Description

基于非线性健康分析系统数据多指标动态整合算法和系统

技术领域

本发明属于图像处理领域，具体涉及一种基于非线性健康分析系统数据多指标动态整合算法和系统。

背景技术

健康管理一直强调“治未病”，即通过提前发现患病风险，从而避免罹患疾病。目前健康管理机构中流行的非线性健康分析系统(Non Linear Diagnostic System，简称NLDS系统)，可以通过对细胞共振频率的监测，通过对受检者情况与数据库数据对比的方法，判断分析受检者目前的身体状态。经过多位受检者的实际体验，证明NLDS系统确实可以识别受检者当前部分身体状态，比如熬夜导致的身体疲劳，以及可能存在的身体病症，比如前列腺疾病等。因此具有一定的健康管理价值。

但是，由于NLDS系统只是简单的将不同部位细胞振动频率与数据库标准值做对比，同时由于人在不同时间点的状态存在波动，容易出现一天多次检测结果不一致的情况，导致受检者对系统失去信心。究其原因，主要还是在于现有算法过于简单，并没有站在指标动态变化、多指标关联的角度去统计分析各不同部位的健康状态。

发明内容

针对现有技术的不足，本发明公开了一种基于非线性健康分析系统数据多指标动态整合算法和系统。

本发明所采用的技术方案如下：

一种基于非线性健康分析系统数据多指标动态整合算法，对所输入的数字图像依次进行如下处理：

步骤1、分量提取；

步骤2、边缘性阈值处理；

步骤3、形态学分割；

步骤4、形态学重建。

其进一步的技术方案为，所述步骤1依次包括如下处理方法：

步骤11、边界提取；步骤12、孔洞填充；步骤13、连通分量提取；步骤14、细化和粗化；步骤15、骨架；步骤16、裁剪。

其进一步的技术方案为，所述步骤2依次包括如下处理方法：步骤21、Qtsu处理；步骤22、可变阈值处理。

其进一步的技术方案为，所述步骤3依次包括如下处理方法：步骤31、分水岭分割；步骤32、边界追踪；步骤33、边界描绘子。

其进一步的技术方案为，所述步骤4依次包括如下处理方法：步骤41、测地膨胀；步骤42、测地腐蚀；步骤43、重建开操作；步骤44、边界清除。

一种基于非线性健康分析系统数据多指标动态整合系统，包括：分量提取模块，用于对所输入的数字图像执行分量提取算法；边缘性阈值处理模块，用于接收分量提取模块处理之后的图像，执行边缘性阈值处理算法；形态学分割模块，用于接收边缘性阈值处理模块处理之后的图像，执行形态学分割模块算法；形态学重建模块，用于接收形态学分割模块处理之后的图像，执行形态学重建模块算法。

本发明的有益效果如下：

使用本发明所公开的多指标动态整合算法分析后的NLDS系统检测结果，两次连续检测结果的相似度高达97％，结论更具有可信度和一致性。经过一年的运行，对NLDS系统持积极评价的受检者比例，从64％提高到82％，因此该算法具有良好的效果以及较大的实用价值。

本发明所公开的算法解决了多次检测结果不一致的问题，提高了系统分析结果的可信度和一致性，可应用于NLDS系统的检测结果分析。

附图说明

图1为基于非线性健康分析系统数据多指标动态整合算法流程图。

图2为分量提取步骤流程图。

图3为边缘性阈值处理流程图。

图4是形态学分割的处理流程图。

图5是形态学重建的处理流程图。

具体实施方式

下面结合附图，说明本发明的具体实施方式。

图1为基于非线性健康分析系统数据多指标动态整合算法流程图。如图1所示，本发明包括如下步骤：

步骤1、分量提取。

图2为分量提取步骤流程图。在处理数字图形二值图像时，需要提取用于表示描述形状的图像成分，例如提取边界、连通分量、凸壳和区域进行形态计算。步骤1所处理的图像数据是原始输入的数字图像。如图2所示，步骤1主要包括以下步骤：

步骤11、输入图像为数字图像。针对输入图像边界提取。边界提取的一般算法是：

β(A)＝A-(AΘB)

首先用结构元B对输入图像A腐蚀，而后执行输入图像A和腐蚀结果之间的集合差。在步骤11中，将输入的原始数字图像和步骤11中所选取的合适的结构元代入至上式进行运算。

步骤12、对步骤11所得到的图像孔洞填充。孔洞填充的一般算法为：

在上式中，k＝1,2,3,...，B为结构元，A是步骤12所要处理的图像。如果X_k＝X_k-1，算法迭代结束。集合X_k包含所有被填充的孔洞。在步骤12中，将步骤11所处理后的图像和步骤12所选取的合适的结构元代入至上式，进行迭代运算。

