CN114066886A - 骨骼分割边界确定方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种骨骼分割边界确定方法、装置、电子设备及存储介质，该方法包括：获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列；根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。通过本发明实施例的技术方案，实现了提高骨骼分割边界确定的准确性的技术效果。

Description

骨骼分割边界确定方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及医疗技术领域，尤其涉及一种骨骼分割边界确定方法、装置、电子设备及存储介质。

背景技术

图像分割在医学影像分析领域的应用非常广泛。在临床手术规划、模拟及人体三维可视化中，通过医学影像进行骨骼的完整分割具有重要意义。

通常是通过电子计算机断层扫描(Computed Tomography，CT)采集的序列形式的医学图像来获取骨骼数据。基于CT图像进行骨性结构分割的方法包括传统分割方法和深度学习方法。传统分割方法包括滤波、自动化阈值、形态学处理等方式，通过传统分割方法难以准确的区分骨骼和其他组织的分割边界，存在分割准确率低的问题；深度学习方法需要大量的标注数据来对深度学习模型进行训练和测试，但是，人体骨骼的标注数据难以获取，并且人体骨骼存在个体差异性（尤其是人体的部分下肢骨骼），仍然存在分割准确率和速度低的问题。

发明内容

本发明实施例提供了一种骨骼分割边界确定方法、装置、电子设备及存储介质，以实现提高骨骼分割边界确定的准确性的技术效果。

第一方面，本发明实施例提供了一种骨骼分割边界确定方法，该方法包括：

获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；

根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；

针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；

针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

第二方面，本发明实施例还提供了一种骨骼分割边界确定装置，该装置包括：

序列获取模块，用于获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；

粗糙度图像确定模块，用于根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；

灰度增强图像确定模块，用于针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；

骨骼分割边界确定模块，用于针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的骨骼分割边界确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的骨骼分割边界确定方法。

本发明实施例的技术方案，通过获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，根据各原始扫描图像帧中各像素点的灰度值，确定与各原始扫描图像帧相对应的粗糙度图像，针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像，针对每一个原始扫描图像帧，基于与原始扫描图像帧相对应的灰度增强图像，确定第一骨骼和第二骨骼的骨骼分割边界，解决了人工分析速度慢且准确性低的问题以及通过固定阈值分割时骨骼分割边界确定不准确的问题，实现了提高骨骼分割边界确定的准确性的技术效果。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种骨骼分割边界确定方法的流程示意图；

图2为本发明实施例二所提供的一种骨骼分割边界确定方法的流程示意图；

图3为本发明实施例二所提供的一种股骨-髋关节的原始扫描图像帧的示意图；

图4为本发明实施例二所提供的一种股骨-膝关节的原始扫描图像帧的示意图；

图5为本发明实施例二所提供的一种胫骨-膝关节的原始扫描图像帧的示意图；

图6为本发明实施例二所提供的一种胫腓骨-踝关节的原始扫描图像帧的示意图；

图7为本发明实施例二所提供的一种股骨-膝关节的灰度增强图像的示意图；

图8为本发明实施例二所提供的一种胫骨-膝关节的灰度增强图像的示意图；

图9为本发明实施例二所提供的一种股骨-髋关节的峰谷峰增强图像的示意图；

图10为本发明实施例三所提供的一种骨骼分割边界确定装置的结构示意图；

图11为本发明实施例四所提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一所提供的一种骨骼分割边界确定方法的流程示意图，本实施例可适用于在根据扫描图像进行骨骼生长后，确定其中的骨骼边界的情况，该方法可以由骨骼分割边界确定装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，电子设备可以是移动终端，PC端等。

如图1所述，本实施例的方法具体包括如下步骤：

S110、获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列。

其中，人体目标区域可以是进行扫描的区域，该区域中包括两种骨骼，人体目标区域包括第一骨骼和第二骨骼，例如：髋关节区域中包括股骨和髋骨等。由此可知，第一骨骼和第二骨骼会在同一原始扫描图像帧中成像。

具体的，针对需要进行用户的人体目标区域，进行电子计算机断层连续扫描，能够得到连续的多个用于体现人体目标区域情况的原始扫描图像帧所组成的序列。

例如，人体目标区域为人体骨骼关节部位的区域。例如，在对长骨进行CT成像时，CT图像（原始扫描图像帧）中骨干等骨密度较高区域的灰度值较高，例如：灰度值范围超过1000；而皮肤、肌肉、血管等非骨质区域的灰度值较低，例如：灰度值范围在-100至250。在本实施例中，CT灰度值范围可以设置在-1200和2400之间，也可以为其他范围值，不作具体限定。首先确定一个初始灰度阈值，该初始灰度阈值应当能够将皮肤，肌肉，血管等非骨质区域完全划分至背景区域中，而前景区域中只保留骨密度较高区域。因此，将初始灰度阈值设置为能涵盖非骨质区域部分的灰度值，如初始灰度阈值可以为450-500之间的数值，具体数值可以根据实际情况设定。其次，统计灰度值在初始灰度阈值与第一灰度阈值范围内的像素点个数，记为T1，第一灰度阈值可以是区分低骨密度和高骨密度的灰度值，例如：若初始灰度阈值为500，第一灰度阈值为1000（例如：第一灰度阈值可在950-1050之间，优选的，在990-1010之间，进一步可以是1000），则统计灰度值在500-1000之间的像素点个数，记为T1。进而，统计灰度值在第一灰度阈值与第二灰度阈值范围内的像素点个数，记为T2，第二灰度阈值可以是高骨密度区域的灰度值上限，例如：第二灰度阈值可以在1500-1800之间，具体数值可以根据实际情况设定。若第一灰度阈值为1000，第二灰度阈值为1500，则统计灰度值在1000-1500范围内的像素点个数，记为T2。并且，可以根据上述统计的各范围内的像素点个数，记灰度比值为T2/T1，记为T。当T值小于第一预设值时（例如，该预设值为0.4-0.6），表明该原始扫描图像帧中灰度值高亮区域较少，即骨密度较高区域少，可以确定为骨质稀疏区域。骨质稀疏区域是位于人体骨骼关节部位的区域。

