肺部图像边缘检测算法研究及DSP硬件实现

《肺部图像边缘检测算法研究及DSP硬件实现》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。

太原理工大学硕士研究生学位论文肺部图像边缘检测算法研究及DSP硬件实现摘要IIIIWllllllllllllllllJMIII[IIY2395455医学图像处理对于医生的诊断治疗有着重要作用，医院里许多疾病的检查都要通过拍CT．图像进行，包括肺病的检查，而肺癌的发病率以每年O．5％的速度增长，也是世界上发病率和死亡率最高的恶性肿瘤，这些疾病的治疗也要依靠拍摄的CT图像。医生长时间观察大量的CT图像，难免产生视觉疲劳，并且一些细小的病变难以用肉眼观察到，因此通过计算机进行医学肺部CT图像的处理就显得极为重要。图像边缘检测是图像分割、融合以及三维重建的前提，是图像处理的重要环节，有助于提高医生的诊断效率。针对以往常见的图像边缘检测方法检测精度不高或抗噪性能不好等方面问题，本文实现了经典的边缘检测算法，在研究了小波变换和数学形态学边缘检测算法的基础上，提出了边缘检测的两种改进方法，并将改进的算法通过CCS软件编程，在DSP硬件上实现。针对课题研究的小波变换联合数学形态学的图像边缘检测，本文做的主要工作如下：(1)对常用的边缘检测算法进行了学习，如经典的边缘检测算法、基于小波变换的边缘检测算法和基于数学形态学的边缘检测算法，并对算法分别进行了MATLAB仿真实验；(2)在研究了基于小波变换和数学形态学的图像边缘检测算法的前提T 太原理工大学硕士研究生学位论文下，提出了边缘检测的两种改进方法，一种是小波阈值去噪联合数学形态学边缘检测算法，另一种是改进的形态学边缘检测算法，并将两种算法分别在MATLAB上进行了仿真，实验结果表明改进的算法能够检测到清晰度更高，抗噪性能更好的边缘，同时验证了改进算法的有效性和可行性。(3)将改进的边缘检测算法在DSP硬件上实现。硬件系统采用以TMS320DM6446微处理为核心的视频图像硬件开发平台，并在软件CCS(CodeComposerStudio)开发环境下编程实现图像边缘检测算法，实验结果通过CCS的图形显示窗口显示，以验证算法在硬件设备上的实现效果和算法的可行性。关键词：小波变换法；数学形态学；肺部图像；边缘检测；DSP 太原理工大学硕士研究生学位论文THERESEARCHOFLUNGIMAGEEDGEDETECTIONALGORITHMANDDSPHARDⅥ，AREIMPLEMENl7ATl0NABSTRACTMedicalimageprocessingplaysanimportantroleonthedoctor’Sdiagnosisandtreatment．ExaminationofmanydiseasesinthehospitalrelayontheshootingCTimages，includingexaminationofthelungdisease，lungcancerincidencerategrowbyO．5％peryear,ismalignanttumorswiththehighestincidenceandmortalityratesintheworld，thetreatmentofthesediseaseshavetorelyontheshootingCTimage．IfdoctorsobservealargenumberofCT‘2esforltime．‘‘vitabletoproducevisua‘fati；ue，anditlmaIoraongtimeit1SmewtabletoproouceVlSUaltaugueanaItas2eSl，difficulttoobservesomesmalllesionswiththenakedeye，SOitbecomesextremelyimportanttoprocessmedicallungCTimagethroughcomputer．Theimageedgedetectionispremiseofimagesegmentation，fusionandthree—dimensionalreconstruction，alsoisanimportantpartoftheimageprocessingtohelpimprovetheefficiencyofthedoctor’Sdiagnosis．Asforpreviouscommonimageedgedetectionmethod，detectionaccuracyisnothigh，anti—noiseperformanceispoorandotheraspectsshortcoming，fortheseproblem，Thepaperrealizedtheclassicedgedetectionalgorithm，andthenproposedtwoimprovededgedetectionalgorithmafterstudyingthewavelettransformandmathematicalmorphologicale：tgedetectionalgorithm，atlast，implementedthetwoimprovedalgorithmsontheDSPhardwarethroughtheCCSsoftwareprogramming．Fortheresearchofimageedgedetectionalgorithmbasedonwavelettransformandmathematicalmorphology,thispaperdosomework，whichisasfollows：III 太原理工大学硕士研究生学位论文(1)Studyseveralcommonimageedgedetectionalgorithmsappearedinrecentyears，suchastheclassicedgedetectionalgorithm，edgedetectionalgorithmbasedonwavelettransformandedgedetectionalgorithmbasedonmathematicalmorphology,andsimulatethesealgorithmsrespectivelyin悯LAB．(2)Underthepremiseofstudyingimageedgedetectionalgorithmbasedonwavelettransformandmathematicalmorphology,thepaperproposedtwoimprovedalgorithms，oneisthewaveletthresholdingjointimprovedmorphologicaledgedetectionalgorithm；anotherisimprovedseparatelymathematicalmorphologyedgedetectionalgorithm；anditsimulatedthetwoimprovedalgorithmsinMATLAB，experimentalresultsshowthattheimprovedalgorithmsareabletodetectahigherresolutionandbetteranti—noiseperformanceedge，atthesametime，verifytheeffectivenessandfeasibilityoftheimprovedalgorithm．(3)ImplementtheimprovededgedetectionalgorithmsintheDSP-'⋯●一hardware．UsingvideographicshardwaredevelopmentplatformwhichthecoreisTMS320DM6446microprocessorasthehardwaresystems．ProgrammingimageedgedetectionalgorithmsthroughthecorrespondingsoftwareimplementationenvironmentCCS(CodeComposerStudio)，displaytheexperimentalresultsbytheCCSgraphicsdisplaywindowtoverifytheimplementedresultsofalgorithmsinhardwareandthefeasibilityofalgorithms．KEYWORDS：Wavelettransform；Mathematicalmorphology；Lungimage；Edgedetection；DSPIV 太原理工大学硕士研究生学位论文目录第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．11．1课题来源与意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．2边缘检测技术的发展⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．21．3国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．31．4论文完成工作及结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．61．4．1论文完成工作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一61．4．2论文结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．8第二章图像边缘检测的方法及MATLAB实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．112．1边缘检测及评价方法概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯122．1．1边缘检测方法概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯122．1．2边缘检测评价方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯142．2经典边缘检测算法及MATLAB实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．152．2．1Robert算子及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．162．2．2Sobel算子及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯182．2．3Prewitt算子及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．182．2．4Canny算子及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．192．2．5拉普拉斯算子及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2l2．3小波变换边缘检测算法及MATLAB实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．222．4数学形态学边缘检测算法及MATLAB实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．262．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯29第三章小波变换联合数学形态学的肺部图像边缘检测算法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯3l3．1小波变换联合数学形态学方法的提出⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3l3．2小波阈值去噪⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯323．2．1去噪步骤⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯323．2．2软件编程实现方法和核心程序⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯333．3改进的形态学边缘检测算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯333．3．1结构元素的选取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯34V 太原理工大学硕士研究生学位论文3．3．2改进的抗噪型边缘检测算子⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯343．3．3采用改进的算子对图像进行边缘检测⋯⋯⋯⋯⋯⋯一⋯⋯⋯⋯⋯⋯⋯一353．4软件编程实现方法和核心程序⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯363．5实验过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯373．5．1实验流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯373．5．2实验环境⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯383．5．3实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯383．6本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯41第四章改进的形态学边缘检测算法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯434．1结构元素的选取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯434．2改进的复合型抗噪边缘检测算子⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯434．3改进的权值计算方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯444．4采用改进的算法对图像进行边缘检测步骤⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯454．5实验过程及结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯454．5．1算法实现流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯454．5．2实验环境⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯464．5．3实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯464．6本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯52第五章边缘检测算法的硬件实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯535．1硬件系统整体方案⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯535．2DSP图像处理系统的硬件开发平台⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯545．2．1图像处理系统的硬件平台介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯545．2．2TMS320DM6446芯片功能概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯545．