梁俊花1 王 强2 赵志升1 刘乃迪1
1 河北北方学院信息科学与工程学院 河北省张家口市 075000
２河北北方学院附属第二医院 河北省张家口市 075000
【摘 要】医学图像在现代医疗诊断中发挥着重要作用，医学图像分割是其处理的关键环节。医学图像具有信息量大、异构性、噪声显著性等特点，大多数方法对高容量的医学图像处理速度较慢，或未能充分考虑图像的细节及奇异点的变化，不能很好地表达医学图像的内容。为了有效解决上述问题，我们从医学图像的特点出发，灵活构造了一种跟随边缘变化的自适应提升方案，能够有效地保护医学图像的边缘细节，为医生临床诊断提供更可靠的依据。
教育期刊网 http://www.jyqkw.com
关键词 自适应；提升小波；图像分割；边缘检测
1 引言
医学图像处理是一个多学科交叉的研究领域，涉及计算机图形学、数字图像处理、生物医药工程等学科的相关知识。医学图像分割技术是医学图像处理与分析中的关键技术，图像分割的目的是将原始图像分成不同性质( 如灰度、纹理等) 区域，并提取和显示出来，使其尽可能地接近解剖结构。近年来，已经研究出许多有效的技术，如阈值法、区域法、边缘检测法、小波变换法等[1]。
阈值法是一种简单而有效的方法，特别是对于背景与目标区域对比度较大的图像，分割结果更为理想。该方法从图像本身灰度值的变化出发，忽略了像素的空间分布，易受噪声影响，而且对灰度值变化丰富的医学图像效果较差。
区域生长法是选取种子像素点，随后将与其相似的像素合并到它所在的区域的方法。在医学图像病灶分割时，如果种子点选取得当，这种方法可以自动找到病灶的边界，能为医生的诊断提供定量及定性的依据。但是区域生长法对噪声敏感，如果种子像素点选取不当，分割结果就会出现错误，并且对于图像中灰度值，相近但不相邻的多个区域很难一次全部分割出来。
边缘检测经典算法有Canny 算子、Sobel 算子、Laplacian 算子、Prewitt 算子、LOG 算子等。算子的检测算法提高了医学图像分割的速度，主要基于像素值的梯度变化，容易受边缘的像素值变化影响，可能会得到不连续或虚假边界。
小波变换是对Fourier 分析的继承与发展，利用小波变换进行医学图像分割的基本方法是通过小波变换将图像直方图分解成不同级别的系数，用尺度控制并依照小波系数和给定的分割准则来选择阈值[2]。
小波变换在较大尺度上由噪音引起的细小突变较少，容易描述医学图像信号的整体行为，可检测出医学图像灰度值变化较大的轮廓，因此可以通过在不同尺度下逐步确定阈值来处理医学图像。这种传统的小波变换的方法将图像进行了全局平滑处理，忽略了医学图像的细节和突变信息，丢失了一部分重要特征[3]。我们根据医学图像复杂的纹理分布及影像图像的特殊性，改进了原有的提升小波方案，该算法能够实现对医学图像的实时定位和自适应处理，运行成本低，可以取得较好的图像分割和特征提取效果[4]。
2 自适应提升小波方案
2.1 基于提升的二维自适应提升小波格式
在该部分，我们设计了一种更新算子和预测算子同时自适应的提升小波结构，如图1 所示。
3 实验
选取肺部CT 图像作为测试，以检验本文所提自适应提升小波的应用效果。将该方法与经典的边缘检测算法如：roberts算子、sobel 算子、log 算子进行比较，检测结果如图。
通过实验分析我们可以得出：roberts算子采用对角方向相邻像素之差来估计梯度，对具有陡峭的低噪声的图像处理效果较好，但是利用roberts 算子提取边缘的结果是边缘比较粗，因此边缘定位不是很准确；sobel 对边缘定位比较准确；log 算子通过检测二阶导数过零点来判断边缘点，它的定位精度、单边缘响应和边缘的连通性都不错，而使用不同的模板产生的边缘有很大差别，自适能力较差。本文设计的提升小波可以自动跟踪图像各部分纹理的变化，有效保护图像的细节突变点。
4 总结
本文在传统提升小波的基础上设计了一种自适应更新算子和预测算子，凸显了图像细节分量在整个医学图像分割中的作用，避免了信息的丢失。实验结果显示了该方法对细节及边缘的保护作用，能够很好的分割图像。
教育期刊网 http://www.jyqkw.com
参考文献
[1] 袁华, 岑人经, 藤奇志, 等. 医学图像处理中的边缘检测方法进展( 综述)[J]. 暨南大学学报( 自然科学版),2000,21(1):69-72.
[2] 康颐. 基于小波变换的医学CT 图像边缘检测技术研究[D]. 四川: 成都理工大学,2008.
[3] 王亚男. 基于提升小波和形态学的医学图像边缘检测[D]. 太原: 太原理工大学,2013.
[ 4 ] X u a n W a n g , J u n h u a L i a n g , O n - l i n efast palmprint identificationb a s e d o n a d a p t i v e l i f t i n gwavelet scheme，Knowledge-BasedSystems.2013,42:68-73.
作者简介
梁俊花(1985-), 女, 硕士学位。现为河北北方学院信息科学与工程学院助教, 研究领域为图像处理, 模式识别。
王强(1987-), 男, 大学本科学历。现供职于河北北方学院附属第二医院，研究领域为医学图像处理。
赵志升(1965-), 女, 硕士学位。现为河北北方学院信息科学与工程学院教授, 研究领域为大数据, 图像处理。
刘乃迪(1987-), 女, 硕士学位。现为河北北方学院信息科学与工程学院助教, 研究领域为数字图像处理。