由此，采用现有方法进行CT图像处理或对骨骼边界进行分割时，因为骨骼的骨质稀疏区域与骨骼周围组织的灰度值较为接近，无法对其边界准确的划分，导致这些骨骼的分割准确度低。

S120、根据各原始扫描图像帧中各像素点的灰度值，确定与各原始扫描图像帧相对应的粗糙度图像。

其中，粗糙度图像是基于各像素点的粗糙度值确定，粗糙度值基于像素点邻域内的邻域像素点的灰度值确定。粗糙度值可以用于衡量像素点与邻域内像素点的灰度值的离散程度。粗糙度图像可以是根据各像素点所对应的粗糙度值构成的图像。邻域像素点可以是像素点周围一定区域内除像素点本身之外的像素点，可选的，像素点的邻域内的邻域像素点为与像素点相邻的8个或24个像素点，类似的，更加需要也可以设置为其他数量的像素点，优选的选择的数量为8个。

具体的，针对每一个原始扫描图像帧，可以确定与该原始扫描图像帧相对应的粗糙度图像，以一个原始扫描图像帧为例进行说明。获取原始扫描图像帧中各像素点的灰度值，将像素点的灰度值和其邻域内的邻域像素点的灰度值进行统计计算，确定该像素点与全部邻域像素点的灰度值的离散情况，记为该像素点的粗糙度值。统计计算的方式可以是标准差，方差等统计学计算方式。进而，可以根据各像素点的粗糙度值，构建与原始扫描图像帧相对应的粗糙度图像。

S130、针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像。

其中，灰度增强图像公式可以是用于确定灰度增强图像的公式。灰度增强图像可以是强化原始扫描图像帧中灰度分布的图像。灰度增强图像公式为J=aG+bR，G表示原始扫描图像帧，R表示粗糙度图像，a表示使用线性回归确定的与原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与粗糙度图像对应的权重参数，J表示灰度增强图像。

具体的，将原始扫描图像帧和与原始扫描图像帧相对应的粗糙度图像进行加权叠加，可以得到与原始扫描图像帧相对应的灰度增强图像。

需要说明的是，在进行加权叠加的过程中使用的与原始扫描图像帧对应的权重参数以及与粗糙度图像对应的权重参数可以是根据线性回归确定的权重参数，确定过程可以是根据实际需求或分析确定的，在本实施例中不做具体限定。

通过灰度增强图像可以将骨骼的骨质稀疏区域与其周围灰度值较为接近的组织区域更准确的划分。

S140、针对每一个原始扫描图像帧，基于与原始扫描图像帧相对应的灰度增强图像，确定第一骨骼和第二骨骼的骨骼分割边界。

其中，骨骼分割边界可以是第一骨骼和第二骨骼的区分边界，用于划分第一骨骼和第二骨骼。

具体的，针对每一个原始扫描图像帧，可以使用与原始扫描图像帧的灰度增强图像进行图像分割，例如：在胫骨-膝关节的人体目标区域中，可以使用灰度增强图像分割胫骨和膝关节。可选的，若存在两个第二骨骼，则存在分割结果中存在两个骨骼分割边界情况，可以对骨骼分割边界处相重合的部分进行处理，将处理后的结果作为第一骨骼和第二骨骼的骨骼分割边界。

在上述实施例的基础上，可选的，可以通过下述方式确定第一骨骼和第二骨骼的骨骼分割边界。

步骤一、基于与原始扫描图像帧相对应的灰度增强图像，确定图像分割阈值。

其中，图像分割阈值可以是骨骼区域与非骨骼区域进行划分的阈值，骨骼区域包括第一骨骼区域和第二骨骼区域。

具体的，通过图像分割方式，确定与原始扫描图像帧相对应的灰度增强图像中用于区分骨骼区域与非骨骼区域的图像分割阈值。

步骤二、基于图像分割阈值对原始扫描图像帧进行分割，得到至少两个待处理骨骼区域。

其中，待处理骨骼区域可以是划分出的属于骨骼区域的部分，可以理解为大于图像分割阈值的每一个区域。待处理骨骼区域为至少两个的原因在于：最少包含一个与第一骨骼对应的待处理骨骼区域以及一个与第二骨骼对应的待处理骨骼区域，并且，在图像采集和处理的过程中，可能存在噪声干扰等情况，会导致第一骨骼或第二骨骼对应至少两个待处理骨骼区域。

具体的，根据确定出的图像分割阈值对原始扫描图像帧进行分割，得到至少两个待处理骨骼区域，例如：将灰度值大于图像分割阈值的部分确定为骨骼区域，骨骼区域中每一个连通域确定为一个待处理骨骼区域。

