CN1300741C - 皮肤显微图像的预处理方法 - Google Patents

Abstract

本发明涉及一种皮肤显微图像的预处理方法。它是由皮肤显微镜对有症状的皮肤表面拍摄获得的视频图像信号，经图像采集卡取样得到真彩色图像，将真彩色图像输入微机进行二进小波去噪声处理和自适应图像分割提取症状区域，然后在微机显示器上显示出症状与背景皮肤分离的二值图像。本发明为皮肤图像的高层处理提供基础，适用于皮肤疾病诊断和美容等领域。

Description

皮肤显微图像的预处理方法

技术领域

本发明涉及一种图像处理方法，特别是一种皮肤显微图像的预处理方法。

背景技术

图像的预处理包含两个方面：(1)图像的平滑处理，即图像的去噪处理，(2)图像中的目标区域从背景中分离出来，提取目标区域图像。

图像的去噪处理主要是为了去除实际成像过程中，因成像设备和环境所造成的图像失真，提取有用信息。目前，常用低通空间滤波器和中值滤波器来消除图像中的噪声。这种方法在去除图像中的噪声、干扰的同时，也滤掉了图像的边缘信息、细节和有用的高频信息。

提取目标区域图像的最简单的图像分割方法是：采用对比度、边缘、灰度检测的方法，这些方法利用了前景与背景的灰度变化来进行分割，其前提是假设目标与背景相比有明显的灰度对比或颜色变化，但在实际处理中，由于受到光照不均匀等因素的影响，其对比特征并不明显，因此上述方法存在一定局限性。

发明目的

本发明的目的在于提供一种皮肤显微图像的预处理方法，能克服已有技术中存在的问题，能适应光线的变化、图像大小的变化和不同皮肤不同症状，从背景皮肤图像中分割提取出清晰的皮肤症状区域的二值图像。

为达到上述目的，本发明的构思如下：

本发明运用二进小波对图像进行变换，计算二阶小波分解后图像的模值，采用动态阈值的方法消除其中的局部极大值，有效地在保护图像有用信息的条件下去除了皮肤图像中的毛发等干扰，使重构的图像去除了噪声而保留了边缘信息。

针对皮肤显微图像的研究，发现以饱和度S(Saturation-S)作为图像的颜色信息能明显提高分割效果。所谓饱和度，它是反映某种色光被白光冲淡程度的物理量。

本发明提出一种针对皮肤症状的自适应图像分割提取方法，将RGB图像转换成S图像，以皮肤症状图像的S域标准差σ为判据，当σ较大(大于20)时，采用最大类间方差动态阈值法，当σ较小时(小于20)，采用改进的S域动态阈值分割方法，从而解决了大动态范围图像标准差的图像分割，使图像分割的效果得到了明显的提高。

根据上述构思，本发明采用下述技术方案：

一种皮肤显微图像的预处理方法，其特征在于由皮肤显微镜对有症状的皮肤表面拍摄获得的视频图像信号，经图像采集卡取样得到真彩色图像，将真彩色图像输入微机进行二进小波去噪声处理和自适应图像分割提取症状区域，然后在微机显示器上显示出症状与背景皮肤分离的二值图像；具体步骤为：

a.皮肤显微图像的采集：用显微镜拍摄有症状的皮肤表面，视频图像信号经图像采集卡取样，得到红(R)、绿(G)、蓝(B)真彩色图像，输入微机；

b.对皮肤显微图像进行预处理，步骤如下：

(a)采用二进小波去噪：将24位RGB真彩图像的数据区域分解，得出各像素点R、G、B值；并分别对R、G、B分量进行二维小波分解，得到处理过的R’、G’、B’，将R’、G’、B’组合，得到去噪后的图像；

(b)图像的S域转换：用公式S＝max(R，G，B)-min(R，G，B)将RGB图像转换成S域图像；

(c)症状区域的提取：以皮肤症状图像的S域图像标准方差σ为判据，当σ＜20时，采用改进的S域动态阈值分割提取法，当σ＞20时，采用

最大类间方差动态阈值分割提取法，上述的S域图像标准方差σ为：

$\mathrm{\σ}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(S_{\mathrm{ij}}-A)}^2}{n\×m}}$

式中：

$A=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_{\mathrm{ij}}}{n\×m},$ i图像区域的行，n为总行数，j为图像的列，m为总列数；从而实现症状区域图像与图像背景的分离；