2-3视频解码模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯555．2．4外部存储模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯565．3DSP图像处理系统的软件开发平台⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯565．3．1集成开发环境CCS软件介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一565．3．2．cmd文件的配置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯57VI 太原理工大学硕士研究生学位论文5．4系统软件设计流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯585．5边缘检测算法程序流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯6l5．6CCS软件图形显示窗口显示结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯625．7本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯65第六章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯67参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．69致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯73攻读研究生期间发表过的论文⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．75VII 太原理工大学硕士研究生学位论文VIII 太原理工大学硕士研究生学位论文1．1课题来源与意义第一章绪论弗一早三百记医学图像处理是通过计算机等设备对临床上得到的图像进行处理，可以使临床医学对人体内部的病变部位观察的更清晰、更准确、更直接，对医学科研和临床实践具有重要的作用和影响，已经成为临床上病理分析、诊断及治疗的重要依据和手段，在医学图像研究领域中起着举足轻重的作用。医学图像处理主要包括医学图像滤波、医学图像的边缘提取以及医学图像的三维重建等l】．2j。近年来，医学图像处理技术的发展已经越来越成熟，相应的处理算法也是层出不穷，包括近几年来热门的小波变换、数学形态学、模糊理论以及神经网络算法，各种算法都对其特定的图像进行了效果较好的处理，但是大部分的文献和研究成果都是针对某一领域的图像，处理的结果也因实际需要而不同，目前尚未有一种通用的算法对各种类型的图像都适用，所以针对某一种处理方法，寻找一种通用的算法对更多的图像进行处理也是图像处理领域的难点与热点。在医学图像处理中，采用算法对图像进行边缘检测是其它处理的关键和前提，它是医学图像后期处理与分析的基础，主要针对的是造影血管的检测、肿瘤病灶的确定以及医学图像的匹配等，所以边缘检测的结果会直接影响到病人后续的治疗过程。传统的一些边缘检测算子主要以空间运算为基础，这些空域边缘检测算子对噪声比较敏感，导致在对图像进行边缘检测的同时也会增强噪声，而医学图像的获取环境和方法注定获得的图像肯定含有一定的噪声，所以传统的边缘检测算子不适合于医学图像处理13j。因此，针对医学图像的特点，研究更有效的医学图像处理方法有着重要意义。本课题将对小波变换和数学形态学相结合的图像边缘检测算法进行改进，提出一种新的边缘检测算法，对肺部病灶图像进行边缘检测，这种新的边缘检测算法将能有效地提取比较完整、定位准确的肺部病灶图像边缘，然后将此种算法在DSP上进行实现。TMS320DM6446开发板是TI公司推出的新一代产品，主要面向图像处理领域和通信领域，当应用于实时图像处理时，可以实现更复杂的算法、提高系统的实时性、降低系统的体积和功耗【4】。在地理勘测、遥感信息处理、航空信息处理以及医学图像处理等领域中，都存在大量的数据需要后续处理，而TI公司生产的以DM6446芯片为核心的开发平台具有高性 太原理工大学硕士研究生学位论文能的图像处理能力和通用可编程能力，因此通过DSP实现图像处理算法可以节省大量的时间，比起其他技术有很大的优越性‘51。本课题以CCS和VisualC++为开发工具，对基于DSP实时图像处理平台进行深入研究，最终将改进的算法在DSP上进行实现。1．2边缘检测技术的发展近年来，随着图形图像技术的日渐成熟，计算机及其相关技术也得到迅猛发展，更多的计算机技术应用于医学领域中，开创了数字医疗的新时代。自20世纪90年代起，借助计算机网络技术、计算机图形学等技术对医学影像进行处理与分析，可以使得治疗水平大大提高，已经成为国内外研究与应用的热点，也渐渐成为一门具有特色的交叉学科【6】o从二十世纪七十年代起，国内外的许多专家就已经对图像边缘检测进行了深入的研究，付出了巨大努力，至今也己提出了上千种不同的算法。由于图像边缘检测的复杂性及其对图像处理和分析的重要性，近几年关于图像边缘检测的成果越来越多，每年都有上百篇相关的文献17J。不同的文献都根据各自图像处理的目的采用了不同的算法，其中关于图像边缘检测的算法也有许多，除了对经典的边缘检测算法(一阶导数法和二阶导数法)进行改进外，人们比较感兴趣的新算法有基于模糊数学理论的图像边缘检测；基于数学形态学的图像边缘检测；基于小波变换的图像边缘检测，基于遗传算法的图像边缘检测；基于神经网络的图像边缘检测等。这些新算法的边缘检测研究是目前边缘检测算法的主要研究方向，同时将两种或更多种算法进行相互结合产生新的算法，然后再对图像进行边缘检测的思想也越来越多，并且也得到了一些较好的实验结果，例如将模糊数学与统计理论结合起来的算法、将小波变换的多分辨率分析应用到其他算法中等等。1980年，Pal和King最早开始提出基于模糊理论的边缘检测算法，之后也有许多学者对模糊理论进行了研究，得到一些新的算法，其中李弼程等人对传统的单层次的模糊增强算法进行改进，提出了多层次的模糊增强算法，并将其应用于图像的边缘检测上，在模式识别和图像处理中起到了良好的应用，优于传统的处理效果【&10】。数学形态学在近几年的图像处理领域中已经成为一个重要的研究方向，采用数学形态学对图像进行处理，其基本操作过程是先选用一些结构元素，这些结构元素其实是一些维数较小的二维矩阵，由0和1组成；然后将这些结构元素和待处理的图像通过一定的算法进行相互运算；最后得到处理后的图像。在数学形态学中，对图像进行膨胀运算、腐蚀运算、开启运算和闭合运算是四种最基本的操作，对图像进行膨胀相当于按照一定2 太原理工大学硕士研究生学位论文规则对图像增加像素，腐蚀相当于按照一定规则对图像减少像素，所谓开启运算，就是对图像先进行腐蚀操作再进行膨胀操作，而闭合运算和开启运算互为对偶运算，是指对图像先进行膨胀运算再进行腐蚀运算【111。采用形态学对图像进行处理的特点是算法简单，适合于并行处理，易于进行硬件实现。小波变换作为傅里叶变换的继承与发展，拥有许多傅里叶变换不具有的优点，尤其是其多分辨率(也叫多尺度)分析的特点，使得它更适合于对信号进行处理和分析。采用多尺度小波变换对图像进行边缘检测，可以在小尺度下精确地定位边缘，在大尺度下更好地抑制噪声，将大小尺度相结合就可以获得抗噪性能好、精确性高的边缘。S．Mallat在1992年采用二阶中心B样条实现了多尺度边缘提取，为后来的小波边缘提取奠定了良好的基础【坦J。之后也有许多学者关于多尺度小波变换边缘检测进行了研究，并提出一些改进，主要的改进方法有：构造新的小波基函数、小波分解尺度的自适应选择、阈值的自适应选取以及方向小波等。目前有很多种小波都可以进行图像的边缘检测，如Haar小波、B样条小波、正交小波、双正交小波以及非正交小波等等陋15】。边缘检测的算法虽然有很多，但是针对不同的目标和不同的检测目的，都需要采用不同的算法，很多时候不周情况下的检测结果都不具有可比性。已经有学者将小波变换和数学形态学联合起来应用于遥感图像和航空图像的检测【16I，并且取得了不错的检测结果，这两种图像和医学图像的共同点就是图像的摄取环境都比较复杂，图像中包含的信息也比较多，对肺部图像的边缘检测来说，将小波变换和数学形态学相结合对肺部图像进行边缘检测的研究相对比较少，寻找一种更好的方法对不同人的肺部图像进行检测具有重要的意义。1．3国内外研究现状单独使用小波变换法或者数学形态学都可以对图像进行边缘检测，学者们在这两种方法的研究上也有一些进展，然而在研究过程中，慢慢地人们发现将两种方法各取所长，然后结合起来对图像进行边缘检测，会得到更好的效果。于是将两种不同的方法相融合对图像进行边缘检测便成了现在图像处理方向的新趋势，研究成果也略微少一些。下面就单独使用小波分析、单独使用形态学、两种方法相结合进行图像处理方面的发展分别进行总结。小波分析是建立在泛函分析、Fourier分析、调和分析以及样条分析等基础上的一种新的分析方法，因为其在时域和频域同时具有良好的局部化特性，常被誉为“数学显微3 太原理工大学硕士研究生学位论文镜”。基于小波变换的图像处理方法得到了迅速的发展，在医学影像领域也受到人们越来越多的关注和重视【17J。关于小波变换在图像处理方面的改进方法中，值得关注是多尺度小波分析，很多基于小波变换的图像处理算法中采用的也是多尺度小波分析法，因为单小波基不具备小波图像处理所需要的所有性质，例如图像去噪上，限制了单小波系数收缩算法去噪效果的提高，因而人们开始更多的关注优点较多的多小波【18,19】。郭建等人把图像变换到多小波域，并提出一种自适应的多小波阈值去噪算法。重点是文中所用的方法不需要去噪图像的其它任何先验知识，只需要通过含噪图像本身就可以自动地确定多小波域内的小波系数收缩阈值，对标准的256灰度医学CT图像进行了仿真实验，结果表明文中的算法对于高度污染的图像，去噪效果更加显著，不但达到了很好的去噪效果，而且在去噪的同时还保留了图像的细节信息和纹理特征。商艳丽等人对形态学边缘检测算子进行改进，然后采用多尺度算法，对各尺度都采用形态学算法进行边缘检测，最后采用非均匀权值方法将各个尺度下得到的边缘进行融合得到最终的边缘，得到一种基于形态学多尺度算法的肺部CT图像边缘检测方法，并且通过实验验证，该方法不但能检测出肺部图像的边缘而且能很好地抑制噪声，是一种有效的肺部CT图像边缘检测方法【20】。赵德春等人也采用数学形态学对图像进行边缘检测，结合多尺度结构元素和多尺度算法的特点，针对医学图像中存在的噪声问题，提出了一种改进的边缘检测算法，并且使用改进的算法对MRJ图像和典型的Lena图像进行了边缘检测【2¨，实验结果可以看出，对比与传统的形态学边缘检测方法，文中所采用的改进方法更能提高边缘的分辨率，具有一定的实用性。国内外的科研工作者针对不同的应用需求，在小波变换和数学形态学相结合的图像处理方法上，提出了各种有针对性的改进算法。近年来，小波变换法结合数学形态学在医学图像处理上的应用也越来越多，并且有一些新的进展。通过阅读大量文献，就最近几年来小波变换和数学形态学方面国内外的学者提出的一些改进方法进行学习，总结如下。赵大哲等人在肺部图像分割算法中引入了小波变换和数学形态学，采用小波变换对图像进行分解，然后运用数学形态学对分解后的高低频分量分别执行不同的操作，利用改进后的算法，对医院的36组临床HRCT数据进行分割，并与手工分割结果和通常算法的分割结果进行了比较。结果表明，该方法分割结果准确，能有效提高肺组织分割的平均敏感性。4 太原理工大学硕士研究生学位论文蒋黎丽根据最新CT技术成果，应用CT对进行人体肺部功能的检查，在她的算法中也引入了小波变换和形态学相结合的思想，首先在保证左右两肺相互分开的前提下，通过去除图像背景和位于胸腔中的大气管的干扰，正确地分割出肺实质，然后通过小波变换的分割方法精确搜索和检测肺瘤组织。文中所用到的改进方法的优点是算法能完全自动、准确地对一个CT图像序列中的每一个图像分别采用阈值、基于形态学和小波变换相结合的方法分割出图像序列中每一帧图像的肺部区域并剔除其中的病变组织。此种方法简单、易于实现，且分割速度非常快122J。国外同样也有一些新的进展，如ZhenZhang，SiliangMa在二维小波变换的基础上，提出了一种基于方向小波变换的边缘检测，保留了可分离滤波器、计算的简洁性以及二维滤波器设计的优点，此外，还重新定义了相应的梯度幅值，描述了一种新的非最大抑制算法，实验结果表明新的算法仍然保持着可分离小波变换的简洁性，而且计算复杂度低，同时显示出对边缘位置定位精确的优势，此外，一些实验也能表明这种新算法的有效性和可行性，这种新算法可以应用于许多影像处理应用中【23J。FudeGuo等人提出了一种新型的非线性加权统计算法用来在多相流中提取边缘，这种算法是基于小波分析的灰度图像的多尺度边缘检测，在这种方法中，沿着相角方向的灰度梯度的局部模极大值被认为是一幅图像的可能的边缘。采用均值为0的二维离散高斯函数作为平滑滤波器，对滤波器的长度，规模，提取边缘的阈值的影响进行了详细讨论，为了实现多尺度检测，在一系Nd,波变换尺度下，小波变换局部模极大值计算用来检测一幅图像可能的边缘，改进后的高斯函数可以非线性地权衡不同尺度上可能的边缘检测，改进后的统计函数可以分析所有尺度上每个像素作为边缘的概率。和Canny算子比起来，即使在很强的噪声和光线反射下，这种新算法也能完美地提取边缘，展示了在多相流中提取边缘的可能性。FrankY．Shih等人提出了使用自适应数学形态学和边缘连接的应用程序填充边缘部分的缝隙，通过使用合适大小的椭圆形结构元素对破损边缘进行形态学膨胀操作，使它沿着斜方向扩展。结构元素的大小随局部特点调整，如坡度和曲率【24】。使用迭代的方式进行边缘连接操作，确保破损的边缘能渐渐地、平滑地连接起来，而物体的细节部分也能得以保留。Tian．gangLi等作者采用多结构元素和灰度进行图像边缘检测，提出基于数学形态学的灰度边缘检测的新方法【251。并通过对胃肿瘤的病理细胞图像进行检测，与二进制形态边缘检测的结果进行比较，发现新的方法有一定的优点，获得了一种理想的边缘检测5 太原理工大学硕士研究生学位论文方法。由于医学图像的复杂性，到现在，学者们采用的算法都是针对某一方面的需求而进行的改进，还没有一种较好的医学图像处理方法，可以满足人们的不同需求。对医学图像进行一些处理并进行硬件实现的文章也有一些，但是大多数的文章都是关于算法的改进，算法改进并进行硬件实现的不多。应用DSP系统进行数字图像处理，拥有很多其他系统不具备的优点，比如编程相对简单，接口也比较方便，尤其是利用DSP处理的稳定性高，已经得到了普遍的应用，所以基于DSP的图像处理算法研究也得以较快发展。例如：穆伟斌提出基于断层医学图像处理的研究及其DSP实现，文中不但提出基于模糊学理论的边缘检测算法和基于边缘和最大互信息准则的配准算法，而且以TI公司的ICETEK．DM642．AVM评估板为例，以TMS320DM642芯片为核心，设计了一个基于DSP的医学CT图像处理系统软件和硬件设计方案。最后将改进算法在设计的硬件系统中进行实现，并将实现的结果通过正浏览器显示，设计的系统可以帮助临床医生进行一些辅助诊断，包括阅读医学CT胶片，提高了医生诊断的速度和精度㈣。金泽安结合DSP在生物医学中的研究和应用，研究了对红细胞的处理方法，首先对红细胞图像进行采集，并对图像去噪，目的是增强图像的信噪比和对比度、为下一步的形态学操作提供更好的数据，然后对图像进行膨胀和腐蚀等操作，统计红细胞的数目，整个过程都是实时的，最后以CCS和VisualC++为开发工具，在DSP软件环境中进行代码优化并实现算法，实验表明文中所设计的一套DSP软件及硬件系统的性能比较稳定‘2"。根据上述小波变换联合数学形态学在医学图像边缘检测上的国内外发展状况，以及通过阅读其他的更多的论文，构思出本课题的主要改进方法，关于小波变换的主要改进方法有：一、构造新的小波基函数；二、小波分解尺度的自适应选择；三、阈值的自适应选取以及方向小波等；关于数学形态学的主要改进方法有：一、结构元素的选择上更偏向于选择多方位和多尺度的结构元素；二、形态学边缘检测算子的改进；三、权值的计算方法改进。然后再将改进后的方法在DSP上进行实现，达到理论结合实际应用的目的。1．4论文完成工作及结构安排1．4．1论文完成工作6 太原理工大学硕士研究生学位论文(1)研究目标采用改进的全方位结构元和多尺度结构元分别对肺部病灶图像进行边缘检测，然后将小波变换和数学形态学结合起来对大量的肺部病灶图像进行处理，并与经典的边缘检测方法进行对比，尝试期望寻找一种方法能够得到准确率较高的边缘检测结果。