步骤三、根据至少两个待处理骨骼区域，确定第一骨骼区域集合以及第二骨骼区域集合，并将第一骨骼区域集合与第二骨骼区域集合的边界作为第一骨骼和第二骨骼的骨骼分割边界。

其中，第一骨骼区域集合为与第一骨骼相应的待处理骨骼区域的集合，第二骨骼区域集合为与第二骨骼相应的待处理骨骼区域的集合。

具体的，若待处理骨骼区域为两个，则可以将这两个待处理骨骼区域分别作为第一骨骼区域集合和第二骨骼区域集合。若待处理骨骼区域大于两个，则需要将待处理骨骼区域进行整合，分为两个集合，一个为第一骨骼区域集合，另一个为第二骨骼区域集合。进而，可以将第一骨骼区域集合与第二骨骼区域集合的边界作为第一骨骼和第二骨骼的骨骼分割边界。通过这种方式能够获得其骨骼区域和非骨骼区域（即组织区域）之间更为精准的边界阈值，从而实现对骨质稀疏区域的骨骼和非骨骼的边界更为准确的分割。

示例性的，可以通过去除小空洞、去除小噪声点、开运算等图像形态学方法对各待处理骨骼区域进行整合。

可选的，可以通过相邻两个待处理骨骼区域的距离来确定第一骨骼区域集合和第二骨骼区域集合：

步骤一、若存在相邻的两个待处理骨骼区域的距离大于预设距离，则根据两个待处理骨骼区域确定第一骨骼区域集合。

其中，预设距离可以是用于区分第一骨骼和第二骨骼的距离，例如：5个像素点，具体像素点数量可以根据图像分辨率和图像大小等因素确定，在本实施例中不作具体限定。相邻的两个待处理骨骼区域可以理解为某一个待处理骨骼区域和与该待处理骨骼区域周围各待处理骨骼区域中与该待处理骨骼区域距离最近的待处理骨骼区域，示例性的，待处理骨骼区域A周围的待处理骨骼区域为B、C和D，A与B之间的距离为8像素，A与C之间的距离为4像素，A与D之间的距离为6像素，则可以确定待处理骨骼区域A和待处理骨骼区域C为相邻的两个待处理骨骼区域。对于第一骨骼和第二骨骼之间距离在图像中像素点为1-5个的区域，难以被准确的区分，无法保证边界分割的准确性。

例如，在股骨-髋关节处股骨和髋骨之间的距离在CT图像中像素点为1-5个。处于该距离范围内的股骨和髋骨的区域，属于双边缘区域。

具体的，若相邻的两个待处理骨骼区域的距离大于预设距离，则可以认为相邻的两个待处理骨骼区域处于两个不同的骨骼区域集合，即确定其中一个待处理骨骼区域为第一骨骼区域集合中的元素，并将与该待处理骨骼区域相邻的待处理骨骼区域确定为第二骨骼区域集合中的元素。

步骤二、针对第一骨骼区域集合中的每一个第一骨骼区域，若存在与第一骨骼区域的距离小于预设距离的待处理骨骼，则将待处理骨骼区域作为第一骨骼区域，并更新第一骨骼区域集合。

其中，第一骨骼区域为第一骨骼区域集合中的待处理骨骼区域。

具体的，遍历第一骨骼区域集合中的每一个第一骨骼区域，将与各第一骨骼区域的距离小于预设距离的待处理骨骼区域添加至第一骨骼区域集合中，更新第一骨骼区域集合。并且，对新加入的第一骨骼区域继续进行搜寻，直到不存在与第一骨骼区域集合中任一第一骨骼区域的距离小于预设距离的待处理骨骼区域，确定第一骨骼区域更新完成。

步骤三、基于至少两个待处理骨骼区域以及更新完成的第一骨骼区域集合，确定第二骨骼区域集合。

具体的，将至少两个待处理骨骼区域中除更新完成的第一骨骼区域集合之外的各待处理骨骼区域确定第二骨骼区域集合。

本发明实施例的技术方案，通过获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，根据各原始扫描图像帧中各像素点的灰度值，确定与各原始扫描图像帧相对应的粗糙度图像，针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像，针对每一个原始扫描图像帧，基于与原始扫描图像帧相对应的灰度增强图像，确定第一骨骼和第二骨骼的骨骼分割边界，解决了人工分析速度慢且准确性低的问题以及通过固定阈值分割时骨骼分割边界确定不准确的问题，实现了提高骨骼分割边界确定的准确性的技术效果。

实施例二

图2为本发明实施例二所提供的一种骨骼分割边界确定方法的流程示意图，本实施例在上述各实施例的基础上，针对粗糙度图像的确定方式以及骨骼分割边界的确定方式可参见本实施例的技术方案，在本实施例中还增加了边缘信息图像以及峰谷峰增强图像的确定及使用方式。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图2所述，本实施例的方法具体包括如下步骤：

S210、获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列。

其中，人体目标区域包括第一骨骼和第二骨骼。

示例性的，图3为本发明实施例二所提供的一种股骨-髋关节的原始扫描图像帧的示意图，其中，股骨和髋关节分别为第一骨骼和第二骨骼。图4为本发明实施例二所提供的一种股骨-膝关节的原始扫描图像帧的示意图，其中，股骨和膝关节分别为第一骨骼和第二骨骼。图5为本发明实施例二所提供的一种胫骨-膝关节的原始扫描图像帧的示意图，其中，胫骨和膝关节分别为第一骨骼和第二骨骼。图6为本发明实施例二所提供的一种胫腓骨-踝关节的原始扫描图像帧的示意图，其中，胫腓骨和踝关节分别为第一骨骼和第二骨骼。