(d)形态修正：分割提取的症状图像用形态学方法进行修正，得到清晰的症状区域形态图像；

c.由微机的显示器显示出症状与背景皮肤分离的二维图像。上述的对RGB真彩图像的R、G、B分量进行二维小波分解的具体步骤为：

a.对于R，保留二阶分解后的低频部分系数ca2；记录一阶水平、垂直、斜对角的高频部分系数chd1、cvd1、cdd1，以及二阶水平、垂直、斜对角的高频部分系数chd2、cvd2、cdd2，以上系数都是以矩阵的形式保存的。分别求一阶、二阶的任意点(i，j)模值：

$M1(i,j)=\sqrt{\mathrm{chd}1{(i,j)}^2+\mathrm{cvd}1{(i,j)}^2}$

$M2(i,j)=\sqrt{\mathrm{chd}2{(i,j)}^2+\mathrm{cvd}2{(i,j)}^2}$

b.求 $\stackrel{\‾}{M2}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}M2(i,j)$ 为二阶小波模的平均值，其中M与N是M2的行数与列数，同样求出一阶小波模与各阶高频部分系数的平均值 M1， chd2，cvd2， cdd2， chd1， cvd1， cdd1；

c.找出M2中大于 M2的点的位置，这些点就是信号突变点，往往在皮肤显微图像中就是毛发与表面纹理的位置。如果任意点M2(i，j)＞ M2，则令chd2(i，j)＝ chd2，cvd2(i，j)＝ cvd2，cdd2(i，j)＝ cdd2；

d.将二阶低频部分系数ca2与处理过的二阶高频部分系数重构，得到重构后的一阶低频系数rca1；

e.找出M1中大于 M1的点的位置，如果任意点M1(i，j)＞ M1，则令chd1(i，j)＝ chd1，cvd1(i，j)＝ cvd1，cdd1(i，j)＝ cdd1；

f.将重构后的一阶低频系数rca1与处理过的一阶高频部分系数重构，得到处理后的R分量R’；

g.对于G、B重复a)-f)的过程得到处理过的G’、B’。上述的RGB图像转换成S域图像的具体步骤为：

设图像的区域为n行m列，则

a.开设一个单元，记为T1(i，j)，存放图像中第i行、第j列的像素的R、G、B的最大值；

b.开设一个单元，记为T2(i，j)，存放图像中第i行、第j列的像素的R、G、B的最小值；

c.计算图像的第i行、第j列的像素的T1和T2，再计算出它相应的饱和度值

                    S_ij＝T1(i，j)-T2(i，j)

d.固定第i行，依次变化列，j从1到m，根据上式，计算出第i行的所有像素的饱和度值(S)值；

e.依次变化行，i从1到n，重复步骤c和d，计算出整个图像区各像素的饱和度值，完成将图像从RGB空间转换到S空间的工作。

上述的采用改进的S域动态域值分割提取方法的具体步骤为：

a.按照下式计算S图像的平均值A：

$A=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_{\mathrm{ij}}}{n\×m}$

b.按照下式计算S图像的标准方差σ：

$\mathrm{\σ}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(S_{\mathrm{ij}}-A)}^2}{n\×m}}$

c.计算动态阈值T＝A+ησ，其中的η为经验系数，取η＝3；

d.对S图像的各象素按照下式进行动态阈值处理，得到二值化的值S′：

$S^{\′}=\left\{\begin{array}{cc}0& S\≤T\\ 1& S>T\end{array}\right.$

采用最大类间方差动态阈值分割提取方法的具体步骤为：

a.设S图像的S值为0～L-1，用阈值t划分成小于t和大于t，得到两类C₀和C₁：C₀＝{0，1，...，t}，C₁＝{t+1，t+2，...，L-1}

b.以下式计算C₀类出现的概率：

$W_0=P\left(C_0\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{P}_i=W\left(t\right)$ 其中P_i为S值为i时的概率

c.以下式计算C₁类出现的概率： $W_1=P\left(C_1\right)=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_i=1-W\left(t\right)$

d.以下式计算C₀类出现的均值U₀：

$U_0=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i{P}_i/W_0=U\left(t\right)/W_0,$ 其中 $U\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i{P}_i$

e.以下式计算C₁类出现的均值U₁：

$U_1=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i/W_1=[U_T-U\left(t\right)]/(1-W_0),$ 其中 $U_T=U(L-1)=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i$

f.定义类间方差：D_B＝W₀(U₀-U_T)²+W₁(U₁-U_T)²＝W₀·W₁(U₁-U₀)²由式b-f的公式得知，类间方差D_B是t的函数，也可表达成D_B(t)；