步骤13，对步骤12所得到的图像连通分量提取。连通分量提取的一般算法为：

在上式中，k＝1,2,3,...，A是步骤13所要处理的图像，B为结构元。A包含一个或多个连通分量的集合，阵列X₀中，除了对应于A中每个连通分量中的一个点置为1外，该阵列其它元素均为0。如果X_k＝X_k-1，算法迭代结束。在步骤13中，将步骤12所处理后的图像和步骤13所选取的合适的结构元代入至上式，进行迭代运算。

步骤14、细化和粗化。

步骤141、细化。细化的一般算法为：

在上式中，A是步骤14所要处理的图像，B为结构元。优选的，B为结构元序列：

{B}＝{B¹，B²，B³，…，Bⁿ}

当B为结构元序列时，图像A被B¹细化一次，然后得到结构被B²细化一次，以此类推，直到A被Bⁿ细化完成，整个过程不断重复，直到得到结果不再发生变化。在步骤141中，将步骤13所处理后的图像和步骤141所选取的合适的结构元代入至上式，进行运算。

步骤142、粗化。粗化的一般算法为：

优选的，B为结构元序列。当B为结构元序列时，运算方法与步骤141类似。在步骤142中，将步骤141所处理后的图像和步骤142所选取的合适的结构元代入至上式，进行运算。

步骤15、骨架。骨架的一般算法为：

S_k(A)＝(AΘkB)-(AΘkB)·B

在上式中，A是步骤15所要处理的图像，B为结构元。kB表示连续对A做k次腐蚀，k值取A被B腐蚀为空集所需次数-1。在步骤15中，将步骤14所处理后的图像和步骤15所选取的合适的结构元代入至上式，进行运算。

步骤16、裁剪。裁剪方法本质上是对细化和骨架算法的补充，因为细化和骨架算法会保留某些寄生分量，所以要用裁剪来清除这些寄生分量。裁剪的一般算法为：

步骤161、使用一系列检测端点的模式B对A做细化，得到：

步骤162、补偿步骤161中丢失的必要端点：用{B}分别对X₁做击中，得到：

步骤163、以A为限定，对X₂做条件膨胀，得到：

步骤164、最后交集X₁∪X₃即结果集。

在以上各式中，其中H是元素值为1的3*3结构元，B^k是相同端点检测子，A是步骤16所要处理的图像。

在步骤16中，将步骤15所处理后的图像和步骤16所选检测子代入至上式，进行运算。

步骤2、对经过步骤1处理后的图像边缘性阈值处理。

对图像中的异常图像需要做异常图像分割，把影响分析和判断异常因素，尽可能最大化的剔除掉，分割的精度就显得尤其重要，所以需要做图像集合的边缘性阈值处理操作。首先寻找边缘线段，然后将这些线段连接为边界，以识别区域。

边缘性阈值处理主要是基于灰度值和/或灰度值的特性来将图像直接划分为区域。划分区域的原理是选择阈值T，f(x,y)＞T的任何点(x,y)为对象点，否则为背景点。

图3为边缘性阈值处理流程图。如图3所示，步骤2具体包括：

步骤21、Qtsu处理。步骤21是全局阈值处理步骤。Qtsu处理的一般算法是：

令{0,1,2,...,L-1}表示一幅大小为M×N像素的数字图像中的L个不同的灰度级，n表示灰度级为i的像素数。图像中的像素总数MN＝n+n+n+....+n。

将步骤1处理后所得到的数字图像，利用Qtsu处理算法处理。但是直方图没有明显的波谷，且背景和间级灰度差别很小。

步骤22、对步骤21所得到的图像进行可变阈值处理。可变阈值处理一般是用于补偿光照或反射的不均匀性。其原理是把图像分成不重叠的矩形。选择的矩形要足够小，以便每个矩形的光照都近似是均匀的。步骤22是基于局部图像特性的可变阈值处理，在一幅图像中的每一点(x,y)都计算阈值，每一点(x,y)都计算阈值以点(x,y)的邻域计算的特性为基础的。其一般的计算方法是：

T_xy＝aσ_xy+bm_xy

a和b均为非负数，在经过Qtsu算法处理后的图像中，以(x,y)为中心的领域S所所包含的像素的标准差为σ，均值为m，这两个量对于确定局部阈值非常有用，因为它们是局部对比度和平均灰度的描述子。调整a和b，直至显著增强局部阈值的处理，从而得到经过步骤22处理后的结果集T_xy。具有结果集T_xy的图像为g(x,y)。