S220、针对原始扫描图像帧中的每一个像素点，确定与像素点的邻域内的邻域像素点，确定各邻域像素点的灰度值方差，并将灰度值方差确定为像素点的粗糙度值。

具体的，针对原始扫描图像帧中的每一个像素点，确定与该像素点相邻的像素点，并计算相邻的像素点的灰度值的方差。进一步的，将计算出的方差值作为该像素点的粗糙度值。

S230、根据原始扫描图像帧中各像素点所对应的粗糙度值，确定与原始扫描图像帧相对应的粗糙度图像。

具体的，根据各像素点所对应的粗糙度值，可以将各粗糙度值匹配至对应像素点的位置，得到与原始扫描图像帧相对应的粗糙度图像。

S240、针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像。

S250、针对每一个原始扫描图像帧，对原始扫描图像帧进行边缘检测，确定与原始扫描图像帧相对应的边缘信息图像。

其中，边缘图像信息是标识原始扫描图像帧中像素值存在变化明显的点的信息。

具体的，针对原始扫描图像帧进行边缘检测，将边缘检测的结果作为边缘信息图像。

S260、针对每一个原始扫描图像帧，根据原始扫描图像帧的中心点，向原始扫描图像帧的各边缘点投射射线，基于预先设定的峰谷峰检测函数，确定与各射线上各像素点所对应的峰谷峰值，并根据峰谷峰值确定与原始扫描图像帧相对应的峰谷峰增强图像。

其中，中心点可以是前景区域中各种子点的正中间位置的像素点。边缘点可以是各种子点所构成的边界上的像素点。峰谷峰检测函数是用于检测数值存在高低高趋势的核函数。峰谷峰值是经由峰谷峰检测函数计算得到的数值。峰谷峰增强图像是根据各像素点所对应的峰谷峰值构成的图像。

具体的，针对每一个原始扫描图像帧，可以使用相同的方式确定峰谷峰增强图像，因此，以一个原始扫描图像帧为例进行说明。根据该原始扫描图像帧的中心点向周围的各个边缘点投射射线，通过峰谷峰检测函数对各条射线上的各个像素点进行处理，得到与各个像素点相对应的峰谷峰值。根据各个像素点的峰谷峰值可以组成与原始扫描图像帧相对应的峰谷峰增强图像。

可选的，根据峰谷峰检测函数确定各像素点所对应的峰谷峰值的方式可以是：

针对每一条射线上的每个像素点，根据像素点所属射线上与像素点相对应的邻域像素点，确定邻域像素点中的灰度最小值；在灰度最小值所对应的像素点以及中心点之间，确定第一灰度最大值，并在灰度最小值所对应的像素点以及射线上的边缘点之间，确定第二灰度最大值；根据灰度最小值、第一灰度最大值以及第二灰度最大值，确定像素点对应的峰谷峰值。

其中，邻域像素点可以是当前像素点及其周围一定范围内的像素点，例如：与某一像素点相对应的邻域像素点可以是，该像素点、向射线起始端方向上与该像素点相邻的5个以及向射线投射方向上与该像素点相邻的5个等。灰度最小值可以是像素点与邻域像素点值中灰度值最小的数值。第一灰度最大值可以是灰度最小值的像素点与中心点之间的灰度最大值。第二灰度最大值可以是灰度最小值的像素点与射线上的边缘点之间的灰度最大值。

具体的，针对每一条射线上的每个像素点，在该像素点所属的射线上确定该像素点的领域像素点，并从各个领域像素点的灰度值中确定出灰度最小值。进而，在灰度最小值所对应的像素点和中心点之间的各个像素点的灰度值中，确定出灰度最大值，为第一灰度最大值。在灰度最小值所对应的像素点和该像素点所属射线上的边缘点之间的各个像素点的灰度值中，确定出灰度最大值，为第二灰度最大值。进一步的，将第一灰度最大值与灰度最小值的差值和第二灰度最大值与灰度最小值的差值乘积的方差作为与该像素点对应的峰谷峰值。

可选的，基于灰度最小值、第一灰度最大值以及第二灰度最大值，确定像素点对应的峰谷峰值的方式为：基于灰度最小值以及第一灰度最大值，确定第一灰度差值，并基于灰度最小值以及第二灰度最大值，确定第二灰度差值；基于第一灰度差值以及第二灰度差值，确定像素点对应的峰谷峰值。

其中，第一灰度差值为第一灰度最大值减去灰度最小值的结果。第二灰度差值为第二灰度最大值减去灰度最小值的结果。

具体的，第一灰度最大值减去灰度最小值得到第一灰度差值，第二灰度最大值减去灰度最小值得到第二灰度差值。将第一灰度差值和第二灰度差值乘积的方差作为与该像素点对应的峰谷峰值。

S270、基于与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像，确定第一骨骼和第二骨骼的骨骼分割边界。

具体的，可以将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像进行组合和分析，以对原始扫描图像帧进行分割得到第一骨骼和第二骨骼的骨骼分割边界。

可选的，可以基于下述各步骤结合灰度增强图像、边缘信息图像以及峰谷峰增强图像来确定第一骨骼和第二骨骼的骨骼分割边界：

步骤一、将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加，确定参考图像帧。

其中，参考图像帧是融合灰度增强图像、边缘信息图像以及峰谷峰增强图像得到的图像帧。

具体的，将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像中的各个位置的像素值进行相加，可以得到参考图像帧。