并且最终能在DSP上进行实现。(2)研究内容1)改进的多尺度小波变换、数学形态学在肺部病灶图像上的研究。本文研究了两种改进方法，一种主要是先通过多分辨率分解将图像分解为若干低频和高频图像，然后采用阈值函数进行处理，并将处理后的图像进行重构，再使用改进的数学形态学对重构后的图像进行边缘提取，最后得到处理结果。另一种是对形态学边缘检测算子进行改进，得到抗噪的新型形态学边缘检测算子，并对权值计算方法进行改进，最后采用全方位结构元和多尺度结构元对图像进行检测，得到检测结果。2)阈值和阈值函数的选择，以及边缘提取算法的研究。采用小波变换对图像进行边缘检测时，无论是对图像进行模极大值边缘检测，或者是对图像进行去噪或者增强，都要用到阈值，而阈值的选取和阈值函数的选取都非常重要，比如对图像去噪而言，阈值太大，就会将一部分信号误归类为噪声去掉，阈值太小，又会将一部分噪声当成信号保留下来，产生虚假信息，所以，在图像处理中，阈值的选择直接关系到改进算法的处理结果，对于图像处理而言，不论是算法的改进还是阈值的选择，都非常重要。3)小波变换和数学形态学结合点的研究。对一幅病灶图像进行处理，两种方法都可以单独进行处理，将小波变换法和数学形态学合理的结合起来也可以对图像处理，不一样的结合方法，就会得到不一样的处理结果。多次试验，选择一种效果最佳的方法。本文进行了两种改进，一种是单独对形态学进行改进，另一种是将小波阈值去噪和形态学相结合进行图像边缘检测，两种方法都得到了较好的实验结果。4)噪声和信号都是高频的，研究一种有效的方法解决噪声和信号的分离问题。根据模极大值与Lipschitz指数的关系，可以知道，随着小波变换尺度的增加，信号和噪声的Lipschitz指数呈现相反的变化，因此考虑到将小波进行多尺度分解后对其去噪。5)DM6446开发板的研究与应用。TI公司生产的以DM6446芯片为核心的开发平台具有高性能的图像处理能力和通用可编程能力，因此通过DSP实现图像处理算法可以节省大量的时间，比起其他技术有很大的优越性。本课题以CCS为开发工具，对基于DSP实时图像处理平台进行深入研究，最终将改进的算法在DSP上进行实现。7 太原理工大学硕士研究生学位论文(3)解决的关键问题1、小波函数的选取，阈值函数的选取，结构元素的选取，形态学算子的改进，小波变换和数学形态学处理结果进行融合的方法选择。2、找到适用于肺部图像处理的抗噪边缘检测方法，提高了边缘检测的精确度。3、在TMS320DM6446开发板上实现时数据的读入方法和改进算法的编程实现。1．4．2论文结构安排根据课题所做研究，论文各章标题及结构安排和主要内容如下：第一章，绪论。主要介绍了课题的来源及在医学图像处理领域中的重要意义，图像边缘检测技术在国内外的发展状况以及目前的研究现状和面临的问题。第二章，常见的图像边缘检测算法以及MATLAB实现。介绍了几种常用的边缘检测方法，有经典的边缘检测算法及其MATLAB实现，包括Robert算子、Sobel算子、Prewitt算子、Canny算子、Laplacian算子、拉普拉斯．高斯边缘检测算子(LaplacianofGaussian：LoG算子)及其仿真实现；还有新的边缘检测技术，例如通过模糊数学理论对图像进行边缘检测的算法；采用神经网络对图像进行边缘检测的算法；采用多尺度小波变换对图像进行边缘检测的算法及其MATLAB实现；采用形态学对图像进行边缘检测的算法及其MATLAB实现。分析了模糊算法和神经网络算法的特点，因为这两种方法不适合于本课题中的肺部图像，所以文章中不再显示其MATLAB实现结果。第三章，小波变换联合数学形态学的肺部图像边缘检测算法研究。主要讲了小波阈值去噪联合数学形态学的肺部图像边缘检测，这是文章的改进算法一，分两步进行，第一步首先对图像进行小波分解，得到低频系数和水平、垂直、对角高频系数，然后利用选取的阈值函数分别对高低频系数进行处理，再将处理后的系数重构后得到去噪后的图像；第二步先选取适合于肺部图像的结构元素，然后对形态学边缘检测算子进行改进，得到抗噪型边缘检测算子，最后采用改进的形态学边缘检测算子对去噪后的图像进行边缘检测。通过MATLAB仿真实验，得到抗噪性能较好、较清晰的肺部边缘，验证了小波变换与数学形态学相结合进行肺部图像边缘检测的有效性。第四章，改进的形态学边缘检测算法研究。这是文章的改进算法二，与第三章的改进方法有三点不同，第一，未采用小波变换，降低了程序运算的的复杂度；第二，形态学算子的改进方法不同，将全方位结构元和多尺度结构元分别对图像进行边缘检测，然后再利用权值加权融合，第三，改进了权值的计算方法，在权值的计算中引入了峰值信8 太原理工大学硕士研究生学位论文噪比(peaksignal—to-noiseratio，PSNR)，经过实验，得到了清晰度更高、抗噪性能更好的边缘。第五章，边缘检测算法的硬件实现。介绍了DSP图像处理系统的硬件开发平台和软件开发平台，给出了系统软件设计的流程图和边缘检测算法在硬件上实现的流程图，最后通过CCS软件，在TMS320DM6446开发板上完成了边缘检测算法的实现。第六章，总结与展望。对论文所做工作进行了总结，并对该课题下一步的计划进行了分析和展望。9 太原理工大学硕士研究生学位论文10 太原理工大学硕士研究生学位论文第二章图像边缘检测的方法及MATLAB实现数字图像的边缘检测是对图像进一步有效描述和分析的基础，如在进行图像分割、区域目标识别、图像识别中图像特征提取以及区域形状提取等图像分析时，首先要进行的便是图像的边缘检测，并且边缘检测效果的好坏，直接影响着图像的进一步处理，进而影响图像的理解和分析。从图2．1可以看出，图像边缘检测在图像处理中的起着重要作用，是从图像处理到图像分析理解的关键步骤。例如对图像进行分割时，首先要做的就是将图像中的边缘点检测出来，然后选用一定的算法，把这些检测到的边缘点连接起来形成一个轮廓，这些构成轮廓的线条就把图像分割开来了。在这个过程中，提取出边缘才能将目标与背景区分开，一方面，经过图像分割后，可以从中提取到有用的目标特征或者参数，这些是人们更加感兴趣的数据形式，再进一步地分析和理解，另一方面，图像边缘检测是特征提取和测量的基础，边缘也就是所要提取目标和背景的分界线，对图像目标识别和表达有重要影响。近几年来，图像边缘检测在各种工程应用中占有十分重要的地位，已经成为机器视觉领域最活跃的课题之一。光图像数字图像l处理后图像l特征数据l解释判断图像读入(光电转换)图像处理(增强、编码)图像分析(分割、描述)图像理解(解释、理解)图2-1图像处理过程Figure2-1Imageprocessing在一幅图像中，灰度或者亮度变化最明显的地方就是物体的边缘，在边缘处的灰度值变化比较大，纹理特征也不同，视觉上颜色变化明显，因而物体的边缘作为边界线将图像分成了不同的区域。对一幅图像进行边缘检测，其实就是检测这些变化的特征，换句话说就是检测这些变化的特征在图像中的位置。图像边缘包括两个特性：幅度和方向，一般情况下，垂直于图像的边缘走向的图像像素灰度值变化剧烈，而平行于图像边缘走向的灰度值变化就相对比较平缓。如图2．2所示，通常根据图像灰度变化的特点，可以将图像边缘分为三种类型：阶跃型、屋顶型和凸缘型。 太原理工大学硕士研究生学位论文(a)(b)(c)图2-2图像边缘类型示意图Figure2-2Imageedgetypediagram2．1边缘检测及评价方法概述2．1．1边缘检测方法概述边缘，表现在图像中就是灰度值变化明显的地方，形成一个灰度变化带，对图像中的目标边缘进行检测，其实就是检测灰度值在某一方向上的变化率，即求出梯度的幅值和方向，就可以得到图像的边缘。设厂(x，y)是待处理的图像，oR示方向，可以计算出梯度模和梯度方向。设厂(工，y)在口方向沿r的梯度定义为：望CO：望垒+熹塑：兵c。s目+‘sin矽(2．1)rcOxcOr加cOr“‘。y、。17当幽cOO∥，万of捌最馗也携得到：a(六cos0+‘sin0)——--。‘———---————-—————--————---———--一=cOO一正sinOg+‘cosOg=o(2_2)唿=arotanf,／f,，或唿+万(2．3)梯度最大值一般称为梯度模，梯度模算子具有各项同性和位移不变的性质，因而适合于边缘检测，梯度模表示为：g=(雾)一=历c2q边界的方向也即梯度的方向或灰度变化的方向，可以由如下公式得到。唿=arctanfyIfx(2—5)12 太原理工大学硕士研究生学位论文实际应用中，为了简便，一般用微分算子的形式表示算子，为了得到快速而有效的处理，采用快速卷积函数来实现。近年来，关于图像的边缘检测方法有很多，检测的结果也各有优劣，其中不乏一些经典的边缘检测方法的改进方法和新的边缘检测方法，对大量文献进行学习总结，得出常用的边缘检测方法有以下几种：1、微分法。对图像求微分法也就是分别对．If方向和Y方向求差分，用一阶导数求图像边缘，就是求一阶导数的最大值，用二阶导数求图像边缘就是求二阶导数的过零点，所以图像边缘点的强度可以用这些导数值来表示，然后设定一个阈值，大于阈值的为边缘，小于阈值的不为边缘，最后达到图像边缘检测的目的。2、曲面拟合法。可以用一个阶跃曲面拟合数字图像，然后根据阶跃幅值判断其是否边界点；或者对待检测点邻域的像素灰度值用一种曲面函数进行拟合，然后采用微分算子对拟合的曲面进行运算。3、基于模糊数学理论的边缘检测方法。20世纪80年代中期，国外学者Pal和King通过引入模糊集概念，提出一种基于模糊理论的边缘检测算法，简称Pal算法。图像的边缘是根据灰度变化的剧烈程度来定位，而灰度变化的剧烈与否本身就是一个模糊的数学问题，因此可以通过用模糊集提取图像的边缘。因为不同类别的物体灰度级别不同，所以可以将每一类别物体对应的灰度值全体作为一个模糊子集，模糊子集数对应于类别数。基于模糊数学的边缘检测方法有很多，其中由陈武凡提出的广义模糊算子(GFO)可以称之为全新的边缘检测算法。采用广义模糊算子(GFO)进行图像边缘检测，基本原理是通过输入的原始图像产生广义性子集Q，然后用广义模糊算子产生Q’，再对Q’进行逆变换得到y’，最后采用阈值函数对】，’进行处理得到输出图像【28】。采用广义模糊算子进行边缘检测的优点是检测的边缘宽度小、信噪比大，并且无需演算检测到的边缘点是否共线以及角点是否存在，运算速度快，定位精度高。模糊检测算法需要用到复杂的隶属度函数，所以存在计算量比较大，迭代次数比较多，检测时间比较长，效率不高，适应性差，实时性不好，而采用简单的隶属度函数，检测的边缘效果又不好，损失图像低灰度边缘信息，故本文未选取模糊算子进行边缘检测。4、基于神经网络的边缘检测方法。近几年来采用神经网络对图像进行边缘检测已经成为一个新的分支，因为对图像进行边缘检测就是一个分离边缘点和非边缘点的过程，这本身就属于分类问题，而BP神经网络可以很好的解决分类问题，所以采用神经13 太原理工大学硕士研究生学位论文网络进行边缘检测有很大的研究价值。采用神经网络对图像边缘检测的基本思想是：先选择一种方法得到一个原始边缘，作为训练样本的候选对象，然后将图像映射为某种神经网络，用选择的训练样本和搭建的网络模型对图像进行训练，直到学习过程收敛或者获得满意的结果。这种方法的优点是能根据样本进行学习，具有容错性、自组织性和自学习性，可以从微观上提取图像细节，从宏观上认识对象，具有很强的抗噪能力，但是也存在缺点，采用神经网络进行边缘检测需要建立神经网络模型和选取训练样本，这也是神经网络算法的难点，不同的神经网络收敛速度不同，如BP神经网络收敛速度就比较慢，不同的训练样本使得训练时间长短不豆]129,30】。整体而言，神经网络算法的复杂度比较大，不确定因素比较多，不适用于医学图像的边缘检测，因此本文未选取神经网络算法。5、基于小波变换的边缘检测方法。小波变换是泛函分析、Fourier分析、调和分析、样条分析和数值分析等的完美结合，信号分析的两大领域是时域和频域，Fourier分析可以分别在时域和频域观察信号，但是不能将时域和频域结合起来同时观察信号，于是有了时窗法和频窗法，反映频率随着时间变化的特性，但缺点是时间和频率不能同时具有高分辨率，而图像的边缘正是需要同时在时间和频率上定位。小波分析被称之为“数学显微镜”，因为它在时域和频域同时具有良好的局部化特性，这点是与Fourier分析的最大不同之处，而且可以聚焦到图像的任意细节上，因为它可以采用时域或空域对高频成分进行取样，特别适合于对信号进行奇异性分析，而边缘正是表现为信号的差异性，而且小波分析近十几年来发展迅速，理论和性质已经成熟，在图像处理方面的应用也很广泛，包括基于小波的图像降噪和压缩，图像增强、图像融合以及图像边缘检测，所以本文选用小波变换对图像进行边缘检测。6、基于数学形态学的边缘检测方法。图像处理领域近几年发展起来的一种新的研究方法就是数学形态学，在几何学的基础上，对图像进行处理，就是把待处理的图像和结构元素进行某种预定的运算，经过运算后，得到的输出图像和原来的待处理图像大小一样，保持不变。其基本思想是采用结构元素对图像进行基本的形态学运算：膨胀、腐蚀或开闭运算，目的是提取图像的特征。数学形态学的边缘检测算法不同于其它的方法，它有着独特的优势，不但算法简单，而且z月兆匕，4KE!好的解决边缘检测精度和抗噪性能的协调问题。2．1．2边缘检测评价方法14 太原理工大学硕士研究生学位论文图像质量的评价方法有主观评价和客观评价法，主观评价指的是通过简单的人眼观察，这种方法的缺点有两个：一是含有更多的个人因素，二是长期的观察会受审美视觉疲劳等因素的影响，所以后来采用数据对图像质量进行评估，最常用的有信噪比、峰值信噪比和均方误差f3J】。Canny也提出了三个重要的指标来评价图像边缘检测算法，它们分别是高的图像信噪比、精确的边缘定位性能以及唯一的单一边界响应。本文采用峰值信噪比(peaksignal—to-noiseratio，PSNR)和均方误差(MeanSquaredError，MSE)进行评价。峰值信噪比(peaksignal—to-noiseratio，PSNR)是最普遍，最广泛使用的评鉴画质的客观量测法，其计算公式为：一10lg{卫M一×NLLL【⋯厂。妇⋯：，⋯o(2-6)其中，丘=ma)【厂(x∥)如=rrfinf(x,y)，x=0，J，．1一M-1，尸o，1⋯N一1，矗(工∥)是对原图像处理后得到的新图像。[M，N】为图像的大小。PSNR越大，说明检测结果越好，算法也越好。均方误差(MSE)定义为各测量值误差的平方和再取平均值的平方根。其计算公式为：MSE=M—lN-1．萎0驴0(x∥)，(x∥)]2(2．7)J=r=＼-’，MXN在本文中信号指图像像素的大小，MSE越小，则信号误差越小，算法相对更好。由于目前图像边缘检测的评价方法尚未有统一的标准，仍以主观评价为主，所以本文用PSNR和MSE作为辅助评价方法，客观地表明本文算法的有效性。2．2经典边缘检测算法及MATLAB实现本文也对这些经典的算子进行了一些学习和实验。常用的基于一阶导数的边缘检测方法有：Robert交叉算子，Sobel算子、Prewitt算子、Canny算子以及零交叉方法。基于二阶导数的边缘检测方法有：拉普拉斯(Laplacian)算子、拉普拉斯一高斯边缘检测算子(LaplacianofGaussian，LoG算子)。课题研究初期便对这几种经典的边缘检测算法进行了学习，并用MATLAB对这几种算子进行仿真实验。15 太原理工大学硕士研究生学位论文2．2．1Robert算子及实现数：首先引入梯度算子的概念，对于离散图像而言，梯度是图像对应二维函数的一阶导叩川=阱笥叙动咖(2-8)学，娑分别表示对图像的水平和垂直差分逼近梯度算子：篆=巾，矿巾+1，／)善砒川)砒歹)(2-9)用2范数衡量梯度的幅值，表示为：IG(训)I=√《+嘭(2—10)用1范数衡量梯度的幅值：表示为：IG(x，Y)I4ql+lq(2．11)用∞范数衡量梯度的幅值：表示为：lG(x，Y)I：max(IGYI，lCy1)(2．12)对图像进行边缘检测，最简单的方法就是对每个像素计算梯度算子，然后求绝对值，再进行阈值操作即可得到边缘。上述2．1中介绍的第一种微分法也即经典的边缘检测算法，许多的研究者也对这些算子进行过改进，但是单独使用这些算子对图像进行处理，结果总不是很满意，所以后来的学者提出了新的边缘检测方法。采用Roberts算子对图像处理，是利用局部差分算子寻找图像边缘的过程，简单来说就是通过计算每个像素的梯度算子，然后选取一个阈值，利用阈值将所得每个像素的绝对值进行分类。其算子表示为：I(i，，)=√(厂(f，／)一厂(f+l，／+1))2+(厂(i，／+1)一f(i+l，纠2(2-13)若用卷积核表示，则两个卷积核分别为q=(三二]，q=(三三)，Roberts算子的梯度幅值是用1范数进行衡量：G(x，Y)刊Gl+IG，I。