步骤3、形态学分割。图4是形态学分割的处理流程图。如图4所示，步骤3包括：

步骤31、分水岭分割。

将步骤2所得到的图像通过分水岭分割算法提取分水线。具体的：

令M₁,M₂,...,M_r是表示步骤2处理后的图像g(x,y)的区域最小值的点的坐标集合，形成了梯度图像。令C(M_i)表示与区域最小值M_i相联系的连通分量，有：

T[n]＝{(s,t)g(s,t)＜n}

在上式中，T[n]是g(x,y)中位于平面g(x,y)＝n下方的点的坐标集。n为平面高度。

Cn(M_i)＝C(M_i)∩T[n]

其中(s,t)为步骤2所得到的图像的量化点，Cn(M_i)是经过步骤31处理后的数字图像的坐标集。

步骤32、边界追踪。

经过步骤31的处理，图像已经分隔成多个区域Cn(M_i)，分割后的像素需要使用边界追踪算法进一步处理。

对区域Cn(M_i)设定一个二值区域R或其边界，追踪R的边界或给定边界的算法由如下步骤组成：

步骤321、令起始点b₀为二值图像中左上角标记为1的点。使用c₀表示b₀西侧邻点。很明显，c₀总是背景点。从c₀开始按顺时针方向考察b₀的8个邻点。令b₁表示所遇到的值为1的第一个邻点，并直接令c₁(背景点)是序列中扫描b₁之前最近的点。存储b₀和b₁的位置，以便在步骤5中使用。

步骤322、令b＝b₁，c＝c₁；

步骤323、从c开始按顺时针方向行进，令b的8个邻点为n₁,n₂,n₃,...,n₈，找到下标1为的第一个n_k。

步骤324、令b＝n_k，c＝n_kk-1。

步骤325，重复步骤323和步骤324，直到b＝b₀，且找到的下一个边界点为b₁。

以上c的序列均为背景点，b的序列均为边界点。当算法停止时，所找到的b点的序列就构成了排列后的边界点的集合Cn(M_i)₂。

步骤33、边界描绘子。

图像分割结果是得到了区域内像素集合，或位于区域边界上的像素集合。把图像分割后，为了进一步的识别等处理，分割后的图像一般要进行表示和描述。利用傅里叶描绘子来描述图像边界。傅里叶描绘子用来界定各种检测二值图像中形状的特性，包括数量和大小以及分布密度等信息。

基于边界点的集合Cn(M_i)₂的图像平面内，基于xy坐标平面上，从任意点(x₀,y₀)开始，以逆时针方向在该边界上行进时，会遇到坐标对(x₁,y₁)，(x₂,y₂)，…，(x_k-1,y_k-1)，这些坐标可以表示为x(k)＝x_k，y(k)＝y_k的形式。使用这种表示法，边界本身可以表示为坐标序列s(k)＝[x(k),y(k)],k＝0,1,2,...,k-1。此外，每个坐标对可当做一个复数来处理，即：

s(k)＝x(k)+jy(k)

式中，k＝0,1,2,...,k-1，也就是说，x轴为复数序列的实轴，y轴为复数序列的虚轴。由离散傅里叶变换公式得出s(k)的离散傅里叶变换(DFT)为：

式中u＝0,1,2,...,K-1。复系数a(u)称为边界的傅里叶描绘子。这些系数的傅里叶反变换可恢复s(k)。

式中，k＝0,1,2,...,K-1，然而，假设仅使用前

假设仅使用前P个傅里叶系数而不使用所有系数，等同于上式中令：

a(u)＝0，u＞P-1，结果s(k)近似为：

由于高频成分说明精细细节，而低频成分决定全局形状，因此P越小，边界丢失的细节就越多。

在具体的实施例中，步骤33得到数据集合Cn(M_i)₂在实际应用中是关于检测某器官的边界信息，通过计算得到2869个点组成，那么就对该边界使用2869个傅立叶描绘子(也即傅里叶系数P)，为了减少重建边界效果，减少一半数量1435个，最后得到的是，该边界与原始边界并无明显的不同。在不同的实施例中，还尝试了描绘子10％，5％，2.5％，1.25％，0.6％，0.3％分别重建边界，近似个数分别是：286个，143个，71个，35个，18个，9个描绘子。最后发现18个描绘子的时候，约原来2869个描绘子百分之一的时候，有效的保持了原始图像边界的主要性状特征。

步骤4、形态学重建。图5是形态学重建的处理流程图。如图5所示，在步骤4中，通过两幅图像，步骤32所得到的Cn(M_i)₂分割序列图和步骤33处理过的描绘子重绘图，还有一个结构元，重建强有力的形态学变换。两幅图像中，一幅图是标记，它包含变换的起始点，另一幅图像是模版，它约束结构元变换。