步骤二、基于参考图像帧的中心点向参考图像帧的上一参考图像帧的各边缘点分别投射射线，根据各射线上的局部极值点确定各射线的射线半径。

其中，局部极值点可以是射线上各像素点的灰度值所对应的极大值点和/或极小值点。射线半径可以是根据射线上的局部极值点规划得到的半径值。

具体的，从参考图像帧的中心点向参考图像帧的上一参考图像帧各边缘点所对应的参考图像帧中的像素点分别投射射线，在每一条射线上可以确定出射线上的灰度增强图像的灰度值中的各个局部极值点，对各个局部极值点进行处理可以确定射线上的某一像素点为边界点，并将中心点与该边界点之间的距离作为与该射线相对应的射线半径。

需要说明的是，对各个局部极值点进行处理可以确定射线上的某一像素点为边界点可以是将局部极值点作为边界点等。边界点与边缘点可以相同也可以不同，边缘点用于确定射线的投射方向，边缘点还可以是边界点可能对应的最远像素点。

步骤三、对各射线半径进行平滑滤波，确定初始边界，并对与原始扫描图像帧相对应的灰度增强图像在初始边界内的部分进行处理，得到分割图像。

其中，初始边界可以是对各射线半径进行重新规划后得到的骨骼边界。分割图像可以是进行图像后处理后得到的骨骼区域图像，可以是第一骨骼的区域图像，也可以是第二骨骼的区域图像。

具体的，将各条射线对应的射线半径进行平滑滤波处理，可以得到平滑滤波处理后的射线半径。进而，可以得到由平滑滤波处理后的射线半径组成的初始边界。将与原始扫描图像帧相对应的灰度增强图像在初始边界处的部分进行一系列的图像后处理，例如：去除小空洞、去处小噪声点、开运算等图像形态学方法，可以得到完整的分割图像。

步骤四、若分割图像的面积小于预设面积阈值，则确定分割图像的边界为第一骨骼和第二骨骼的骨骼分割边界。

其中，预设面积阈值可以是预先设定的用于判断第一骨骼或第二骨骼截止的面积值，即可以认为是前景像素值统计个数的阈值，可选的，可以是1至5中的任一数值。

具体的，以预设面积阈值与第一骨骼截止的面积值相对应为例进行说明。当分割图像的面积小于预设面积阈值时，可以认为分割图像的面积达到了收敛条件，即第一骨骼的面积值收敛，原始扫描图像帧已达到第一骨骼的边缘，此时，可以确定分割图像的边界为第一骨骼和第二骨骼的骨骼分割边界。

示例性的，以第一骨骼为股骨，第二骨骼为髋关节，确定股骨-髋关节的骨骼分割边界为例。由于股骨骨骼部分的图像的前景区域面积会先增大，再减小，当减小到一定程度时，可以认为停止骨骼生长。因此，可以认为分割图像的面积存在由大至小的过程。根据连续多个原始扫描图像帧的分割图像的面积，确定面积变化趋势满足先增大，再减小的趋势。当分割图像的面积小于预设面积阈值时，可以认为分割图像的面积达到了收敛条件，确定分割图像的边界为股骨-髋关节的骨骼分割边界。

作为上述各实施例的可选实施方式，下面举例进行说明：

首先，定义图像粗糙度概念，设计粗糙度卷积核，计算像素点邻域内的灰度值方差作为该点的像素值（粗糙度值）；设计线性函数J=aG+bR，其中，G表示原始CT图像（原始扫描图像帧）的灰度图像，R表示粗糙度图像，a和b为使用线性回归获取分类准确率最高的权重参数，J表示为增强后的灰度图像数据（灰度增强图像）。股骨-膝关节的灰度增强图像如图7所示，胫骨-膝关节的灰度增强图像如图8所示。以股骨-髋关节的骨骼分割边界确定方式和股骨-膝关节的骨骼分割边界确定方式为例分别说明。

1、股骨-髋关节的骨骼分割边界确定方式：

对原始CT图像的灰度图像进行边缘检测，获取图像边缘信息E（边缘信息图像）。以当前帧的中心点为基础，向分割前景的边缘投射射线，由于股骨头-髋关节结合处灰度值存在‘峰-谷-峰’特点，定义‘峰谷峰’检测核函数（峰谷峰检测函数），由前景中心点向图像各区域投射射线，确定射线上各像素点的峰谷峰值，进一步，获取‘峰谷峰’增强图像I（峰谷峰增强图像，峰谷峰增强图像由各像素点的峰谷峰值组合得到），股骨-髋关节的峰谷峰增强图像如图9所示，在峰谷峰增强图像中可以增强双边缘区域，双边缘区域指的是股骨和髋关节结合处的分别属于股骨和髋关节的骨质稀疏区域的边界，需要说明的是在如股骨和髌骨类似的结合处也存在这种双边缘区域。结合图像J、E、I的信息（参考图像帧）确定股骨头-髋关节边界。利用当前帧的预测中心点，向360度投射射线，在射线上统计靠近上一帧前景边缘区域的增强后的灰度图像数据的灰度值，计算和记录射线上的局部极值点位置和射线半径，并将记录的各射线半径序列作高斯平滑滤波，最后使用射线半径内区域（初始边界内的部分）作为股骨-髋关节分割边界。在分割边界（初始边界）内使用自适应阈值分割增强的增强后的灰度图像数据J，运用去除小空洞、去除小噪声点、开运算等图像形态学方法获取完整的分割图像。在射线半径小于设定阈值后，停止由股骨往近端（头部方向）的区域生长或者当分割图像的面积小于预设面积阈值后，停止由股骨往近端的区域生长，可选的，预设面积阈值可以是前景像素值统计个数的阈值，可选的，可以设置为1至5。需要说明的是，上述区域生长停止的条件还可以应用在其他类似骨骼区域的分割边界确定方法中。在区域生长停止时，可将确定出的边界确定为股骨-髋关节的骨骼分割边界。