Roberts算子的主要特点是对边缘16 太原理工大学硕士研究生学位论文的定位精度比较高，但是不具有抗噪的能力。MATLAB实现：图2-3为原始图像，图2．4是采用Roberts算子在不同阈值时的检测结果。为便于比较，本章的实验都是用以下原始图像进行边缘检测。图2．3原始图像Figure2-3Originalimage(a)阈值为0．02戈-曲吲s茸子检焉，f]飙，j8M(c)阈值为0．06(b)阈值为0．04薹≥?ij旦诵毹薹_(d)默认门限图2-4不同阈值的检测结果Figure2-4Thedetectionresultsofthedifferentthresholdvalues17 太原理工大学硕士研究生学位论文由图可以看出，门限为O．06时检测结果较好。2．2．2Sobel算子及实现sobe·算子的两个卷积计算核分别为q=[三三{]，g=[主三三]，采用∞范数衡量梯度的幅度IG(x，Y)I≈max(IqI,Ig1)。其特点是对灰度渐变和噪声较多的图像处(a)阈值为0．02(b)阈值为0．04(C)阈值为O．06(d)默认门限图2．5不同闽值的检测结果Figure2-5Thedetectionresultsofthedifferentthresholdvalues由图2．5可以看出，门限为0．06时检测结果较好。2．2．3Prewitt算子及实现18 太原理工大学硕士研究生学位论文Prewin算子的两个卷积计算核分别为q=[三{量{]，q，=[立三三]，采用o。范数衡量梯度的幅度lG(x，Y)I≈max(IGII,Iq，1)。其特点是对灰度渐变和噪声较多的图像处理的较好。MATLAB实现：图2-6是采用Prewitt算子在不同阈值时的检测结果。(a)闽值为O．02(b)阈值为0．04(c)阔值为0．06(d)默认门限图2-6不同阈值的检测结果Figure2-6Thedetectionresultsofthedifferentthresholdvalues由图2-6可以看出，采用默认门限时检测结果较好。2．2．4Canny算子及实现Canny算子对图像进行边缘检测的方法是通过寻找图像梯度值的局部极大值。相对于前面几种算子而言，是最优的阶梯型边缘检测算子。算法步骤为：1)用高斯滤波器与原始图像进行卷积，消除噪声，平滑图像；19 太原理工大学硕士研究生学位论文2)利用Prewitt算子、Sobel算子等导数算子求滤波后图像水平和垂直方向的导数，然后计算出图像梯度的幅值大小lGI_厢22和方向秒=arctanl孚l；3)采用非极大值抑制的方法求图像边缘，首先是找出某个像素以及这个像素梯度方向的邻接像素，比较这个像素与其梯度方向上的前后两个像素灰度值，灰度值最大值的点为图像梯度中的局部极大值点，也即边缘，进行保留，另外两个点就置零。4)采用双阈值算法检测和连接边缘，使用累计直方图计算两个阈值71和T2(T1>T2)，大于阈值丁l的为边缘，小于阈值丁2的不是边缘，如果在二个阈值之间的，就再判断这个像素的邻接像素中是否有高于丁1的像素，同样，高于丁1的为边缘，否则不是。图2．7是采用Canny算子在不同阈值时的MATLAB检测结果。(a)阈值为0．02。；。、、薯_。’ii。ji’≥一||蔓一?鳓毒蛾熟喇：雾熬鬟攀黎(b)阈值为0．04(c)阂值为0．06(d)默认门限图2—7不同闽值的检测结果Figure2—7Thedetectionresultsofthedifferentthresholdvalues由图2．7可以看出，门限为O．06时检测结果较好。但是检测过于敏感，不丢失重要的边缘，实际边缘与检测到的边缘位置之间的偏差小，所以造成一些虚假的边缘也被检20 太原理工大学硕士研究生学位论文测出来了。2．2．5拉普拉斯算子及实现1)拉普拉斯(Laplacian)算子灰度图像的二阶导数的过零点对应边缘点。采用拉普拉斯算子对图像进行检测比较少用，因为它对于噪声比较敏感，噪声严重的图像更不适合用这一算子，而且对于双边缘带不易检测出边缘的方向。当然如果先对图像进行去噪处理，然后再采用拉普拉斯算子也会得到不错的处理效果。这也就是LOG算法。拉普拉斯算子是二阶导数的二维等效式，即：V2厂=警+害(2-，4)Ox‘Ov‘(2—15)百02f：【厂(f+1，／)一2f(i，列+f(i—l，／)(2-16)CⅣ。拉普拉斯算子的卷积模板为：[。1-4；。100]拉普拉斯算子的卷积模板为：lIl』h(x，y)=iv29(x，y)】木厂(x，y)其中f(x，少)为图像，g(x，少)为高斯函数。贴川=嘉eXp[-等]21(2—18)f2-19)趔訾掣堂^l=．，一k}掣町矿 太原理工大学硕士研究生学位论文高斯函数的二阶导数为：V2(g(训))-学+学=去2n'o-(孚_2)唧[-等】4、仃2。7⋯r。2仃21MATLAB实现结果如图2-8所示：(a)阈值为0．02(b)默认I-I限图2-8不同阈值的检测结果Figure2-8Thedetectionresultsofthedifferentthresholdvalues(2-20)由图2—8可以看出，采用默认门限时检测结果较好。当门限为0．04和O．06时几乎检测不到边缘，故在此省去图。2．3小波变换边缘检测算法及MATLAB实现1)小波变换的含义一维小波变换的基函数：虬，6：下1v／(堂)虬，a2忑了)(2—21)小、圾!雯秧足义：暇@炉去㈨y’(等)出=㈨嘣伽=(m呲))(2-22)对应的频域表达式为：暇(口，6)=去(x(Q)，‰。(Q))=害ex(Q)5f，kQ)P，mdQ(2_23)x(t)表示一维信号，口，b分别表示尺度伸缩因子和平移因子。2)小漓蛮搀的特占22 太原理工大学硕士研究生学位论文a)小波变换具有多分辨率(也叫多尺度)的特点，可以由粗到细地逐步观察信号。b)具有恒Q性质，即：带宽与中心频率的比值为恒定的，如图2-9所示，用式子表示为：Q=An／n。=带宽／中心频率，c)小波变换被称为“数学显微镜”，因为在低频部分处，它的时间分辨率较低，而频率分辨率较高，而在高频部分处，它的频率分辨率较低而时间分辨率较高。图2-9a取不同值时小波变换对信号分析的时频区间Figure2-9TimeandfrequencyrangeofwavelettransformsignalanalysisasAfordifferentvalues3)二维小波变换二维小波变换的基函数：‰c¨，=：1吐学，学)亿24，二维小波变换的定义为：吗(乜；6l，如)=(／(XI，X2)，虬；¨(x，，x：))：加％咖+(孚，学nQ。25’f(Xl，X2)表示二维图像，X1，X2分别是其横坐标和纵坐标。4)二维多分辨率思想如图2．10所示，首先沿五方向分别用尺度函数≯(五)和小波函数N(x1)作分析，把／(五，而)分解成平滑逼近和细节这两路输出【32】，接着对得到的这两路输出的图像再沿x：方向分别用≯(艺)和y(恐)作类似分析，得到四个输出，经处理≯(恐)矽(恐)所得到的一路是厂(五，X2)的第一级平滑逼近，也即低频分量A。厂(五，X2)，其余三路输出为水平高频分量Dl‘1’厂(五，x：)，垂直高频分量Dl‘2’厂(五，而)和对角高频分量Dl‘3’厂(五，x2)，它们为细节函数。23 太原理工大学硕士研究生学位论文图2．10二维多分辨率分解原理图Figure2·lOTwo：dimensionalmulti—resolutiondecompositionschematic图2．11是将一幅图像进行三层小波分解示意图。对一幅图像进行一层分解，经过两次抽取，处理后的图像尺寸为原来的四分之一，同时分解后原来的一幅图像变为四幅小图。匠．LL3HL3曼1HL2LH3HH3HLl——LH2删2LHlHHl——水平高频分量对角高频分量图2一ll二维多分辨率的三级分解示意图Figure2-llThreedecompositiondiagramofthetwo—dimensionalmulti—resolution5)小波模极大值边缘检测原理小波变换采用多尺度边缘检测方法，为图像的边缘分析提供了新的手段，它把图像信号分解成呈现在不同尺度上的多个分量‘331。由于边缘是图像信号变化率最大之处，可以证明平滑函数的一阶导数满足二进小波的完备性和稳定性条件，因此可作为小波基函数。设秒(x，y)是二维平滑函数，满足盯秒(x，y)dxdy≠O。则把它沿x，y两个方向的一阶导数视为两个基本小波：24 设且太原理工大学硕士研究生学位论文蜥小p(方，砉)此b∽2卉扩’(矧2掣姑b∽亩扩’(矧2掣(2-26)(2-27)(2-28)则对于二维图像／(x，J，)∈r(尺2)，其小波变换有两个分量，分别为x方向和y方向：写成矢量形式为：(x，Y)其中f‘X，少)是厂(z，y)被幺，(x，夕)平滑所得到的图像。对于每个尺度2J，检测出灰度图像幅值M2，f(x，y)为：幅角为：M：，f(x，y)=这里取J=1，2，3A2．ff(x，y)=arctan25(2—29)f2-30)(2-31)f2—32)^I^I掣掣I|=ybL＼二二，，二，D砷y皑蟛一枣木力力k沁厂，=力力‘∥，』l＼，f●＼厂7吩．硷Hw，●●●●●●●(、●，●I门川门川力∥■b卜“，，■，巳巳哩月木木、J矿卜卜力∥y‘X∥五卜吖、吖、厂厂厂●L厂●L-t■J工巨倒删n川“∥y少L■●，Z2，●l＼，●I＼厂，n．习TW，，，，．．．．。．。．．．。．一／ 太原理工大学硕士研究生学位论文平滑后的图像厂(x，y)木02，(x，y)的剧烈变化点(即拐点)是由梯度矢量4，S(x，y)所给方向上M：，／(工，y)的局部极大值确定。因此只需在图像平面上沿梯度矢量A2JS(x，Y)方向检测梯度模M：，I(x，y)的极大值点，即可得到边缘点，把这些点连接即构成图像边缘。MATLAB实现结果如图2一】2所示：图2．12小波变换模极大值边缘检测结果Figure2-12Theedgedetectionresultsofwavelettransformmaximumamplitude2．4数学形态学边缘检测算法及MATLAB实现数学形态学中最基本的运算是：膨胀、腐蚀、开启和闭合运算，这四种运算能够很好地提取和识别图像中的重要特征。简单来讲，膨胀就是对图像中的目标对象增加像素，而腐蚀则是对图像中的目标对象去除像素，他们是对偶运算。结构元素是四种操作的基本组成部分，一般是比图像小很多的二维矩阵，由0和1组成，大小和形状任意，对图像进行处理，就是根据某种算法将结构元素与图像像素进行运算，达到图像处理的目的，所以结构元素不同，得到的输出图像也不同，结构元素的选择对图像处理结果起着关键作用。MATLAB中可以直接用函数strel函数创建任意大小和形状的strel结构元素对象，并且strel函数支持多种常用的形状，其中平面结构元素的形状类型有线性、圆形、菱形和八角形，非平面结构元素的形状有球形。结构元素的原点指定了图像中需要处理的像素范围，结构元素中数值为l的点决定结构元素的邻域像素在进行膨胀或腐蚀操作时是否需要参与计算。开启和闭合运算都是由膨胀和腐蚀组合而成的复合运算，先对图像进行膨胀运算再进行腐蚀运算称为开运算，先对图像进行腐蚀运算再进行膨胀运算称为闭合运算。先开运算可以去除图像中的亮点(正脉冲)，去掉轮廓上的毛刺，平滑图像；闭运算可以去26 太原理工大学硕士研究生学位论文除图像中的暗点(负脉冲)，填平轮廓的缺口。在用开运算去除亮点(正脉冲)的同时，会增强暗点(负脉冲)的幅值。1)膨胀、腐蚀、开启、闭合运算的MATLAB实现结果如图2．13所示：(a)膨胀运算(b)腐蚀运算(c)闭合运算(d)开启运算图2．13形态学运算结果Figure2—13Theresultsofmorphologicaloperations图2．13中，图(a)和图(b)是采用半径和高度均为5的球形结构元素对图像进行的膨胀和腐蚀。膨胀之后图像明显扩张，腐蚀之后的图像明显缩小，一些边缘也被腐蚀掉了；图(c)和图(d)是采用半径为5的圆形结构元素进行的闭合和开启运算，开启运算比闭合运算后的图像亮度更高，图像更清晰。2)形态学梯度算子及其MATLAB实现膨胀运算是在原始图像的边缘处扩张，增加一些像素到目标中，所以可以将膨胀后的图像减去原始图像得到膨胀型算子，类似地，腐蚀运算是将其目标缩小，可以用原始图像减去腐蚀后图像得到腐蚀型算子，构造出基本形态梯度算子如下：膨胀型算子：27 太原理工大学硕士研究生学位论文巨=S(x，y)06(x，少)一S(x，Y)(2-33)腐蚀型算子：巨=S(x，y)-f(x，y)Ob(x，Y)(2—34)J(x，y)表示原始图像，b(x，Y)表示结构元素，从上式可以看出，结构元素在图像的形态学运算中起着至关重要的作用，用它对图像操作可以保留一些细节，不同的结构元素可以得到不同的图像边缘效果。膨胀型算子可以提取图像的外边缘，腐蚀型算子可以提取图像的内边缘。MATLAB实现结果如图2—14所示：(a)膨胀型算子(b)腐蚀型算子图2．14形态学边缘检测算子检测结果Figure2—14Theresultsofmorphologicaledgedetectionoperator从以上各种算子的检测结果可以看出，采用Roberts算子检测的边缘，定位比较准确，但是不能很好的抑制噪声，因为它在检测前没有对图像进行平滑处理，而且检测到的边缘不完整，造成一部分边缘丢失。而Sobel算子和Prewitt算子在检测时对图像做了加权平滑处理，所以有一定的抑制噪声的效果，但是检测到的边缘比较宽，有一些虚假的边缘，这两个算子的区别在于平滑处理时的权值不同。Canny算子同样也进行了平滑处理，所以也可以去除噪声，但是它在平滑噪声的同时也会平滑掉一些高频边缘。LoG算子是Laplacian算子的改进，它可以抑制噪声，但是检测不到一些尖锐的边缘。与经典算子相比，新的模糊理论和神经网络算法虽然可以检测到精确度高的边缘，但是算法的复杂度都太大，而数学形态学方法检测的图像边缘比较完整、线条的连续性也较好，几乎没有断裂的情况；基于小波的边缘检测法由于其多分辨率的特点，可以在去噪的同时检测到一些细小的边缘。因此采用数学形态学和小波变换边缘检测法非常适合于医学图像的边缘提取。28 太原理工大学硕士研究生学位论文表2．1各种算子优缺点对比图Table2—1Theadvantagesanddisadvantagescomparisonchartaboutdifferentoperators算子优点缺点Robert算子、拉普拉斯算子边缘定位精度高抗噪性能差，易丢失边缘边缘检测精度低，Prewitt算子、Sobel算子定位性能好，抗噪声性能强易出现虚假边缘Canny算子、LOG算子抗噪性能强易丢失边缘边缘检测精度较高，算法复杂、运算时间长、模糊算法、神经网络算法抗噪声性能较强算法适应性差定位精度高，小波变换分解尺度不易选择抗噪的同时能保留边缘算法简单、运算时间短、边缘连形态学算法结构元素不易选择续性好2．5本章小结本章主要对几种常用的边缘检测算子进行分析，并进行MATLAB实现，最后对实验结果进行分析和比较，总结了各种边缘检测算法的优缺点，为后面的第三章和第四章的改进方法做了铺垫。29 太原理工大学硕士研究生学位论文30 太原理工大学硕士研究生学位论文第三章小波变换联合数学形态学的肺部图像边缘检测算法研究通过第二章边缘检测算法介绍和分析可以得知，单纯地用小波变换或者一般的形态学算法进行肺部图像的边缘检测，存在着边缘精度不高或抗噪性能不好等方面问题，需要提出一种新的边缘检测算法解决边缘检测精度与抗噪性能矛盾的这个问题，以提高肺部图像边缘检测的效果。针对肺部图像的特点，本章提出了小波变换联合数学形态学的方法进行图像边缘检测，并对算法进行了分析及实现。3．1小波变换联合数学形态学方法的提出小波变换是近几年来发展起来的一种数学分析方法，因其具有伸缩和平移等运算功能，可对函数或信号进行多尺度的细化分析，解决了实际中的许多困难问题，在信号处理、图像处理、语音识别等领域都取得了有科学意义和应用价值的成果。小波变换具有以下优点：1、具有多分辨率分析的特点，可以由粗到细地逐步观察信号；2、品质因数恒定，即相对带宽恒定；3、适当的选择小波，有利于检测信号的瞬态或奇异点。因此把小波变换由一维推广至二维进行图像处理。运用小波变换方法对图像去噪，可以达到在去除噪声的同时很好的保留细小边缘的效果。采用数学形态学对图像进行处理，其基本操作过程是先选用一些结构元素，这些结构元素其实是一些维数较小的二维矩阵，由0和1组成；然后将这些结构元素和待处理的图像通过一定的算法进行相互运算；最后得到处理后的图像。也可以对图像进行增强、去噪、边界提取等。合理利用二者的优点，并按照各自的特点，提出了小波变换联合数学形态学方法进行图像的边缘检测，方法总体框图如图3．1所示：图3一l改进方法框图Figure3—1theblockdiagramofimprovedmethods31 太原理工大学硕士研究生学位论文如上图所示，先将提取出肺部图像数据，然后进行小波阈值去噪，再通过改进的数学形态学的方法进行边缘检测‘34-36]。