步骤41、测地膨胀。

以步骤32所得到的Cn(M_i)₂分割序列图为标记图像F，以步骤33处理过的描绘子重绘图为模板图像G，通过标记图像F对模板图像G的膨胀形态学重建表示为R(F)，它被定义为标记图像F关于模板图像G的测地膨胀，反复迭代直至达到稳定状态，即：

其中

迭代收敛后，令

为测地膨胀的结果。

步骤42、测地腐蚀。

以步骤32所得到的Cn(M_i)₂分割序列图为标记图像F，以步骤33处理过的描绘子重绘图为模板图像G，标记图像F关于模板图像G的测地腐蚀为：

其中

迭代收敛后，取

为测地腐蚀的结果。

步骤43、重建开操作：在步骤43中所处理的图像数据是基于步骤41和步骤42的处理结果。在形态学开操作中，腐蚀会删除小的物体，而后续的膨胀试图恢复遗留物体的形状。然而，这种恢复的准确性高度依赖于物体的形状和所用结构元的相似性。重建开操作可正确地恢复腐蚀后所保留物体的形状。标记图像F的大小为n的重建开操作定义为：

其中，(FΘnB)表示结构元B对标记图像F的n次腐蚀。

重建开操作至少要求一次腐蚀。在本实施例中，该腐蚀采用长度与长字符的(51个像素)平均高度成正比、宽度为1个像素的结构元。我们用相同的结构元计算了开操作。最后，用式中给出的F的重建开操作(开操作的大小n＝1)。最后的结果表明，包含特征形状的图形被准确地恢复了，而所有的其他信息则被去除了。

步骤44、边界清除。

针对后续形状分析的图像物体提取是自动图像处理的基本任务。删除接触(即连接到)边界的物体的算法是一个很有用的工具，因为：(1)它可以用于屏蔽图像，以便对进一步处理，只保留完整的物体，或者(2)它可用做在视野中存在部分物体的一个信号。我们用重建开操作后的图像作为模板，并使用下面的标记图像：

计算测地膨胀

然后计算差

得到没有边界接触的结果。

做完形态学重建后得到了突出形状边界的病灶位置和树目，达到更具高效、稳定的检测结果。

本发明还公开了一种基于非线性健康分析系统数据多指标动态整合系统，可用于运算基于非线性健康分析系统数据多指标动态整合算法。系统具体包括：分量提取模块，用于对所输入的数字图像执行分量提取算法；边缘性阈值处理模块，用于接收分量提取模块处理之后的图像，执行边缘性阈值处理算法；形态学分割模块，用于接收边缘性阈值处理模块处理之后的图像，执行形态学分割模块算法；形态学重建模块，用于接收形态学分割模块处理之后的图像，执行形态学重建模块算法。

在本文各个步骤的算法中，结构元可以根据具体情况以及本领域技术人员的经验来选取，在此不再赘述。

以上描述是对本发明的解释，不是对发明的限定，本发明所限定的范围参见权利要求，在不违背本发明的基本结构的情况下，本发明可以作任何形式的修改。

Claims (6)

1.一种基于非线性健康分析系统数据多指标动态整合算法，其特征在于，对所输入的数字图像依次进行如下处理：

步骤1、分量提取；

步骤2、边缘性阈值处理；

步骤3、形态学分割；

步骤4、形态学重建。

2.根据权利要求1所述的基于非线性健康分析系统数据多指标动态整合算法，其特征在于，所述步骤1依次包括如下处理方法：

步骤11、边界提取；步骤12、孔洞填充；步骤13、连通分量提取；步骤14、细化和粗化；步骤15、骨架；步骤16、裁剪。

3.根据权利要求1所述的基于非线性健康分析系统数据多指标动态整合算法，其特征在于，所述步骤2依次包括如下处理方法：步骤21、Qtsu处理；步骤22、可变阈值处理。

4.根据权利要求1所述的基于非线性健康分析系统数据多指标动态整合算法，其特征在于，所述步骤3依次包括如下处理方法：步骤31、分水岭分割；步骤32、边界追踪；步骤33、边界描绘子。

5.根据权利要求1所述的基于非线性健康分析系统数据多指标动态整合算法，其特征在于，所述步骤4依次包括如下处理方法：步骤41、测地膨胀；步骤42、测地腐蚀；步骤43、重建开操作；步骤44、边界清除。

6.一种基于非线性健康分析系统数据多指标动态整合系统，其特征如下，包括：分量提取模块，用于对所输入的数字图像执行分量提取算法；边缘性阈值处理模块，用于接收分量提取模块处理之后的图像，执行边缘性阈值处理算法；形态学分割模块，用于接收边缘性阈值处理模块处理之后的图像，执行形态学分割模块算法；形态学重建模块，用于接收形态学分割模块处理之后的图像，执行形态学重建模块算法。

Images