示例性的，由于股骨向近端生长时，前景区域面积会经历先增长再收缩的过程。因此，跟踪中心点和边缘点，可以判断区域生长各阶段。若在生长过程中，根据连续的多个前景区域的面积可以判断前景区域进入收缩阶段，此时，不再加入新的连通域，同时前景区域生长方向由外扩转为内收，直至收敛结束。这样做的目的是：在股骨向近端生长时，由于髋骨和股骨会在同一帧中同时出现，通过上述方式可以分割股骨和髋骨。其中，不再加入新的连通域可以采用以下方式实现：设置一个掩膜对象，为忽略掩膜。将上一帧的前景区域与当前帧的前景区域作差值，差值区域即为当前帧缩小的区域，将该差值区域加入忽略掩膜中，忽略掩膜将持续累加。若有新的连通域与忽略掩膜重合，则新连通域无法加入当前帧的前景区域。不再加入新的连通域的方式只在进入收缩过程后启动。

其中，峰谷峰检测函数算法可以是：

（1）以中心点向边缘投射射线，由内向外按顺序记录射线上各像素点的坐标（射线半径）和像素值，记为点集I。

（2）获取已记录的点集I中像素值最小点的像素值及其坐标，记该点的像素值为P-min。

（3）在P-min（像素值最小点的）内侧(向中心点一侧)，获取点集I中像素值最大点的像素值及其坐标，记该点的像素值为P-max1。

（4）在P-min（像素值最小点的）外侧(向边缘一侧)，获取点集I中像素值最大点的像素值及其坐标，记该点的像素值为P-max2。

（5）P-min与P-max1的像素差记为d1，P-min与P-max2的像素差记为d2，计算d1与d2乘积的方差值v，v即为所求峰谷峰值。

需要说明的是，将峰谷峰值当作图像的灰度值，得到峰谷峰增强图像。

2.股骨-膝关节中的骨骼分割边界确定方式：

股骨-膝关节分割的难点在于股骨远端（脚部方向）与髌骨的骨骼分割边界确定，且该骨骼分割边界位于股骨的上方。首先，结合图像J、E、I的信息（参考图像帧）确定股骨-膝关节边界。利用当前帧的预测中心点，向当前帧上方投射射线（预设角度）。当前帧的上方指的是股骨和髌骨的骨骼分割边界所在的范围，可以以当前帧的预测中心点与当前帧左上方顶点的连线为第一边界，以当前帧的预测中心点与当前帧右上方顶点的连线为第二边界，将第一边界与第二边界之间的角度作为预设角度。在射线上统计靠近上一帧前景边缘区域的增强后的灰度图像数据的灰度值，计算和记录射线上的局部极值点位置和射线半径，使用平滑后的射线半径内区域作为股骨-髌骨分割边界。股骨-膝关节处的另外一个难点是股骨远端终点与胫骨近端起点相互干扰。

进而，可以将股骨-髌骨分割边界与预设角度外的各边缘点进行组合，确定初始边界。在初始边界内使用自适应阈值分割增强的增强后的灰度图像数据J，运用去除小空洞、去除小噪声点、开运算等图像形态学方法获取完整的分割图像。在射线半径小于设定阈值后，停止由股骨往远端的区域生长或者当分割图像的面积小于预设面积阈值后，停止由股骨往远端的区域生长。在区域生长停止时，可将确定出的边界确定为股骨-膝关节的骨骼分割边界。

示例性的，由于股骨向远端生长时，前景区域面积（分割图像）会经历稳定的先增长再稳定最后收缩的过程，且具有强鲁棒性，其中，稳定过程指相对稳定的过程，并非是前景区域面积完全不变，例如前后两帧中前景图像区域的面积差值较小。因此，跟踪中心点和各边缘点，以判断区域生长各阶段。在生长过程中，结合胫骨平台由股骨的中部突起的先验信息，若前景区域进入收缩阶段，则不再加入新的连通域，同时前景区域生长方向由外扩转为内收，直至收敛结束。这样做的目的是：在对股骨向远端生长时，由于胫骨和股骨可能会在同一帧中同时出现，通过上述方式可以分割股骨和胫骨。

本发明实施例的技术方案，通过获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，针对原始扫描图像帧中的每一个像素点，确定与像素点的邻域内的邻域像素点，确定各邻域像素点的灰度值方差，并将灰度值方差确定为像素点的粗糙度值，根据原始扫描图像帧中各像素点所对应的粗糙度值，确定与原始扫描图像帧相对应的粗糙度图像，针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像，针对每一个原始扫描图像帧，对原始扫描图像帧进行边缘检测，确定与原始扫描图像帧相对应的边缘信息图像，并根据原始扫描图像帧的中心点，向原始扫描图像帧的各边缘点投射射线，基于预先设定的峰谷峰检测函数，确定与各射线上各像素点所对应的峰谷峰值，并根据峰谷峰值确定与原始扫描图像帧相对应的峰谷峰增强图像，进而，基于与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像，确定第一骨骼和第二骨骼的骨骼分割边界，解决了人工分析速度慢且准确性低的问题以及通过固定阈值分割时骨骼分割边界确定不准确的问题，实现了提高骨骼分割边界确定的准确性的技术效果。

实施例三

图10为本发明实施例三所提供的一种骨骼分割边界确定装置的结构示意图，该装置包括：序列获取模块310、粗糙度图像确定模块320、灰度增强图像确定模块330以及骨骼分割边界确定模块340。