图中的虚框为改进的数学形态学边缘检测方法，主要的改进是结构元素选取不同，形态学检测算子不同，采用全方位结构元和多尺度结构元检测相结合的方法，得到最后的肺部图像边缘检测效果。3．2小波阈值去噪常见的基于小波的图像去噪方法可分为三类：基于小波变换模极大值去噪、基于相邻尺度小波系数相关性去噪、基于小波变换阈值去噪。如图3．2所示为二维小波分析用于图像降噪的步骤：(a)二维图像信号的小波分解(b)对分解后的高频系数进行阈值量化(c)二维小波的重构图像信号一篓蓄盆篓毳--小波分解卜一—叫小波重构l一糕篓螽卜像图3-2小波分解图像降噪示意图Figure3-2Thediagramofwaveletdecompositionimagenoisereduction小波阈值消噪的基本思想就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出消噪后的图像‘3740l。关键是阈值的选取，如果阈值太小，消噪后的图像仍然存在噪声；相反如果阈值太大，重要图像特征又将被滤掉，引起偏差。3．2．1去噪步骤(1)选取Haar小波对带噪图像进行一层分解。得到低频系数、垂直高频系数、水平高频系数、对角高频系数。(2)阈值T的选取。对步骤(1)中得到的低频系数提取最大值max和最小值min，计算阈值T=(max+min)／4。因为低频中含有最多的图像信息，经过多次实验，在阈值T=(max+min)／4时，图像的滤波效果最佳。(3)利用上述阈值对分解后的高低频系数进行处理。采用软阈值函数：32 太原理工大学硕士研究生学位论文珏PHb小礁I哆．一≥丁l哆。I<丁哆j为小波分解系数，功似为阈值处理后新的小波系数。(4)利用新的高低频系数重构图像，得到降噪图像。3．2．2软件编程实现方法和核心程序(3—1)本文采用MATLAB软件编程对图像进行仿真实现，具体的小波阈值去噪实现方法为：先使用MATLAB自带的imread函数读入图像，并用rgb29ray函数将其转换成灰度图像，接着使用imnoise函数加入噪声，再将3．2．1中的去噪步骤编程进行小波阈值去噪，最后得到去噪后的图像。其核心程序为小波阈值去噪部分，具体代码如下：【ca，cb，cv,cd]=dwt2(J，’haar’)；％J为加噪后图像T=(max(ca(：))+min(ca(：)))／4；％求取阈值【m，n]=size(ca)；％对低频系数进行阈值处理fori-1：mforj=l：nifca(i,j)>=alcal(i,j)=sgn(ca(ij))木(ca(i，j)一T)；elsecal(i,j)=0；end同理，将上段程序中阈值处理部分的低频系数ca换成ch，cv,cd后得出处理后的三个新高频系数chl，cvl，cdl，最后采用小波逆变换重构，得到去噪后的图像。代码为：I=idwt2(cal，chl，cvl，chl，'haar‘)；％I为去噪后的图像3．3改进的形态学边缘检测算法在一般形态学边缘检测中，大多采用圆形、方形等简单对称的结构元素，只能检测到与结构元素同方向的边缘，而对其它方向的边缘不敏感，因此难于适应图像中复杂的边缘、纹理等特征。而本文提出的全方位结构元形态学运算，是指选取能够覆盖原方33 太原理工大学硕士研究生学位论文形滤波窗口内几乎所有线条走向的不同结构元素，分别应用于改进后的全方位形态学算子中，可以检测出不同方向的边缘，最后将这些边缘加权求和，得到较好的边缘结果；多尺度结构元形态学运算，是指根据大小结构元素各自的特点：大尺度结构元素检测边缘粗，去噪能力强，小尺度结构元素检测边缘细，去噪能力弱，合理选取大小不同的结构元素，分别应用于改进后的多尺度形态学算子中，提取不同特征的边缘，最后将这些边缘加权求和，获得较满意的边缘。因此为了获得不同方向、不同特征的边缘，进一步提出将全方位结构元形态学运算和多尺度结构元形态学运算相结合的算法。3．3．1结构元素的选取(1)全方位结构元的选取全方位多结构元覆盖了方形窗口内几乎所有的线条走向，是一种全面划分方形滤波窗口的方法。(2N+1)×(2N+1)的方窗对应的全方位结构元为：％={／(惕+Z，172+厶)／够=faI一Ⅳ≤』，五≤N}(3—2)其中f=0，1，⋯，4N一1，且口：180。／4N，为单位旋转角。本文选取N=2，即采用5×5的结构元素。他们分别对应：0=0。，22．5。，45。，67．5。，90。，112．50，135。，157．5。。(2)多尺度结构元的选取定义序列{gi)为一个多尺度序列，那么它的结构元素序列{g小=l，2，⋯n)具有相同形状，并且结构元素的大小随f增加而单调增大。本章中取基本有限结构元g，为半径为1的圆形，且g，的大小随f的增大而单调增大，取i=1，2，3。即半径分别为1，2，3的圆形结构元素。3．3．2改进的抗噪型边缘检测算子定义二维空间Z2(Z为整数集合)上的图像灰度离散函数为／(z，Y)，Z：上的结构元素为6(f，／)，ix／∈(叶，⋯s)2，s∈z，则采用结构元素6(f，／)对图像函数厂(工，少)进行膨胀的公式为：(厂06)(x，y)：max{：fx—s，Y—J)，⋯，厂(x，y)，⋯f(x+s，y+s))(3．3)用结构元素对图像进行腐蚀的公式为：34 太原理工大学硕士研究生学位论文(／@16)(x，Y)=min{／(x一5，y-s)，⋯，／(x，y)，⋯f(x+s，y+s)}(3-4)用结构元素对图像进行开运算的公式为：厂。6(工，Y)=I(fob)06l(x，Y)(3．5)用结构元素对图像进行闭运算的公式为：f·b(x，Y)=J(f@b)ObI(x，)，)(3．6)膨胀具有扩大图像的作用，可以去除比结构元素小的暗点。膨胀后，目标扩张，孔洞收缩。腐蚀具有收缩图像的作用，可以去除比结构元素小的亮点。腐蚀后，目标收缩，孔洞扩张。将二者结合起来形成膨胀腐蚀型边缘检测算子：6(x，少)=厂(x，少)06(x，y)-f(x，y)Ob(x，Y)(3—7)但是算子(3-7)对图像并没有去噪的作用，而开运算和闭运算在运算的时候可以去除图像中的亮点和暗点，所以有去噪的效果。对图像运用开运算主要是去除一些边缘上的一些毛刺，而闭运算则相反是填平一些小的空洞和轮廓上的缺口，都是起到平滑图像轮廓的作用。所以将开、闭组合起来形成开闭边缘检测算子：G(x，y)=厂(x，y)·b(x，y)一I(x，y)。b(x，Y)(3—8)所以将闭、开、膨胀、腐蚀相结合形成改进的抗噪闭开膨胀腐蚀型边缘检测算子：q训’嚣碧二袭嚣譬碧茹譬p9，一／(z，y)·6(x，y)。6(x，y)06(x，y)、。。73．3．3采用改进的算子对图像进行边缘检测根据上述选取的结构元素和提出的边缘检测算子对图像进行边缘检测，具体方法为：(1)对原始图像加入噪声密度为O．02的椒盐噪声。(2)采用第3．1节中的小波阈值去噪步骤对图像进行去噪，得到去噪图像。(3)用式(3．8)对降噪后的图像进行全方位的边缘检测，得到边缘信息G，(x，y)，f=o，l，2，⋯7，结构元素采用3．3．1中确定的全方位结构元素％，／=o，1，2，⋯7。本文取权值为方位数的均值国，=1／7。(4)用式(3-9)对降噪后的图像进行多尺度的边缘检测，得到边缘信息q(x，y)，i=l，2，3，结构元素采用3．3．1中确定的多尺度结构元素gi，i=1，2，3。35 太原理工大学硕士研究生学位论文(5)权值的计算。1)构造不同尺度的结构元素对降噪后图像进形态学闭开和开闭运算，得到滤波后均值图像：z(训)=迎监掣+迎血掣户1，2，32)计算各个尺度下图像的方差92--II一，12。3)以步骤2)中得到的方差比例确定权值q=0-。2，／∑兰，z，IliUM=3。(6)采用全方位结构元和多尺度结构元检测结果相结合的方法计算图像边缘信息：73I(x，少)=∑吁g+∑哆E。f=li=1(7)将图像改为加噪图像后，再重复步骤(1)一(4)。3．4软件编程实现方法和核心程序改进的形态学边缘检测算法也采用MATLAB软件进行编程实现，实现方法为：第一步，使用矩阵的形式表示出8个5×5的结构元素，构成全方位结构元，用MATLAB自带的strel函数创建半径为1，2，3的圆形结构元素，构成多尺度结构元；第二步，使用膨胀函数imdilate、腐蚀函数imerode、开运算函数imopen和闭运算函数imelose分别对图像进行膨胀、腐蚀、开、闭处理；第三步，将权值的计算方法编程；第四步，将全方位和多尺度结构元检测结果采用相加的形式得到最后的图像边缘。第二、三步为核心编程部分，具体的代码如下：％全方位结构元边缘检测，I为图像，w0一w7为8个方％向5×5的结构元素。B0=(imdilate(I，W0))-(imerode(I，W0))；Bl=(imdilate(I，wo)-(imerode(I,W1))；B2=(imdilate(I，W2))一(imerode(I，w2))；B3=(imdilate(I，W3))·(imerode(I，W3))；B4=(imdilate(I，W4))-(imerode(I，W4))；B5=(imdilate(I，W5))-(imerode(I，W5))；B6=(imdilate(I，W6))-(imerode(I，W6))；B7=(imdilate(I，W7))-(imerode(I，W7))；36 太原理工大学硕士研究生学位论文％H1为全方位结构元边缘检测结果，A0～A7均为1／7H1=A0宰B0+A1宰BI+A2宰B2+A3木B3+A4宰B4+A5宰B5+A6幸B6+A7木B7；％多尺度结构元边缘检测，91，92，93为3个尺度的结构元素fl1=imopen(imclose(I，g1)，g1)；t21=imopen(imclose(I，92)，薛)；t31=imopen(imclose(I，93)，93)；B81=(imdilate(f11，91))-(imerode(f11，91))；B91=(imdilate(f21，92))-(imerode(f21，92))；B101=-(imdilate(f31，93))-(imerode(f31，93))；％权值的计算sl1=(imopen(imclose(I，90，91)+imclose(imopen(I，91)，91))／2；s21=(imopen(imclose(I，92)，92)+imclose(imopen(I，92)，92))／2；s31=(imopen(imclose(I，93)，93)+imclose(imopen(I，93)，93))／2；dl1=std2(I-fl1)．^2；d21=std2(I-f21)．^2；d31=std2(I-f31)．^2；D1l=d3l／(d11+d2l+d31)；D21=d21／(dll+d21+d31)；D3l=d11／(dll+d21+d31)；％H2为多尺度边缘检测结果H2=D11枣B8I+D21宰B91+D31宰B101；％二者结合得到图像边缘信息H3H3=H1+H2：3．5实验过程3．5．1实验流程图图3．3是小波阈值去噪联合改进形态学算法边缘检测的流程图。37 3．5．2实验环境太原理工大学硕士研究生学位论文图3-3本章改进算法流程图Figure3-3Theflowchartofimprovedalgorithminthischapter软件：MATLAB7．0．4：图像来源：医院提供的一肺癌病人的肺部病灶CT图像，图像大小为512幸512，添加的噪声为椒盐噪声(salt＆pepper，噪声密度为0．02)：小波基函数：haar：分解尺度：1：3．5．3实验结果及分析(1)小波阈值去噪算法检测结果：38 太原理工大学硕士研究生学位论文图3-4原始图像Figure3-4Originalimage图3-5加噪图像Figure3-5Noisyimage图3-6小波阈值去噪算法Figure3-6WaveletthresholdingDe—noisingalgorithm(2)全方位结构元对去噪前后图像进行边缘检测结果对比：图3—7去噪前Figure3-7Beforede—noising图3-8去噪后Figure3-8Afterde—noising(3)多尺度结构元对去噪前后图像进行边缘检测结果对比：39 太原理工大学硕士研究生学位论文图3-9去噪前Figure3-9Beforede—noising图3一10去噪后Figure3—10Afterde·noising(4)去噪前后全方位结构元和多尺度结构元结合检测结果对比：图3．11去噪前Figure3—11Beforede·noising图3．12去噪后Figure3—12Afterde—noising(5)改进算法对去噪前后图像的峰值信噪比(PSNR)和均方误差(MSE)比较：袁3．1小波阈值去噪前后图像的PSNR和MSE比较Table3·1TheimagePSNRandMSEcomparisonbeforeandafterwaveletthresholdingde-noising评价方法加噪图像去噪后图像PSNR／dB30．451963．0393MSE0．58600．0003表3．2本章形态学算法对去噪前后图像的PSNR比较Table3-2ThePSNRcomparisonofbeforeandafterdenoisingusingtheimprovedmorphologicalalgorithms使用方法加噪图像去噪后图像全方位结构元28．094766．1104多尺度结构元33．996136．6243二者结合28．034436．501940 太原理工大学硕士研究生学位论文袁3．3本章形态学算法对去噪前后图像的MSE比较Table3-3TheMSEcomparisonofbeforeandafterdenoisingusingtheimprovedmorphologicalalgorithms使用方法加噪图像去噪后图像全方位结构元1．00830．0002多尺度结构元0．25910．1415二者结合1．02240．1455从以上结果可以看出，图3-4为原始的肺部病灶图像，箭头所指为病变位置，图3．5是对图3-4加入椒盐噪声后的图像，图3-6是采用本文的阈值去噪方法后得到的图像，明显去除了大量噪声，并且保留了边缘，证明了阈值去噪的简单有效性。之后采用形态学边缘检测算法对加噪图像和本文的小波阈值去噪后图像进行边缘检测，并对结果进行对比，图3．7为全方位结构元对加噪图像边缘检测的结果，可以看出含有大量的噪声；图3．8是对去噪后图像进行边缘检测，去除了大量噪声，边缘也比较清晰，噪声虽然比图3—7小，但是依然存在少量的噪声；图3-9和图3．10是多尺度结构元对去噪前后图像边缘检测的结果，可以看出，多尺度结构元边缘检测具有去噪的能力，两幅图都去除了噪声，但是去噪的同时也去掉了一些边缘，使得边缘不清晰；图3．11和图3．12是将全方位结构元和多尺度结构元相结合对去噪前后图像进行边缘检测的结果，图3—11中仍然含有噪声，边缘也模糊不清晰，图3—12无噪声，边缘清晰且平滑，效果较好；比较图3—8，图3．10和图3—12，可以看出将全方位和多尺度结构元相结合进行边缘检测比单独使用其中一种方法效果都好。从表3．1可以看出，去噪以后的图像峰值信噪比增大，均方误差减小，都比去噪前有了很大的改善。从表3—2和表3—3可以看出，对去噪后图像进行形态学运算比对加噪图像形态学运算得到的PSNR有很大提高，MSE有很大降低，虽然将全方位结构元和多尺度结构元相结合得到的PSNR没有单独使用其中一种方法得到的PSNR大，但是图3．12得到的边缘优于图3．8和图3．10，并且图像的主观评价更占主要地位，综合主观和客观分析，还是将二者结合效果比较好。综上所述表明，本文的阈值去噪方法和改进的形态学边缘检测算子相结合能检测出较好的边缘，算法有一定的有效性。3．6本章小结本章采用小波变换阈值去噪联合改进形态学的算法对肺部图像进行边缘检测，做了两组实验，并分别从横向和纵向角度以及主观和客观角度比较实验结果，对本章的改进方法进行了验证，首先证明了采用的小波阈值去噪法和全方位、多尺度结构元边缘检测41 太原理工大学硕士研究生学位论文相结合对肺部病灶图像边缘检测的效果较好，能检测出清晰且平滑的边缘，其次证明了采用多尺度结构元素对图像进行闭开或开闭运算有一定的滤波效果。但这里的改进方法对于其他方面的图像以及一些噪声较大的图像，不一定会具有良好的检测效果，所以寻找一种更好的阈值去噪方法、更好的边缘检测方法以及小波与形态学更好的结合方法来以适应于更多的图像边缘检测仍需进一步研究。42 太原理工大学硕士研究生学位论文第四章改进的形态学边缘检测算法研究本课题提出了两种改进算法，一种改进算法是第三章的小波阈值去噪联合形态学的肺部图像边缘检测，另一种改进算法就是本章提出的单独使用形态学对图像进行边缘检测，本章的改进算法是在针对肺部图像中含有大量噪声的图像，或者用第三章算法中的小波阈值去噪效果不好时，可以选用本章中提出的去噪效果更好的改进的形态学边缘检测算法。