g.t的区间在[0，L-1]，按f中的公式计算类间方差D_B(t)，从0到L-1以步长1依次改变t值，得到L个类间方差D_B(t)；

h.比较这L个类间方差D_B(t)，求得其中最大的为max D_B，此时对应的t记作为t^*，t^*即为最大类间方差法求得的阈值；

i.当S图像的各象素S值小于等于t^*时，S值用0代替；其余的用1代替，从而实现图像症状与背景的分离。

上述的分割提取的症状区域图像用形态学方法进行形态修正包含如下修正：

a.对于图像中的黑色小区域，若在像素为1的闭环区域内包含值为0像素的像素点，则人为将这些点置1，从而消除了图像中分散的黑色小区域；

b.对图像中的孤立白点，根据其所处位置的不同，采用不同的邻域法消除：

(a)对于对处于图像四个顶点，即左上角、右上角、左下角、右下角的孤立白点，进行3邻域统计，即若当前像素值为1，如果有2个像素以上的值为0，则人为将其置0，反之维持不变；

(b)对于处于图像四个边界(不包括四个顶点)的孤立白点，进行5邻域统计，即若当前像素值为1，如果有3个像素以上的值为0，则人为将其置0，反之维持不变；

(c)对图像中不在四周的孤立白点，进行8邻域统计，即若当前像素值为1，如果其周围有5个像素以上的值为0，则人为将其置0，反之维持不变。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：本发明中采用去噪声处理是运用二进小波图像进行变换，计算二阶小波分解后图像的模值，采用动态阈值的方法消除其中的局部极大值，有效地在保护图像有用信息的条件下去除皮肤图像中毛发等干扰，使重构的图象去除了噪声而保留了边缘信息；本发明中提出一种针对皮肤症状的自适应图像分割提取方法，将RGB图像转换成S图像，以皮肤症状图像的S域标准方差σ为判据，当σ较大(大于20)时，采用最大类间方差动态阈值法，当σ较小时(小于20)，采用改进的S域动态阈值分割方法，从而解决了大动态范围图像标准差的图像分割，使图像分割的效果得到了明显的提高；本发明中还采用形态学修正法对图像形态修正，从而最终得到清晰的症状区域二值图像。本发明提供的皮肤显微图像预处理方法是采用微机对皮肤症状进行自动识别的必要的前序环节，为皮肤图像的高层处理提供基础，适用于皮肤疾病诊断和美容等领域。

附图说明

图1是本发明一个实施例采用的系统框图

图2、图3、图4组成本发明实施例的图像预处理流程框图。

图5是雀斑皮肤的原始显微图像图。

图6是经小波去噪后的雀斑皮肤显微图像图。

图7是经S域转换后的雀斑皮肤的S域图像图。

图8是经最大类间方差法分割后的症状区域图像图。

图9是经形态学修正后的症状区域图像图。

具体实施方式

本发明的一个实施例是以雀斑皮肤为例，按前述的步骤进行其显微图像的预处理。

本实施例采用图1所示系统进行图像预处理：由VM-950型皮肤显微镜1对雀斑皮肤拍摄，其R，G，B视频信号由BT878图像采集卡2输入微机4，将皮肤显微图像预处理软件植入微机而进行预处理运算，然后由微机显示器5显示出症状与背景皮肤分离的二值图像。

微机4的预处理运算程序参见图2、图3、图4组合的图像预处理流程图。

根据前文的操作步骤对雀斑皮肤显微图像进行预处理：

1.由皮肤显微镜VM-950拍摄的视频信号，经BT878采样得到图5所示的雀斑皮肤的显微图像，可看到其表面有许多毛发。

2.采用二进小波去噪：将RGB图像对其R、G、B各分量分别进行。对于R：

(1)保留二阶分解后的低频部分系数ca2，记录一阶水平、垂直、斜对角的高频部分系数chd1、cvd1、cdd1，以及二阶水平、垂直、斜对角的高频部分系数chd2、cvd2、cdd2，以上系数都是以矩阵的形式保存的。分别求一阶、二阶的任意点M1(i，j)和M2(i，j)模值。

(2)求出二阶小波模、一阶小波模与各阶高频部分系数的平均值 M2， M1，chd2， cvd2， cdd2， chd1， cvd1， cdd1。这里求出的值分别为：26.1582，14.3608，2.8333，0.1209，-0.0245，0.1432，0.0275，-0.0280

(3)找出M2中大于 M2的点的位置，这些点就是信号突变点，往往在皮肤显微图像中就是毛发与表面纹理的位置。如果任意点M2(i，j)＞ M2，则令chd2(i，j)＝ chd2，cvd2(i，j)＝ cvd2，cdd2(i，j)＝ cdd2。