其中，序列获取模块310，用于获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；粗糙度图像确定模块320，用于根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；灰度增强图像确定模块330，用于针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；骨骼分割边界确定模块340，用于针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

可选的，粗糙度图像确定模块320，还用于针对所述原始扫描图像帧中的每一个像素点，确定与所述像素点的邻域内的邻域像素点，确定各邻域像素点的灰度值方差，并将所述灰度值方差确定为所述像素点的粗糙度值；根据所述原始扫描图像帧中各像素点所对应的粗糙度值，确定与所述原始扫描图像帧相对应的粗糙度图像。

可选的，所述像素点的邻域内的邻域像素点为与所述像素点相邻的8个或24个像素点。

可选的，所述装置还包括：中间图像确定装置，用于针对每一个原始扫描图像帧，对所述原始扫描图像帧进行边缘检测，确定与所述原始扫描图像帧相对应的边缘信息图像；针对每一个原始扫描图像帧，根据所述原始扫描图像帧的中心点，向所述原始扫描图像帧的各边缘点投射射线，基于预先设定的峰谷峰检测函数，确定与各射线上各像素点所对应的峰谷峰值，并根据所述峰谷峰值确定与所述原始扫描图像帧相对应的峰谷峰增强图像；相应的，骨骼分割边界确定模块340，还用于基于与所述原始扫描图像帧相对应的灰度增强图像、所述边缘信息图像以及所述峰谷峰增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

可选的，中间图像确定装置，还用于针对每一条射线上的每个像素点，根据所述像素点所属射线上与所述像素点相对应的邻域像素点，确定所述邻域像素点中的灰度最小值；在所述灰度最小值所对应的像素点以及所述中心点之间，确定第一灰度最大值，并在所述灰度最小值所对应的像素点以及所述射线上的边缘点之间，确定第二灰度最大值；根据所述灰度最小值、所述第一灰度最大值以及所述第二灰度最大值，确定所述像素点对应的峰谷峰值。

可选的，中间图像确定装置，还用于基于所述灰度最小值以及所述第一灰度最大值，确定第一灰度差值，并基于所述灰度最小值以及所述第二灰度最大值，确定第二灰度差值；基于所述第一灰度差值以及所述第二灰度差值，确定所述像素点对应的峰谷峰值。

可选的，骨骼分割边界确定模块340，还用于将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加，确定参考图像帧；基于所述参考图像帧的中心点向所述参考图像帧的上一参考图像帧的各边缘点分别投射射线，根据各射线上的局部极值点确定各射线的射线半径；对各射线半径进行平滑滤波，确定初始边界，并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理，得到分割图像；若所述分割图像的面积小于预设面积阈值，则确定所述分割图像的边界为所述第一骨骼和所述第二骨骼的骨骼分割边界。

可选的，骨骼分割边界确定模块340，还用于基于与所述原始扫描图像帧相对应的灰度增强图像，确定图像分割阈值；基于所述图像分割阈值对所述原始扫描图像帧进行分割，得到至少两个待处理骨骼区域；根据所述至少两个待处理骨骼区域，确定第一骨骼区域集合以及第二骨骼区域集合，并将所述第一骨骼区域集合与所述第二骨骼区域集合的边界作为所述第一骨骼和所述第二骨骼的骨骼分割边界。

可选的，骨骼分割边界确定模块340，还用于若存在相邻的两个待处理骨骼区域的距离大于预设距离，则根据所述两个待处理骨骼区域确定第一骨骼区域集合；针对所述第一骨骼区域集合中的每一个第一骨骼区域，若存在与所述第一骨骼区域的距离小于所述预设距离的待处理骨骼，则将所述待处理骨骼区域作为第一骨骼区域，并更新所述第一骨骼区域集合；基于所述至少两个待处理骨骼区域以及更新完成的第一骨骼区域集合，确定第二骨骼区域集合。

本发明实施例的技术方案，通过获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，根据各原始扫描图像帧中各像素点的灰度值，确定与各原始扫描图像帧相对应的粗糙度图像，针对每一个粗糙度图像，基于灰度增强图像公式确定与原始扫描图像帧相对应的灰度增强图像，针对每一个原始扫描图像帧，基于与原始扫描图像帧相对应的灰度增强图像，确定第一骨骼和第二骨骼的骨骼分割边界，解决了人工分析速度慢且准确性低的问题以及通过固定阈值分割时骨骼分割边界确定不准确的问题，实现了提高骨骼分割边界确定的准确性的技术效果。

本发明实施例所提供的骨骼分割边界确定装置可执行本发明任意实施例所提供的骨骼分割边界确定方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图11为本发明实施例四所提供的一种电子设备的结构示意图。图11示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图11显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件（包括系统存储器402和处理单元401）的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。

电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）404和/或高速缓存405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质（图11未显示，通常称为“硬盘驱动器”）。尽管图11中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM, DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组（至少一个）程序模块407的程序/实用工具408，可以存储在例如系统存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

电子设备40也可以与一个或多个外部设备409（例如键盘、指向设备、显示器410等）通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过I/O接口（输入/输出接口）411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图11中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的骨骼分割边界确定方法。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种骨骼分割边界确定方法，该方法包括：

获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；

根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；

针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；

针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种骨骼分割边界确定方法，其特征在于，包括：

获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；

根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；

针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；

针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

2.根据权利要求1所述的方法，其特征在于，所述根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像，包括：