而且本章的改进算法是对一般形态学算法的改进，将结构元素的选取和形态学算子的改进相结合，提出一种新的形态学边缘检测算算法，并对各个边缘加权求和时的权值进行改进，最后通过实验仿真，证明改进的算法在去噪的同时能检测到更好的边缘。4．1结构元素的选取(1)全方位结构元的选取这里全方位结构元采用3．3．1中的选取的全方位结构元，即本文从8个方位对肺部图像进行边缘检测【41-43]。(2)多尺度结构元的选取根据肺部图像的特点，此处取基本有限结构元g，为半径为1的菱形，且gi的大小随i的增大而单调增大，取i=1，2，3。然而当i=1，2时，结构元素实则为菱形，这样采用不同形状的结构元素可以针对不同形状的噪声，去噪的效果更好。即本文选取的是半径为1，2的菱形结构元素和半径为3的圆形结构元素，符合结构元素选取中的组合性原则，能更好的去除不同形状的噪声，也能更好的对肺部不同形状的边缘进行检测‘44-46]。4．2改进的复合型抗噪边缘检测算子由于开运算可以去除图像中的亮点(正脉冲)，闭运算可以去除图像中的暗点(负脉冲)[47-50]。而且在用开运算去除亮点(正脉冲)的同时，会增强暗点(负脉冲)的幅值，所以先对图像作开运算去除亮点，再作闭运算去除由此增强的暗点，这样能达到理想的降噪效果，经过反复实验确定本文新型复合的抗噪边缘检测算子，即采用全方位结构元进行边缘检测时运用算子：q(z，y)=厂(z，y)。％(工，y)·％(x，y)o％(x，Y)⋯、一／(x，y)。％(x，y)·哆(x，y)o野(x，y)，f=o，1⋯7_叫43 太原理工大学硕士研究生学位论文采用多尺度结构元进行边缘检测时运用算子：刚‘力二S八(xi岩g棠岩g棠∥y)归Og爻二爿i=1，2，3c4埘一，y)。，(x，y)·i(x，i(x，y)，，，、。。74．3改进的权值计算方法峰值信噪比(peaksignal-to—noiseratio，PSNR)是最普遍，最广泛使用的评鉴画质的客观量测法，其计算公式为：一10lg{磊一IM×Ⅳ惫缶¨弋“引¨“州j(4—3)其中，丘=maxf(x,y)厶=minf(x,y)，x=0，1，⋯M-1，y=0，1⋯N-1，J12(x∥)是对原图像处理后得到的新图像。IM，Ⅳl为图像的大小。将PSNR根据比例加于图像边缘融合的权值计算中，可以使得边缘信息量较大的图像更清晰的显示出来，增强图像的边缘。均方误差(MSE)定义为各测量值误差的平方和再取平均值的平方根。用在信号处理中表示经算法处理后的信号与原始信号的误差大小，本文的信号指的是图像像素大小，MSE越小，则信号误差越小，算法相对更好。目前其在图像画质评价中尚未有明确的标准，仍以主观评价为主。将PSNR应用于本文有两个目的：其一是用它和MSE一起来评价本文方法的去噪效果；其二是将它与一般的权值计算方法相结合，在边缘检测的结果中加入了峰值信噪比的信息，使信噪比大的图像拥有更大的权值，信噪比小的图像拥有较小的权值，从而使得到的边缘更加真实清晰，也更加科学。具体步骤为：Stepl．由改进的算子式(4．1)和式(4．2)分别计算出全方位和多尺度下的11个边缘图像q(x，y)和H(x，Y)，然后分别按式(4．3)计算出其峰值信噪比娜。，再计算出每个峰值信噪比在所有峰值信噪比中所占比例：，10Ur=P刚Rfl&sNRf+PSNR、J=0^⋯7(4-4)，n=O，10q=姗／∑(嗍哪)，卢1，2，23,／l=0，l，⋯10(4．5)，n=0Step2．根据式(3．8)定义的形态开、闭运算，对图像进行滤波处理，得到不同尺度下的去噪图像：44 太原理工大学硕士研究生学位论文Z(x，Y)=／(x，y)·gi(x，y)。g，(x，y)，i=1，2，3(4．6)Step3．计算每个尺度下图像的方差q2--I／一，12。Step4．计算Step3得到的方差的比例，确定权值鸱=仃三／∑二，方。Step5．实验中发现，采用全方位结构元素进行边缘检测时，权值大小几乎相等，所以本文取权值为方位数的均值吁=1／7，f--o，1，⋯7。Step6．最后得到本文的权值：用全方位结构元进行边缘检测时的权值为：q+吁，用多尺度结构元进行边缘检测时的权值为：哆+q。4．4采用改进的算法对图像进行边缘检测步骤为：根据上述选取的结构元素和改进的边缘检测算子对图像进行边缘检测，具体步骤Stepl．对图像加入峰值信噪比为50．6849dB的椒盐噪声或28．7686dB的高斯白噪声。Step2．由改进的权值计算步骤计算出边缘信息和权值。Step3．结合新的权值，采用全方位结构元和多尺度结构元检测结果相融合的方法计算图像边缘信息：7’1(x，)，)=∑(哆，+吁)G-，+∑(哆+q)哆(4—7)，=li=14．5实验过程及结果4．5．1算法实现流程图本文算法的具体实现流程图如图4．1所示：45 太原理工大学硕士研究生学位论文4．5．2实验环境图4．1算法实现流程图Figure4-1Theflowchartofimprovedalgorithminthischapter实验软件：MATLAB7．0．4实验图像来源：医院提供的一肺癌病人的肺部病灶CT图像、一健康人的肺部CT图像、经典的lena图像，图像大小均为512"512。添加的噪声：椒盐噪声(salt＆pepper，噪声密度为0．02)；高斯白噪声(gaussian，均值0，误差0．01)。全方位结构元素：5x5的8个方位的线型结构元素多尺度结构元素：半径为1，2的菱形结构元素和半径为3的圆形结构元素。4．5．3实验结果及分析(1)肺部病灶图像边缘检测结果如下图所示，文中采用3幅不同的原始图像，分别为图4．2，图4．7和图12(n)。图4—2为原始的肺部病灶图像；图4．3是对原图加椒盐噪声后的图像；图4．4是采用全方位结构元进行边缘检测时一般的算法和改进后的算法对比的结果，图4．5是采用多尺度结46 太原理工大学硕士研究生学位论文构元进行边缘检测时一般的算法和改进后的算法对比的结果，图4-6是采用全方位和多尺度结构元二者结合进行边缘检测时一般的算法和改进后的算法对比的结果，(2)改用lena图像，各图的实验方法与(1)一一对应。表4．1显示(1)实验中数据，列出一般的方法和改进后方法在PSNR和MSE上的比较。图4—2肺部病灶图像Figure4-2Lunglesionsimage图4．3加椒盐噪声图像Figure4-3Imagewithsaltandpeppernoise(a)一般的算法(b)改进后的算法图44全方位结构元检测结果对比Figure4-4Thecompareddetectionresultsofomnidirectionalstructures47 太原理工大学硕士研究生学位论文(C)一般的算法(d)改进后的算法图4．5多尺度结构元检测结果对比Figure4-5Thecompareddetectionresultsofmulti-scalestructures(e)一般的算法(f)改进后的算法图4．6全方位与多尺度结构元结合检测结果对比Figure4-6Thecompareddetectionresultsofomnidirectionalstructurescombinemulti·scalestructures表4—1改进前后方法的PSNR和MSE比较Table4-1TheimagePSNRandMSEcomparisonbeforeandafterimprovedalgorithm结构兀素方法PSNR／dBMSE一般的31．00610．5157全方位结构元改进后31．37430．4739一般的31．18730．4715多尺度结构元改进后31．39610．4715一般的31．76990．4327二者结合改进后32．24270．3880(2)经典的lena图像边缘检测结果48 太原理工大学硕士研究生学位论文图4．7原始Lena图像Figure4-7Originallenaimage图4-8加椒盐噪声图像Figure4-8Imagewithsaltandpeppernoise(g)一般的算法(h)改进后的算法图4-9全方位结构元检测结果对比Figure4-9Thecompareddetectionresultsofomnidirectionalstructures(i)一般的算法(j)改进后的算法图4一10多尺度结构元检测结果对比Figure4—10Thecompareddetectionresultsofmulti—scalestructures49 太原理工大学硕士研究生学位论文(k)一般的算法(1)改进后的算法图4—11全方位与多尺度结构元结合检测结果对比Figure4—11Thecompareddetectionresultsofomnidirectionalstructurescombmemulti．scalestructures(3)对加高斯白噪声的图像边缘检测结果(m)lena图像(n)健康人的肺部图像图4一12加高斯白噪声后图像Figure4—12Imageswithgaussianwhitenoise(0)一般的算法(p)改进后的算法图4-13全方位与多尺度结构元结合检测结果对比Figure4-13Thecompareddetectionresultsofomnidirectionalstructurescombinemulti—scalestructures50 太原理工大学硕士研究生学位论文(q)一般的算法(r)改进后的算：去图4一14全方位与多尺度结构元结合检测结果对比Figure4—14Thecompareddetectionresuluofomnidirectionalstructurescombmemulti—scalestructures从(1)和(2)的实验结果可以看出，单独使用全方位结构元检测边缘时，结果为图4-4和图4-9，其中图4-4(a)、图4-9(g)是采用一般的算法得到的结果，明显看出图像中含有噪声，且在去噪的同时削弱了边缘，造成边缘模糊，不够清晰，图4．4(b)、图4-9(h)是改进后的算法检测的结果，不但去除了噪声，而且边缘保持比较明显；单独使用多尺度结构元检测边缘时，结果为图4—5和图4—10，其中图4-5(c)、图4．10(i)是采用一般的算法得到的结果，可以看出图像中也含有少量噪声，且边缘间断、不连续，图4-5(d)、图4一】O(j)是改进后的算法检测的结果，不但去除了噪声，而且连续性较好，但是部分边缘不太明显；如果将全方位与多尺度结构元二者结合检测边缘时，结果为图4-6和图4—11，其中图4—6(e)、图4．11(k)是采用一般的算法得到的结果，可以看出比单独使用全方位结构元检测的结果图4-4(a)、图4-9(g)i手1]单独使用多尺度结构元检测的结果图4-5(c)、图4．10(i)都清晰，但是仍然含有少量噪声，且最外面的轮廓略有点模糊，边缘不够清晰，而图4-6(f)、图4—11(1)是改进后的算法检测的结果，分别比图4-4(b)、图4-5(d)矛I]图4-6(e)以及图4-9(h)、图4-lO(j)和图4．11(k)都清晰，不但去噪效果较好，而且由于增强了权值，所以得到的边缘也更加清晰明显，连续性也更好，甚至连很小的轮廓也能检测出来。从表1的数据上可以看出采用改进后的方法，其去噪效果在PSNR上有所提高，在MSE上有所降低，均优于一般的形态学算子边缘检测结果。由(3)知，图4—12(m，n)为加高斯白噪声后的图像，图4．13、图4．14是采用全方位和多尺度结构元二者结合进行边缘检测时一般的算法和改进后的算法对比的结果，可以看出改进后算法依然比一般算法检测的边缘效果好，说明本文的算法可以应用于其它图像和其它噪声情况，具有很好的鲁棒性。51 太原理工大学硕士研究生学位论文4．6本章小结本章讨论了一般的形态学边缘检测算子的基本思想和实现步骤，然后对一般的形态学边缘检测算子进行了改进，构造了一种更适合于肺部带噪图像的抗噪边缘检测算子，最后通过仿真实验对一般方法和改进方法进行比较，结果表明将全方位结构元和多尺度结构元相结合进行边缘检测，从主观和客观两方面来评价，得到的边缘效果都比单独使用其中一种更好。形态学边缘检测中结构元素的选择和形态学算子的构造是检测边缘好坏的重点和难点，结构元素不同的组合顺序也有不同的去噪效果，本章虽然得到了一些结果，但所做的工作还是非常有限的，针对不同图像选取不同的结构元素和构造不同的形态学算子以便得到更好的边缘正是作者进一步所要研究的内容。52 太原理工大学硕士研究生学位论文第五章边缘检测算法的硬件实现本章主要介绍在DSP硬件系统上实现边缘检测算法过程。具体实现方法为通过视频采集模块将医学肺部CT图像信息采集到DSP芯片中，同时借助于DSP芯片强大、快速的图像处理能力，对CT图像数据进行实时性的边缘检测等处理。验证了算法的可行性，该硬件系统的运行有助于提高医生疾病诊断的速度和精度。5．1硬件系统整体方案该硬件系统的构成模块主要包括：图像采集模块、DSP图像处理模块、JTAG调试接口模块和PC机。DSP图像处理模块具体包括：TMS320DM6446模块、DDR2存储器模块和Flash存储器模块。该硬件系统通过CCD摄像头摄取肺部CT图像，然后经过视频处理模块将图像数据转化成ⅥⅣ格式数据，将图像数据存储到DSP片外存储模块DDR2中，在DSP系统上进行图像边缘检测运算，最后将边缘检测的数据在CCS软件图形显示功能窗口显示结果，以验证在DSP系统上实现边缘检测算法处理效果及处理速度【sl,s2]。图5．1为肺部图像边缘检测的硬件组成框图：图5一l肺部图像边缘检测的硬件组成框图Figure5—1Hardwareblockdiagramofthelungsimageedgedetection该系统中，CCD摄像头像素大小为752*825，本硬件系统的视频解码芯片采用TI公司研发的TVP5146。DSP数字图像处理系统采用实验室现有的DSP视频图像处理开发板，该开发板上的DSP芯片采用TI公司生产的TMS320DM6446，其采用双核架构体系，将ARM内核和DSP内核集成于一体，实现复杂的视频图像处理功能。包括ARM和DSP两种内核，ARM主频达到297M，DSP主频达到594M。该芯片具有功能强大，数据处理性能高的特点。存储模块采用的是Intel公司的MT47H64M16BT，该芯片为第二代同步随机动态存储器(简称DDR2)，存储速度为6．67ns，存储大小为853L_一|蜜 太原理工大学硕士研究生学位论文Meg木16}8banks。DSP数字图像处理系统通过JTAG仿真接13连接JTAG仿真器，JTAG仿真器通过USB数据线连接PC机。下面对系统的各个模块做简要地介绍。5．2DSP图像处理系统的硬件开发平台5．2．1图像处理系统的硬件平台介绍DSP图像处理系统采用实验室现有的ICETEK．DM6446开发板，进行图像的采集和边缘检测算法处理。ICETEK．DM6446开发板的接入电源为+5V，在实验板整流为三种电源：DSP内核的1．2V供电、DM6446的1．8VI／O电压和板上其他芯片的3．3V供电。ICETEK—DM6446开发板上的DSP芯片型号是TMS320DM6446，是一款强大的视频图像处理芯片，TMS320DM6446的时钟是这样产生的：先通过一个外部的27M的晶振产生原始的时钟CLKIN，原始的输入时钟CLKlN通过芯片内部的锁相环进行了时钟的倍频，产生了内部所需的各种频率时钟。TMS320DM6446有专门的DDR2接口和外部存储器接13(EMIFA)连接板上的外围设备。另外，DSP外接视频解码芯片TVP5146对CCD摄像头采集的图像进行解码处理。下面对图像处理系统所用到的硬件资源进行介绍。5．2．2TMS320DM6446芯片功能概述本课题硬件设计的核心处理器芯片为达芬奇系列的TMS320DM6446。TMS320DM6446采用双核架构体系，将ARM内核和DSP内核集成于一体，实现复杂的视频处理功能。其内部功能模块主要包括ARM处理器、DSP处理器和视频处理模块。ARM处理器主要负责整个硬件系统的上电复位和寄存器配置，最主要的任务是对硬件系统的各功能模块的工作状态进行控制，以实现复杂的视频处理功能。DSP核子系统主要任务为控制大量的视频数据编码和视频数据压缩处理等操作。DSP核子系统采用TMS320C64x+内核，其强大、快速处理的性能使其特别适合网络视频监控应用。视频处理模块包括视频处理前端和视频处理后端；在视频处理过程中，通过视频前后端的协调工作来实现复杂的功能。ARM处理器和DSP处理器以及视频处理模块都可以通过中央交换资源来和外围接口进行数据交换。TMS320DM6446芯片内部的功能框图以及各模块的基本属性如图5-2所示。54 太原理工大学硕士研究生学位论文5．2．