(4)将二阶低频部分系数ca2与处理过的二阶高频部分系数重构，得到重构后的一阶低频系数rca1。

(5)找出M1中大于 M1的点的位置，如果任意点M1(i，j)＞ M1，则令chd1(i，j)＝ chd1，cvd1(i，j)＝ cvd1，cdd1(i，j)＝ cdd1。

(6)将重构后的一阶低频系数rca1与处理过的一阶高频部分系数重构，得到处理后的R分量R’。

同样的方法得到G’、B’，最后将R’、G’、B’组合，便得到了图6示的去噪后的图像。

3.将图像从RGB空间转换到S空间，就得到图7所示的雀斑皮肤的S区域图像。

4.症状区域的提取：统计S图中的平均值A＝91与标准差σ＝36，计算结果显示σ＞20，选择最大类间方差法分割方式，求出阈值T＝144，得出图8所示的症状区域图像。

5.最后用形态学修正，首先根据图像的闭环区域，消除症状内的黑色区域。然后消除图像中的孤立白点，顶点采用3邻域法、四周采用5邻域法，中间采用8邻域法。得到图9所示的症状区域，是完整地、正确地分离出来的形态修正后的症状区域图像。

Claims (5)

1.一种皮肤显微图像的预处理方法，其特征在于由皮肤显微镜对有症状的皮肤表面拍摄获得的视频图像信号，经图像采集卡取样得到真彩色图像，将真彩色图像输入微机进行二进小波去噪声处理和自适应图像分割提取症状区域，然后在微机显示器上显示出症状与背景皮肤分离的二值图像；具体步骤为：

a.皮肤显微图像的采集：用显微镜拍摄有症状的皮肤表面，视频图像信号经图像采集卡取样，得到红(R)、绿(G)、蓝(B)真彩色图像，输入微机；

b.对植入皮肤显微图像进行预处理，步骤如下：

(a)采用二进小波去噪：将24位RGB真彩图像的数据区域分解，得出各像素点R、G、B值；并分别对R、G、B分量进行二维小波分解，得到处理过的R’、G’、B’，将R’、G’、B’组合，得到去噪后的图像；

(b)图像的S域转换：用公式S＝max(R，G，B)-min(R，G，B)将RGB图像转换成S域图像；

(c)症状区域的提取：以皮肤症状图像的S域图像标准方差σ为判据，当σ＜20时，采用改进的S域动态阈值分割提取法，当σ＞20时，采用最大类间方差动态阈值分割提取法，上述的S域图像标准方差σ为：

$\mathrm{\σ}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(s_{\mathrm{ij}}-A)}^2}{n\×m}}$

式中：

$A=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_{\mathrm{ij}}}{n\×m},$ i图像区域的行，n为总行数，j为图像的列，m为总列数；从而实现症状区域图像与图像背景的分离；

(d)形态修正：分割提取的症状图像用形态学方法进行修正，得到清晰的症状区域形态图像；

c.由微机的显示器显示出症状与背景皮肤分离的二维图像。

2.根据权利要求1所述的皮肤显微图像的预处理方法，其特征在于对RGB真彩图像的R、G、B分量进行二维小波分解的具体步骤为：

a.对于R，保留二阶分解后的低频部分系数ca2；记录一阶水平、垂直、斜对角的高频部分系数chd1、cvd1、cdd1，以及二阶水平、垂直、斜对角的高频部分系数chd2、cvd2、cdd2，以上系数都是以矩阵的形式保存的。分别求一阶、二阶的任意点(i，j)模值：

$M1(i,j)=\sqrt{{\mathrm{chd}1(i,j)}^2+\mathrm{cvd}1{(i,j)}^2}$

$M2(i,j)=\sqrt{{\mathrm{chd}2(i,j)}^2+\mathrm{cvd}2{(i,j)}^2}$

b.求 $\stackrel{\‾}{M2}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}M2(i,j)$ 为二阶小波模的平均值，其中M与N是M2的行数与列数，同样求出一阶小波模与各阶高频部分系数的平均值 M1， chd2，cvd2， cdd2， chd1， cvd1， cdd1；

c.找出M2中大于 M2的点的位置，这些点就是信号突变点，往往在皮肤显微图像中就是毛发与表面纹理的位置。如果任意点M2(i，j)＞ M2，则令chd2(i，j)＝ chd2，cvd2(i，j)＝ cvd2，cdd2(i，j)＝ cdd2；