针对所述原始扫描图像帧中的每一个像素点，确定与所述像素点的邻域内的邻域像素点，确定各邻域像素点的灰度值方差，并将所述灰度值方差确定为所述像素点的粗糙度值；

根据所述原始扫描图像帧中各像素点所对应的粗糙度值，确定与所述原始扫描图像帧相对应的粗糙度图像。

3.根据权利要求1所述的方法，其特征在于，所述像素点的邻域内的邻域像素点为与所述像素点相邻的8个或24个像素点。

4.根据权利要求1所述的方法，其特征在于，还包括：

针对每一个原始扫描图像帧，对所述原始扫描图像帧进行边缘检测，确定与所述原始扫描图像帧相对应的边缘信息图像；

针对每一个原始扫描图像帧，根据所述原始扫描图像帧的中心点，向所述原始扫描图像帧的各边缘点投射射线，基于预先设定的峰谷峰检测函数，确定与各射线上各像素点所对应的峰谷峰值，并根据所述峰谷峰值确定与所述原始扫描图像帧相对应的峰谷峰增强图像；

相应的，所述基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界，包括：

基于与所述原始扫描图像帧相对应的灰度增强图像、所述边缘信息图像以及所述峰谷峰增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

5.根据权利要求4所述的方法，其特征在于，所述基于预先设定的峰谷峰检测函数，确定与各射线上各像素点所对应的峰谷峰值，包括：

针对每一条射线上的每个像素点，根据所述像素点所属射线上与所述像素点相对应的邻域像素点，确定所述邻域像素点中的灰度最小值；在所述灰度最小值所对应的像素点以及所述中心点之间，确定第一灰度最大值，并在所述灰度最小值所对应的像素点以及所述射线上的边缘点之间，确定第二灰度最大值；

根据所述灰度最小值、所述第一灰度最大值以及所述第二灰度最大值，确定所述像素点对应的峰谷峰值。

6.根据权利要求5所述的方法，其特征在于，所述根据所述灰度最小值、所述第一灰度最大值以及所述第二灰度最大值，确定所述像素点对应的峰谷峰值，包括：

基于所述灰度最小值以及所述第一灰度最大值，确定第一灰度差值，并基于所述灰度最小值以及所述第二灰度最大值，确定第二灰度差值；

基于所述第一灰度差值以及所述第二灰度差值，确定所述像素点对应的峰谷峰值。

7.根据权利要求5所述的方法，其特征在于，所述基于与所述原始扫描图像帧相对应的灰度增强图像、所述边缘信息图像以及所述峰谷峰增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界，包括：

将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加，确定参考图像帧；

基于所述参考图像帧的中心点向所述参考图像帧的上一参考图像帧的各边缘点分别投射射线，根据各射线上的局部极值点确定各射线的射线半径；

对各射线半径进行平滑滤波，确定初始边界，并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理，得到分割图像；

若所述分割图像的面积小于预设面积阈值，则确定所述分割图像的边界为所述第一骨骼和所述第二骨骼的骨骼分割边界。

8.根据权利要求1所述的方法，其特征在于，所述基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界，包括：

基于与所述原始扫描图像帧相对应的灰度增强图像，确定图像分割阈值；

基于所述图像分割阈值对所述原始扫描图像帧进行分割，得到至少两个待处理骨骼区域；

根据所述至少两个待处理骨骼区域，确定第一骨骼区域集合以及第二骨骼区域集合，并将所述第一骨骼区域集合与所述第二骨骼区域集合的边界作为所述第一骨骼和所述第二骨骼的骨骼分割边界。

9.根据权利要求8所述的方法，其特征在于，所述根据所述至少两个待处理骨骼区域，确定第一骨骼区域集合以及第二骨骼区域集合，包括：

若存在相邻的两个待处理骨骼区域的距离大于预设距离，则根据所述两个待处理骨骼区域确定第一骨骼区域集合；

针对所述第一骨骼区域集合中的每一个第一骨骼区域，若存在与所述第一骨骼区域的距离小于所述预设距离的待处理骨骼，则将所述待处理骨骼区域作为第一骨骼区域，并更新所述第一骨骼区域集合；

基于所述至少两个待处理骨骼区域以及更新完成的第一骨骼区域集合，确定第二骨骼区域集合。

10.一种骨骼分割边界确定装置，其特征在于，包括：

序列获取模块，用于获取针对人体目标区域进行连续扫描得到的原始扫描图像帧的序列，其中，所述人体目标区域包括第一骨骼和第二骨骼；

粗糙度图像确定模块，用于根据各所述原始扫描图像帧中各像素点的灰度值，确定与各所述原始扫描图像帧相对应的粗糙度图像；其中，所述粗糙度图像是基于各像素点的粗糙度值确定，所述粗糙度值基于像素点邻域内的邻域像素点的灰度值确定；

灰度增强图像确定模块，用于针对每一个粗糙度图像，基于灰度增强图像公式确定与所述原始扫描图像帧相对应的灰度增强图像；其中，所述灰度增强图像公式为J=aG+bR，G表示所述原始扫描图像帧，R表示所述粗糙度图像，a表示使用线性回归确定的与所述原始扫描图像帧对应的权重参数，b表示使用线性回归确定的与所述粗糙度图像对应的权重参数，J表示所述灰度增强图像；

骨骼分割边界确定模块，用于针对每一个原始扫描图像帧，基于与所述原始扫描图像帧相对应的灰度增强图像，确定所述第一骨骼和所述第二骨骼的骨骼分割边界。

11.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的骨骼分割边界确定方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的骨骼分割边界确定方法。

Images