3视频解码模块JTAGVICP电源ARM处理器DSP处理器视频处理模块PLLl6KBI—Cache64l①L2视频处理前端引脚8KBD—Cache32KBL1Pgm视频处理后端复用16KBRAM80KBL1Data8KBROMH1rI工Ul中央交换资源(scR)1r外设．ASP12CSPIUARTGPlOPWMEMIFIWatchDog|陋NCFEDMAEMAclIDDR2ilwwQ图5．2DM6446处理器功能结构图Figure5-2DM6446processorfunctionalblockdiagram视频解码模块是本硬件设计的重要构成模块之一，其主要功能是负责CT图像信号模数转换，以便DM6446对其进行进一步处理。本硬件系统的视频解码芯片采用TI公司研发的TVP5146。此芯片的功能特点有【52】：】．具有12C总线接口；2．具有VBI数据处理器；3．具有可编程增益控制的4个30一MSPS的10bit模／数转化通道；4．支持NTSC、PAL、SECAM、CVBS和S-video格式；5．支持编程控制HSYNC／VSYNC输出的位置、极性、宽度；6．支持用户可编程控制视频输出格式；本文通过解码芯片TVP5146将CCD采集的模拟视频信号转换为10bitYUV4：2：2格式，然后传输到DSP的视频前端处理。图5．3为视频解码模块的硬件电路框图。CCD一瓣摄像头PCLK电压DSPVD转换．视频芯片前端HD图5．3视频解码模块的硬件电路框图Figure5-3Hardwarecircuitdiagramofthevideodecodermodule55 太原理工大学硕士研究生学位论文视频解码芯片通过采集CCD摄像头的模拟视频流之后进行解码，输出YUV4：2：2格式的数据流，经过电压转换芯片传输到DM6446的视频处理前端，再进行处理。其中，电压转换芯片是SN74AVC2T45，负责1．8V和3．3V的电压转换，视频解码芯片为TVP5146。DM6446内部的视频处理系统包括前端处理系统和后端处理系统。在本设计中，只用到了视频前端处理系统对CT图像进行采集以及其它处理。5．2．4外部存储模块ICETEK．DM6446实验板通过DDR接口连接DDR2存储器拓展外部存储空间。板上DM6446接有两片DDR2存储芯片，芯片型号为MT47H64M16BT，存储空间大小总共为128M，是一款大容量的存储芯片。DM6446与DDR2存储器的连接如图5．4所示。ClockEMIFAECLKjN●■———————一SDRAMCEnCSECLKOUTlCLKSDRASRASSDCASCASSDWEWESDCKECKEBE[7：0】DQM[7：0】EA【16：3】A【13：0]ED[63：0】D[63：0]图5-4DM6446与DDR2存储器的硬件连接框图Figure5-4hardwareconnectiondiagrambetweenDM6446andDDR2memoryTMS320DM6446处理器内部集成DDR2控制器，其支持JESD79D．2A标准兼容的16位或32位DDR2SDRAM存储器。可变的数据总线给扩大内存空间和提高CPU的利用率提供了可能。同时DDR2存储器的预读取能力相当于DDR内存的2倍，可在时钟的上升沿和下降沿时传输数据。所以DM6446非常适合应用在图像实时处理领域。5．3DSP图像处理系统的软件开发平台5．3．1集成开发环境CCS软件介绍CodeComposerStudio(简称ccs)为DSP芯片开发平台，在此开发平台上可进行项目工程的建立、算法程序的编写以及代码的测试。CCS是TI公司进行DSP软件开发的56 太原理工大学硕士研究生学位论文集成开发环境。在CCS软件上可以用C语言编写代码，通过仿真器XDS560USB连接DM6446的JTAG口，将编写好的程序下载进去，也可进行在线调试，便于检测出程序的运行状态。如果调试完成后，把程序烧录到DSP的内部或片外FLASH中进行单独地运行。CCS集成开发环境主要包含以下功能：(1)开发项目工程的语言支持C或汇编编程语言。(2)开发环境包括汇编器，连接器等集成代码工具。(3)开发环境窗口可查看变量、寄存器赋值等。(4)支持在线仿真调试。(5)具有探针工具，可用于算法仿真和数据监视等等。(6)有断点设置的功能，方便查看程序的运行状态。(7)通过映射的地址，可以显示图形或者波形等内容功能等。(8)可以使用通用扩展语言(GEL)T_具，来进行函数的创建，从而扩展CCS代码编写的功能。(9)提供实时数据交换(RTDX)技术，可以实现DSP与外界的快速数据交换。(10)包含DSP／BIOS工具，其特点相当于一个小的操作系统可以负责程序的线程调度和程序的管理以及一些基础模块的配置。当配置好CCS开发环境、电路板接好电源并连接上仿真器后，就要进行创建DSP工程了。一个完整的DSP工程创建文件包含头文件、库文件、源文件和．cmd文件，还需要加载相应的GEL文件。先加载gel文件、lib库文件等一系列的文件加载，之后是加载编写的．cmd文件。．cmd文件是用来分配程序存储器空间ROM和数据存储器空间RAM的，告诉链接程序怎样计算地址和分配空间，用户要根据DSP的存储器的地址范围来编写。完成了上述的配置和加载之后，才是真正的软件程序的编写阶段。另外，DM6446提供了丰富的芯片级支持库(CSL)，用户可以调用这些支持库的函数和文件，更方便快捷地编写工程代码和实现功能。5．3．2．cmd文件的配置每一个DSP开发工程都要配有．cmd文件，．cmd文件是设置指定程序和命令在存储器资源的配置。．cmd文件的编写包括MEMORY和Section两个部分。MEMORY是用来划分芯片的ROM和RAM的空间。Section块主要是用来分配段的地址所要存放的内容，是配置．cmd文件的重要环节。Section分成两个基本的部分：被初始化的Section和57 太原理工大学硕士研究生学位论文未被初始化的Section，其中，被初始化的Section包括为：．text(所有的可执行代码和常数)、．cinit(初始化的变量和常量)、．pinit(全局初始化变量)、．const(声明初始化过的全局和静态变量)等部分，未被初始化的Section包括：．bss(全局变量和静态变量)、．stack(系统堆栈空间)、．system(动态存储器分配空间)等部分。．cmd文件配置如图5—5所示。一1rts32e．1ibj—i．．＼．．＼csl＼arm＼lib＼Debug＼csl一daVinciArm9．1ib二⋯一1．．＼．．＼lib＼davincievmbsl．1ib二—stack[|x00000800一heapOx00000800MEMORYr1IRAM：0=Ox00000000DRAM：0=Ox00r|080D0L2：0=Oxll800000AEMIF：0=Ox02000000DDR2：0=Ox80000000ddra：O=0x80200000、JSECTl0NSif，L．bss>DRAM．cinit>DRAM．cio>DRAM．const>ddra．stack>DRAM．sysmem>DRAM．text>L2．ddr2>DDR2IRAM>ddrajIRAMl>ddra'5．4系统软件设计流程，‘‘*St'ac&Size壬，t‘j／叠HeapSize叠／图5-5．cmd文件配置Figure5-5．cmdfileconfiguration=Ox00004000=Ox00010000=Ox02000000=Ox00100000=Ox00100000基于DM6446的肺部CT图像处理系统，前端摄像头提供的是模拟信号，通过视频解码部分数字化后，给DM6446提供了数字的视频图像信号，本文提出的边缘检测算法是在DM6446内对这些数字信号进行处理。图5-6为整个系统的工作流程：58 太原理工大学硕士研究生学位论文厨纛稠l视频模块初始化Ij接收视频数据l将视频数据存储到DDR2中’|YUV数据格式转l{换成RGB格式Il对视频数据进行边缘检测I算法处理}f将算法处理后的数据存储至IJDDR2中}毒在CCS软件环境下显示图像图5-6基于DM6446的肺部CT图像处理软件流程Figure5-6LungCTimageprocessingsoftwareprocessesbasedOiltheDM6446首先进行的是DSP系统的初始化。DSP系统的初始化包括CPU初始化和系统模块的初始化。CPU初始化主要是指关闭内存管理单元、数据缓存和指令缓存，处理器数据格式设为LittleEndian模式。系统模块初始化是通过工程中的处理化程序对各硬件模块的状态寄存器的状态进行设置，以便在系统复位以后对硬件模块进行预期的操作。初始化的模块包括：DM6446模块、系统时钟模块，复用引脚的功能设置，DDR2模块和Flash模块的初始化等。其次就是视频和存储模块的程序设计。先进行视频解码芯片TVP5146的初始化，TVP5146的初始化配置通过系统12C总线设置芯片相关控制寄存器。然后就是DSP视频处理子系统的初始化，主要是完成视频前端的程序设计。视频前端的设计包括设置图像格式、数据通道和数据格式。VPFE—INT0是视频前端的初始化函数。等待这些芯片初59 太原理工大学硕士研究生学位论文始化后，然后打开视频解码通道，开始接收视频流数据。之后将视频解码数据存储到片外存储器DDR2中进行缓存。在缓冲区的起始地址为0x81000000。视频和存储模块的程序设计如图5．7所示。DsP视频处理子系统初始化打开解码通道÷接收视频解码数据r———————J——————————1l存储数据并显示l[善]=[{一1。．4．言0424t4一：j0芎≥4][箩Y二：主耋]c5一·，60 太原理工大学硕士研究生学位论文数以及其他的参数属性设置，如图5—8所示。最后单击确定，在CCS软件中就会出现摄像头的采集的图像和经过算法处理后的图像。DisplayTypeGraphTitleColorSpaceInterleavedDataSOIlYCe5St汀tAdaress—RS01-12"CeStartAddre!s—GS01．12"CeImageCn-aphiCalDist,1ayRGBNoimg_buf2LinesPel"DisDlay2S6PiXelsPerLine2S6BytePackingtoFill32BitsYe5ImageRow4-ByteASi口edYesImageOriginTopLeftUliiformQuaintizatiOrLto256NoStatu．％BarDisplayOnCursOTmodeDataCursor囡皇型』_图5-8CCS图形属性编辑界面Figure5-8CCSgraphicsattributeeditorinterface5．5边缘检测算法程序流程本文设计了两种边缘检测算法，分别是小波变换联合数学形态学的边缘检测算法、改进的数学形态学的边缘检测算法，在第3章和第4章分别详细介绍了这两种边缘检测算法，利用该算法对医学图像进行边缘检测都能起到很好的效果。因此在本节所做的工作就是将此算法成功移植到DSP硬件平台上。先将当前的帧图像保存到片外DDR2中，然后进行这两种算法的程序C语言代码的移植，最后将处理后的数据存储在DDR2中进行内存数据显示。在DSP系统上实现这两种算法子程序流程图如图5-9和图5—10所示。将第三章的小波阈值去噪联合形态学的肺部图像边缘检测称为算法一。将第四章的改进的形态学肺部图像边缘检测称为算法二。61 太原理工大学硕士研究生学位论文将要处理的当前帧图像数据存储至IJDDR2中It对图像数据加入噪声l小波变换去噪l选取结构元素1分别进行全方位和多尺度元边缘检测工二者相加得到最后图像l各处理后的帧图像数据存储至IJDDR2中jCCS软件中显示图像l将要处理的当前帧图像妻据存储至IJDDR2中l对图像数据加入噪声l选取结构元素1分别进行全方位和多尺度元边缘检测l求边缘检测的峰值信噪比，并用改进的加权计算l加权后得到的图像lCCS软件中显示图像图5-9算法一子程序流程图图5·10算法二子程序流程图Figure5-9SubroutineflowchartofalgorithmoneFigure5—10Subroutineflowchartofalgorithmtwo由于在DSP系统上的编程中除了要求处理效果好之外，处理速度也是一个关键的问题。为了能在DSP开发板上实现更好的效果，对算法性能进行了优化设计。优化工作主要是算法优化，对于不同的应用程序，其相应的优化步骤和方法是不一样的，优化的主要目的是分析算法本身的并行性，尽量降低算法前后的相关性。有时也可以用一些已优化的较好算法替代原来的算法。5．6CCS软件图形显示窗口显示结果本节将在CCS软件图形显示窗口显示原始图像、经过两种边缘检测算法后的图像，以验证在DSP硬件系统上实现边缘检测算法的可行性。如图5—11所示为原始图像保存到片外DDR2存储区域的原始数据，原始数据格式为16进制存储，YUV三种基色分量存储在不同的存储区域内。图5．12表示的在CCS软件图形显示窗口的原始图像。原始图像是将ⅥⅣ转换成RGB图像再转成灰度图像显62 太原理工大学硕士研究生学位论文示的。霉蘧厩匿-—————————]而而忑丽而而i而丽了———10x80000CS80x80000C6C0x80000C800x80000C940x80000C点80x80000CBC0x80000CD00x80000CE40x80000CF80x80000DOC0x80000DZ00x8000∞340x80000D480x80000DSC0x80000D700x8000∞840x80000D980x80000D^C0x80000DC00x80000DD40x80000DE80x80000DFC0x80000丑100x80000丑240xC6C6C6CS0xC6C6CSC60xC6C7C7C70xC5C8CDCE0}53DBEC5C40xBDBCBCBD0x13D13DBCBD0)毋FBCBCBD0xC6C4C4CS0xBEl3DClC60j出CC3BEBC0xBDBDEDBC0xBDBDBDBD0油：CBCBDBD0)毋C13DBDBD0徊CC3∞BD0x／,．DAl713513D0)也4^B^D^D0x94939SA30xCOBl鱼59C0xDFD6D7CC0xDEDEDED丑0xDCD9DED丑0xDEDEDEDE0xDEDEDED丑0xl>EDEDEDE0xD6D4DDDE0xD6D6D6D60x．D6176D6D60xD4C6C5CD0xFFFFF，FF0xFDF童FEFF0x918A^DEE0xA6A0989S0x／J)^8A4^60x．A4^9AD^D0rJ3lAD船^50xC284133BS0x7988CECP0x16213E420x1812lDlE0x2137C24190xDEDEDEDE0】函EDllDEDEOxDEDED耳DE0xE7E8E3DD0r．DEE6E7E70xDEDDDDDD0r．DDDDE9DC0x9786DODD0x82797D800x9992938E0x9C9C9C940x969D9C9C0媳39898940x．AC^A鱼4AS0xB4BSBSB20xBDBDBSB30xBDBDBDBD0xClBEBCBD0xC6C4B^BE0xC6C6C6C20xCSC6C6C60xCSC8C6C30xC6C6C6C60xCDCECSC60xC7CFClrClr0xCSCSC4C60姬C13C丑8BD0妇CBD丑DBC0)出DBDBDBC07．BCB8BABD0xC8BBBBBC0xC8C7C7C70x,BEC7CSBD0)圆DBDBDBC0x13DBDBDBD0x13PC2B日BC0)国CBDBDBD0xBCC7C7C30心61351341370灶4AABlB60x92949D^40xCOBl^6A20xI)ED6D3CB0)oEDEDEDE0xDDDBDEDE0xDED富DEDE0)：DEDEDEDD0x1)EDEDED丑0xI)SD7DEDE0xD6DSDSD50x．D6D6D6D60xC9C4D2-CF0xFFFFFEF0OxFEFFFFFF0x8893DAF9OXA29C94940xk．．O^8A6800xAC^D^D且D0)：B1AC．ADAC0xC489．A卫B20x3888BECD0x1424190C0x181316140x292D27220)DEDEDEDE0xI)EDEDEDE0xE8E7E2DC0)：DFE8E6丑60xDEDEDEDD0xE4E7E8DC0x9DBECEDD0x7D797FB80x9C9D958D0x9C91398950x99939D9C0xA4989C9C0xAC^AAl9F／蔼两忑而Fi而乏面而i——————————————1————二=====二一——⋯⋯．一图5一11原始数据存储格式Figure5·11Originaldatastorageformat接下来显示的是原始图像和边缘检测结果。