基于ct医学图像的边缘提取研究

《基于ct医学图像的边缘提取研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于CT医学图像的边缘提取研究作者：张小萍，朱志松，王君泽【摘要】为了实现人体器官的三维重建，如何准确、有效地提取二维医学图像的边缘成了首要解决的问题。我们提出一种新的图像边缘提取方法，该方法先将原始CT图像二值化，然后利用数学形态运算对二值化图像进行预处理，最后利用Canny算子提取图像边缘。通过肾脏CT图像边缘提取结果表明，该方法简单、高效、性能优越。【关键词】CT图像；边缘提取；数学形态学；Canny算子ResearchontheEdgeExtractionofCTImageZHANGXiaoping，ZHUZhi

2、song，WANGJunze(NantongUnivirsity,Nantong226019,China)Abstract：Toreconstructthebodyorgansin3-D,howtoextracttheedgesfrom2-Dmedicalimagesaccuratelyandeffectivelyhasbenentheprimarilyproblem.Therefore,anewmethodofedgeextractionwasintroducedinthispaper.TheoriginalCTima

3、gewasbinarizedfirstlyandthenpreprocessedbymathematicalmorphologyoperating.Finally,theimageedge11wasextractedbytheCannyalgorithm.TheresultsofkidneyCTimageedgeextractionshowthatthemethodissimple,efficientandsuperiorperformance.Keywords：CTimage；Edgeextraction；Mathem

4、aticalmorphology；Cannyalgorithm1引言随着计算机技术、CT（计算机断层扫描）、MRI（核磁共振）等医学影像技术的不断发展，虚拟现实技术也越来越多地应用到现代医疗领域。利用计算机图像处理和数据可视化技术，根据医学影像设备提供的二维断层图像，进行人体器官的三维重建已是现代医学重要发展方向之一。肾脏疾病的外科手术是泌尿外科中的一个重点和难点，因此，根据CT二维图像重构肾脏及其周围结构的三维模型，有助于医生选择最佳手术路线、减少手术损伤、提高手术成功率［1］。CT二维图像的边缘提取作为器官三维重构的

5、第一步，一直受到国内外学者的关注，提出了众多的边缘检测算法，如小波变换法、神经网络法、模糊技术法等［2］。近几年，随着数学形态学理论的不断完善与发展，数学形态学在图像边缘检测中得到了广泛的应用［3-5］。本研究正是在数学形态学的基础上，结合Canny算子，以肾脏为例，进行了CT图像的边缘提取。112数学形态学在图像预处理中的运用数学形态学是一门新兴的、以形态为基础对图像进行分析的学科。它利用具有一定结构和特征的结构元素对图像进行匹配，以实现对图像的分析和识别，在去除噪声、边缘检测等图像预处理问题中有着明显的优势［6］。数

6、学形态学定义了两种基本变换，即膨胀（Dilation）和腐蚀（Erision）。首先介绍其定义［7］：设F是原始图像，B是结构元素，膨胀运算定义为：D(F)=FB=｛(x,y)/Bxy∩F≠Φ｝(1)即B对F膨胀产生的二值图像D（F）是由这样的点（x,y）组成的集合，若图B的原点位移至（x,y），那么它与F的交集非空。腐蚀运算定义为：E(F)=FΘB=｛(x,y)/BxyF｝(2)即B对F腐蚀产生的二值图像E（F）是由这样的点（x,y）组成的集合，若图B的原点位移至（x,y），那么B将完全包含于F。11由上述两种基本

7、运算可以复合得到开启、闭合变换。开启是对图像先腐蚀后膨胀的过程，F用B来开启，其数学表达式可记为：F·B=(FΘB)B(3)闭合是对图像先膨胀后腐蚀的过程，F用B来闭合，其数学表达式可记为：F·B=(FB)ΘB(4)上述4种运算中，膨胀可以填充图像中的小孔及图像边缘上小的凹陷部分；腐蚀可以消除图像中细小的成分；开启则具有消除细小物体、在纤细处分离物体和平滑较大物体边界的作用；闭合则具有填充物体内细小孔洞、连接临近物体和平滑边界的作用。利用数学形态学进行图像预处理时，选择简单、表现力强的结构元素是关键，是形态变换中最重

8、要的参数；其次，还要综合考虑目标体的清晰度和噪声的大小来选取结构元素的大小［8］。一般目标体轮廓不清晰时，选择较小的结构元素；噪声颗粒较大时，选择较大的结构元素。113Canny算子的边缘检测原理经过数学形态变换之后，图像的边缘将变得清晰、突出，此时，图像的边界信息可以被方便地提取出来。传统的算法有Sobel、Pro