d.将二阶低频部分系数ca2与处理过的二阶高频部分系数重构，得到重构后的一阶低频系数rca1；

e.找出M1中大于 M1的点的位置，如果任意点M1(i，j)＞ M1，则令chd1(i，j)＝ chd1，cvd1(i，j)＝ cvd1，cdd1(i，j)＝ cdd1；

f.将重构后的一阶低频系数rca1与处理过的一阶高频部分系数重构，得到处理后的R分量R’；

1、对于G、B重复a)-f)的过程得到处理过的G’、B’。

3.根据权利要求1所述的皮肤显微图像的预处理方法，其特征在于RGB图像转换成S域图像的具体步骤为：

设图像的区域为n行m列，则

a.开设一个单元，记为T1(i，j)，存放图像中第i行、第j列的像素的R、G、B的最大值；

b.开设一个单元，记为T2(i，j)，存放图像中第i行、第j列的像素的R、G、B的最小值；

c.计算图像的第i行、第j列的像素的T1和T2，再计算出它相应的饱和度值

                S_ij＝T1(i，j)-T2(i，j)；

d.固定第i行，依次变化列，j从1到m，根据上式，计算出第i行的所有像素的饱和度值(S)值；

e.依次变化行，i从1到n，重复步骤c和d，计算出整个图像区各像素的饱和度值，完成将图像从RGB空间转换到S空间的工作。

4.根据权利要求2所述的皮肤显微图像的预处理方法，其特征在于采用改进的S域动态域值分割提取方法的具体步骤为：

a.按照下式计算S图像的平均值A：

$A=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_{\mathrm{ij}}}{n\×m}$

b.按照下式计算S图像的标准方差σ：

$\mathrm{\σ}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(S_{\mathrm{ij}}-A)}^2}{n\×m}}$

c.计算动态阈值T＝A+ησ，其中的η为经验系数，取η＝3；

d.对S图像的各象素按照下式进行动态阈值处理，得到二值化的值S：

$S^{\′}=\left\{\begin{array}{cc}0& S\≤T\\ 1& S>T\end{array}\right.$

采用最大类间方差动态阈值分割提取方法的具体步骤为：

a.设S图像的S值为0～L-1，用阈值t划分成小于t和大于t，得到两类C₀和C₁：C₀＝{0，1，…，t}，C₁＝{t+1，t+2，…，L-1}

b.以下式计算C₀类出现的概率： $W_0=P\left(C_0\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{P}_i=W\left(t\right)$ 其中P_i为S值为i时的概率

c.以下式计算C₁类出现的概率：

$W_1=P\left(C_1\right)=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_i=1-W\left(t\right)$

d.以下式计算C₀类出现的均值U₀： $U_0=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i{P}_i/W_0=U\left(t\right)/W_0,$ 其中 $U\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i{P}_i$

e.以下式计算C₁类出现的均值U₁： $U_1=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i/W_1=[U_T-U\left(t\right)]/(1-W_0),$ 其中 $U_T=U(L-1)=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i$

f.定义类间方差

       D_B＝W₀(U₀-U_T)²+W₁(U₁-U_T)²＝W₀·W₁(U₁-U₀)²

由式b-f的公式得知，类间方差D_B是t的函数，也可表达成D_B(t)；

g.t的区间在[0，L-1]，按f中的公式计算类间方差D_B(t)，从0到L-1以步长1依次改变t值，得到L个类间方差D_B(t)；

h.比较这L个类间方差D_B(t)，求得其中最大的为max D_B，此时对应的t记作为t^*，t^*即为最大类间方差法求得的阈值；

i.当S图像的各象素S值小于等于t^*时，S值用0代替；其余的用1代替，从而实现图像症状与背景的分离。

5.根据权利要求2所述的皮肤显微图像的预处理方法，其特征在于对于分割提取的症状区域图像用形态学方法进行形态修正包含如下修正：

a.对于图像中的黑色小区域，若在像素为1的闭环区域内包含值为0像素的像素点，则人为将这些点置1，从而消除了图像中分散的黑色小区域；

b.对图像中的孤立白点，根据其所处位置的不同，采用不同的邻域法消除：

(a)对于对处于图像四个顶点，即左上角、右上角、左下角、右下角的孤立白点，进行3邻域统计，即若当前像素值为1，如果有2个像素以上的值为0，则人为将其置0，反之维持不变；

(b)对于处于图像四个边界(不包括四个顶点)的孤立白点，进行5邻域统计，即若当前像素值为1，如果有3个像素以上的值为0，则人为将其置0，反之维持不变；

(c)对图像中不在四周的孤立白点，进行8邻域统计，即若当前像素值为1，如果其周围有5个像素以上的值为0，则人为将其置0，反之维持不变。

Images