(1)为方便表示，将第三章的小波阈值去噪联合形态学的肺部图像边缘检测称为算法一。图5．13至5—15是算法一在硬件上实现的显示结果。图5—12原始图像Figure5—12Theoriginalimage图5．13小波闽值去噪Figure5—13Waveletthresholdingdenoising63蔓型■-1』型蔓 太原理工大学硕士研究生学位论文图5．14对去噪前图像检测Figure5—14detectiontonoisyimage图5—15对去噪后图像检测Figure5—15detectiontodenoisingimage(2)将第四章的改进的形态学肺部图像边缘检测称为算法二。图5—16和图5—17是原始加噪图像，图5．18至图5．21是算法二在硬件上实现的显示结果。图5一16原始加噪图像Figure5·16Theoriginalnoisyimage64图5．17原始加噪图像Figure5-17Theoriginalnoisyimage 太原理工大学硕士研究生学位论文图5—18改进前算法Figure5一I8beforeimprovedalgorithm图5—19改进后算法Figure5—19afterimprovedalgorithm图5—20改进前算法图5-2l改进后算法Figure5—20beforeimprovedalgorithmFigure5—21afterimprovedalgorithm从实验结果可以看出，在该系统下能实时完成图像的边缘检测处理，且提出的边缘检测算法能较好消除噪声的影响，边缘轮廓清晰、连续性好。在DSP硬件系统上实现的两种边缘检测算法得到的最终图像与第3章和第4章在Matlab上的仿真结果是一致的，充分了证明了算法的可行性，并且通过系统整体程序的运行，验证边缘检测算法程序在DSP硬件系统上运行速度快，运行时间短，具有一定的医学应用价值。5．7本章小结本章主要介绍了边缘检测算法在DSP硬件系统上的实现过程。先介绍了硬件系统的总体框架以及各个模块的相关内容，以及软件开发环境CCS软件和．cmd文件的配置，之后介绍了系统和算法的软件设计流程，并在CCS软件图形显示窗口中显示边缘检测65 太原理工大学硕士研究生学位论文算法后的图形，验证了在DSP系统上算法程序运行的速度及可行性。66 太原理工大学硕士研究生学位论文第六章总结与展望医学图像的边缘检测对于临床诊断和治疗起着关键作用，图像边缘检测的清晰度、精确度等直接影响着后续的治疗。关于图像的边缘检测近年来已经成为了一个热门的研究领域，学者们也提出了许多算法，但是由于图像的来源不同，检测的目的不同、人们的需求不同，各种算法不能同时具有检测的边缘性能好且抗噪性能强的特点，而且不具有普遍适用性。研究一种适合于肺部图像的边缘检测方法有重要的意义。本文对边缘检测的常见方法进行了学习，提出了一些改进的方法，并将改进的边缘检测算法在DSP硬件上实现，验证了算法的可行性，增强了算法检测效果。本课题主要做了以下几方面工作：(1)通过阅读文献，对常用的边缘检测算法进行了学习和总结，包括经典的边缘检测算法，基于模糊理论的边缘检测算法，基于神经网络的边缘检测算法，基于小波变换的边缘检测算法，基于数学形态学的边缘检测算法，对常见的算法进行了MATLAB仿真，从而掌握了常见算法各自的优缺点；(2)针对小波变换和数学形态学的算法特点，提出了将小波变换与数学形态学相结合进行图像边缘检测。方法分两步进行，第一步以二维小波多分辨率分析为基础，对基于小波变换的图像边缘检测算法进行改进，第二步对形态学边缘检测算子进行改进，采用改进的算子对去噪后图像进行边缘检测。通过MATLAB实验结果表明，采用小波阈值去噪联合改进形态学对肺部图像进行边缘检测的算法能检测出清晰且平滑的边缘，具有很好的检测效果；(3)针对以往的数学形态学检测算法结构元素选取单一和形态学算子抗噪性能差等方面的不足，对数学形态学边缘检测算法进行改进。在数学形态学边缘检测的基础上，做了三点改进，1、选取适合于肺部图像的全方位结构元和多尺度结构元；2、改进形态学边缘检测算子，得到全方位和多尺度相结合的抗噪边缘检测算子；3、改进图像融合时的加权权值，将PSNR引入到图像的权值中，最后经过实验，结果表明利用改进的算法得到的图像边缘清晰度高，在抗噪的同时保留了图像的细节信息。(4)将改进的边缘检测算法在DSP硬件系统上进行验证。以CCS3．3为软件开发环境，以TMS320DM6446开发板为硬件开发平台，对算法进行硬件验证。该硬件验证系统通过图像采集模块对肺部CT图像进行采集、模数转换，然后将数字化的CT图像67 太原理工大学硕士研究生学位论文数据存储到硬件系统的DDR2存储器中，以便DSP对图像数据进行边缘检测算法处理，最后通过CCS软件上的图像显示窗口显示检测的结果，验证了算法在硬件系统上的可行性。本文虽然在肺部图像边缘检测方面做了一些工作，，但是也存在着一些不足之处。在算法研究上，改进的算法应用在肺部图像上检测效果良好，但是对于其他的图像处理效果没有进行验证，下一步可以尝试对其他更多方面的图像进行实验。在算法的评价方面，也仅是采用了峰值信噪比和均方误差，可以尝试采用多人观察，主观打分评价。另外，在硬件实现方面，只是采用了实验室现有的DSP视频图像开发平台，对于产品的成型化，有待后续的硬件电路设计，使改进的算法真正运用到实际的医学当中。68 太原理工大学硕士研究生学位论文参考文献[1】邓杰航．CT图像处理及可视化技术的研究[D]．西安理工大学，2005【2]苏红彬，白凤娥．边缘检测方法及其在医学图像处理中的应用研究[J]，光电子技术与信息，2005，18(2)：23-27【3】高朝阳，张太发，曲亚男．图像边缘检测研究进展【J]．科技导报，2010，(20)：112-117．【4]何文波．基于FPGA和DSP的红外图像预处理算法研究[D】．华中科技大学，2005．【5】钟炜．基于DSP的图像预处理算法研究与实现[D]．南京理工大学，2006．[6]宋海友．基于VTK的医学图像三维重建及其可视化技术研究[D】。成都理工大学，2006．【7]孙涛，李传富，刘伟等．基于特征向量的颅脑CT图像分割方法[J]．数据采集与处理，2010，25(5)：605-610．【8】JonathanR．King．NewApplicationsofFuzzyLogic[PhDThesis]．NorwichEngland：UniversityofEastAnglia．2000．[9】孙继龙．基于模糊理论的图像边缘检测算法研究与实现【J】．西安航空技术高等专科学校学报，2011,(05)：64-66．[10]谢芳，边淑芳．基于Pal算法改进的边缘模糊检测算法比较分析【J】．张家口职业技术学院学报，2009，(03)：50-51．【11]张德丰．MATLAB数字图像处理[M】．北京：北京机械工业出版社，2009：184-186．【12]杨建国小波分析及其工程应用【M】．北京：机械l,Jk出版社，2005，107-111．【13】赵晓丽，孔勇．基于高斯小波的多尺度积图像边缘检测算法【J】．数据采集与处理，2012，27(4)：490—494．【14]ZhenZhang，SiliangMa，HuiLiu，etal．Anedgedetectionapproachbasedondirectionalwavelettransform【J]．ComputersandMathematicswithApplications．2009，57：1265—1271【15】ShihMY’TsengDC．Awavelet—basedmultiresoulutionedgedetectionandtracking[J]．ImageandVisionComputing，2005，23(4)：441-451．[16】李涛．基于小波与形态学的遥感图像边缘检测算法研究【D】’[硕士论文】．重庆邮电大学，2011．【17]袁修贵，王军，黄修建，张泊．基于小波变换的一种图像增强去噪算法【J】．中南大学学报(自然科学版)，2005，(02)：298—301．69 太原理工大学硕士研究生学位论文【18]宋凯，尹志富，祁燕，张焕君．改进的小波多尺度频域增强算法[J】．广西师范大学学报(自然科学版)，2007，(04)：14—17．【19]ChenZhigang，CuiYueli，ChenAihua，AnMulti-scaleEdgeDetectionApproach[C]．InternationalConferenceonSolidStateDevicesandMaterialsScience．2012，25：1616—1620．[20]商艳丽，夏志成．基于形态学多尺度算法的肺部CT图像边缘检测[J]．自动化与仪器仪表，2008(1)：43．45．[21]赵德春，彭承琳，陈园园，李勇明．用形态学改进医学图像边缘检测算法【J]．重庆大学学报，2010，33(2)：123-126．[22]蒋黎丽．肺CT图像切割算法研究【D]一匕京邮电大学，2008．[23]DuganHeric，DamjanZazula，Combinededgedetectionusingwavelettransformandsignalregistration[J]．ImageandVisionComputing．2007，25(5)：652—662．【24]PanS，KudoM．Segmentationofporesinwoodmicroscopicimagesbasedonmathematicalmorphologywithavailablestructuringelement[J]．ComputersandElectronicinAgriculture，201l，75(2)：250—260．【25]XiangzhiBai，Morphologicalimagefusionusingtheextractedimageregionsanddetailsbasedonmulti-scaletop—hattransformandtogglecontrastoperator[J]．DigitalSignalProcessing，Volume23，Issue2，2013，23(2)：Pages542—554．【26]梅媚．计算机辅助CT图像脂肪检测算法研究与系统实现【D]．天津大学，2003．[27]金泽安．基于DSP红细胞图像处理技术[D】．南京理工大学，2009．【28]杨帆．模糊边缘检测算法研究[D】．重庆邮电大学2009．【29]彭明星．基于遗传神经网络的图像边缘检测[D】．武汉理工大学，2009．【30]腾扬．基于改进的BP神经网络肺部CT图像的节点识别【D】．吉林大学，2011．[31]李雪．灰度图像边缘检测算法的性能评价[D】．沈阳工业大学，2007．【32]王爱玲，叶明生，邓秋香．MATLABR2007图像处理技术与应用【M】．北京：电子工业出版社，2008：256．257．【33]赵晓丽，孔勇．基于高斯小波的多尺度积图像边缘检测算法田．数据采集与处理，2012，27(4)：490—494．[34】张维强，宋国乡．基于一种新的阈值函数的小波域信号去噪[J】，西安电子科技大学学报(自然科学版)，2004，31(2)：296．299．[35]桑恩方，沈郑燕，卞红雨等．形态小波阂声纳图像去噪算法[J]．数据采集与处理，70 太原理工大学硕士研究生学位论文f36]曾鹏鑫，么健石，陈鹏等．基于小波变换的图像增强算法【J]．东北大学学报(自然科学版)，2005，(06)：527．530．[37]艾力米努，阿布力江，阿卜杜如苏力等．一种基于二进小波变换的医学图像增强算法[J】．计算机与应用化学，2012，(8)：951．954．[38】张玉新，腾桂法，赵洋，李阅历，马建斌．基于小波变换模极大值的信号去噪方法研究【J】．河北农业大学学报，2009，32(1)：114．116．[39]徐广顺，黄孝斌．基于一种新阈值函数的小波医学图像去噪[J]．电脑知识与技[40】张维强，宋国乡．基于一种新的阈值函数的小波域信号去噪【J】．西安电子科技大学学报，2004，(02)：296．299．一[41]S．Godbole，A．Amin．Mathematicalmorphologyforedgeandoverlapdetectionformedicalimages[J]．Real-TimeImaging，1995，191-201．[42】李娟娟．基于小波变换及形态学的光学图像边缘检测研究[D]．燕山大学，2010．【43]宋呜，胡学龙，高燕．基于全方位和多尺度形态学的图像边缘检测【J]．扬州大学学报(自然科学版)，2005，8(1)：39—42．【44]张黄群，于盛林，白银刚．形态学图像去噪中结构元素选取原则【J]．数据采集与处理，2008，23：81．83．[45]JYang，XBLi。Boundarydetectionusingmathematicalmorphology[J]．ComputingScienceDepartment，1995，1277-1286．【46]黄海龙，王宏等．一种基于数学形态学的多形状多尺度边缘检测算法[J]．东北大学学报(自然科学版)，2010，31(10)：1483．1486．[47]文U清，林土胜．数学形态学的边缘检测算法研究[J】．计算机工程与应用，2008，44(35)：188．189．[48]文0高生，马小三，王培珍。基于改进的中值滤波和数学形态学的图像边缘检测[J]．计算机与现代化，201l，(8)：57．59．[49]费浦生，王文波．基于小波增强的改进多尺度形态梯度边缘检测算法【J]．武汉大学学报(信息科学版)，2007，(2)：120—123．【50]黄海龙，王宏等．一种基于数学形态学的多形状多尺度边缘检测算法(J]．东北大学学报(自然科学版)，2010，31(10)：1483。1486．71 太原理工大学硕士研究生学位论文【51]穆伟斌．断层医学图像处理研究及基于DSP的硬件实现【D]．哈尔滨工程大学，2010．【52]李学广．红外图像预处理算法研究及硬件实现[D】．哈尔滨工程大学，2007．72 太原理工大学硕士研究生学位论文致谢时光荏苒，眨眼间三年的研究生生活就要结束了。在这三年的学习和工作中，认识了好多对我学习和工作帮助很大的老师和同学。非常感谢他们对我的帮助。首先要感谢的是我的导师．白静老师，平目的学习上，给了我很多良好的学习方法，从课题的入f-iN熟悉各种算法，再到实验的进行和结果的分析，一步一步耐心地指点着我，大大提高了我的科研能力。在论文撰写期间，白老师也给了我很多指导，从结构的安排到内容的充实，帮我进行详细的分析和修改。生活上也非常关心和照顾我们，非常感谢您!其次要感谢为我提供课题以及实验数据来源的山西医科大学老师．叶鸿瑾老师，对我的课题研究给予了很大的帮助。研究生三年的生活我也非常充实，研二期间我进行了两份勤工助学工作，上学期是在校团委处做部长助理，认识了闫新老师，董毅老师，张勇老师等很多老师，在他们的带领下，我锻炼了我的为人处事能力，组织安排能力，同时他们也都对我的工作和生活提供了很大帮助。谢谢他们给我提供那个提高自己的机会。下学期在学校研究生院做助理，这一段的工作经历更是丰富和充实了我的生活，让我对研究生的学习和培养有了深刻的认识，那里的老师都很和蔼，待我也非常好，工作之余经常关心我的学习和生活，尤其是张勤老师，她把我当做自己的孩子一样，经常给予我各方面的帮助，我非常感谢，那一段的生活经历在我的人生道路上有着重要意义。这些老师有树学峰院长，姚晓红副院长，王建英副院长，张玲玲副院长，张勤主任，郭彦文老师，满保华老师，王一平老师，李钢老师，姚美琴老师，王元老师，曹京华老师，张婧老师，赵文晶老师，王锐老师。然后还要感谢对我课题研究有很大帮助的闰富宝同学和赵泽彪同学，以及实验室里与我一同度过研究生生活的同学们，有何小萍，焦术进，尹聪，郑红娜，还有可爱的师弟师妹们。谢谢你们，与你们一起度过的日子我很开心。最后还要感谢我的父母和哥哥，他们一直鼓励我好好学习，在经济和生活上给我提供莫大的支持，是我强大的精神后盾，正是他们的支持，我才有读研的机会和这么充实的三年研究生经历。我爱你们!感谢理工大学对我的栽培，研究生的三年学习和生活是我人生的转折，有了这个经73 太原理工大学硕士研究生学位论文历，才使我有了继续考博的机会，对我人生重要的意义。最后，衷心感谢在百忙之中评阅论文的各位老师和参加论文答辩的各位专家。74 太原理工大学硕士研究生学位论文攻读研究生期间发表过的论文【1]景少玲，白静，叶鸿瑾．改进的形态学肺部图像边缘检测[J]．数据采集与处理．2013．[2]景少玲，叶鸿瑾，白静．小波阈值去噪联合数学形态学的肺部图像边缘检测[J]．计算机应用与软件．2013．【3]闰富宝，景少玲，张刚．高速视频监控系统中DDR2布线仿真与分析[J】．电视技术，2013，07：36．39．75