專利名稱：圖像分割方法及裝置、圖像倒置判斷及胸片前后區(qū)分方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及圖像的分割處理以及其在數(shù)字化x線胸
片計算機輔助影像處理中的應(yīng)用。
背景技術(shù)：
圖像分割，特別是胸片肺部圖像的分割，是數(shù)字化X線胸片計算機輔助診斷和影 像后處理的必要過程。 一方面，它提取了肺部感興趣區(qū)域，可以減少肺內(nèi)疾病檢測假陽性的 數(shù)量；另一方面，它便于胸片組織均衡的實現(xiàn)；同時，它也是自動計算肺參數(shù)的基礎(chǔ)。
肺部分割的實現(xiàn)技術(shù)很多，目前比較常用的技術(shù)主要有三種 其一是基于規(guī)則的分割方法，主要是利用圖像特點，處理圖像以使經(jīng)典的邊界檢 測和區(qū)域分割可以正確識別肺部。這種方法雖然實現(xiàn)簡單，但是自適應(yīng)性較弱。目前，吉內(nèi) 肯(Bram van Gi皿eken)提出的基于規(guī)則的肺邊界提取是現(xiàn)有報告中結(jié)果最好的，該方法 能夠兼容正常圖像和有疾病的圖像，但缺點是對圖像細(xì)節(jié)部分分割精度不高，如當(dāng)圖像中 胃部灰度較暗時，左橫膈膜的定位會出現(xiàn)錯誤。 其二是像素分類，提取圖像的特征，并設(shè)計分類器以使肺部和其它組織區(qū)分更明 顯。這種方法過程簡單，規(guī)則少，但是實現(xiàn)起來比較耗時，因為往往需要進行大量的循環(huán)比 較，并且結(jié)果通常是以概率形式呈現(xiàn)，造成分割結(jié)果的邊緣不平滑。 其三是基于模型的方法，這種方法的抗噪聲能力比較強，結(jié)果也比較平滑完整，但
是容易陷入局部極值，并且對肺部結(jié)構(gòu)有異?；蛘哂袊?yán)重疾病的圖像提取也會失誤。經(jīng)典
ASM (Active Shape Model, ASM)中，特征向量的分量變化應(yīng)在一個限制范圍，如果限制范圍
很小，由于真實形狀無窮無盡，迭代將很難逼近真實輪廓。在一個合理的限制范圍下，ASM的
迭代可能出現(xiàn)形狀異常的情況，從而使提取結(jié)果并不能令人滿意，經(jīng)典ASM并不能自動識
別這種錯誤， 一旦出現(xiàn)了上述情況，則現(xiàn)有的分割方法無法避免上述問題的產(chǎn)生。 另外，對于正位胸片來說，目前現(xiàn)有的分割方法無法兼容圖像出現(xiàn)上下或者左右
顛倒， 一旦出現(xiàn)這樣的圖像，結(jié)果會出現(xiàn)嚴(yán)重錯誤。 可見，現(xiàn)有技術(shù)中存在一定的問題，需要進一步的改進。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供了一種圖像分割方法及裝置、圖像倒置判斷及胸片前后區(qū) 分方法。 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案 本發(fā)明提供的一種最匹配輪廓搜索方法，所述方法依次包括以下步驟
搜索目標(biāo)區(qū)域的輪廓； 判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若是， 則接受此次搜索過程的結(jié)果；若否，則拒絕此次搜索過程的結(jié)果。。該方法通過增加檢驗步 驟，使得能夠?qū)斎氲膱D像進行合理判別，提高了算法的精確度。
本發(fā)明提供的一種圖像的分割方法，所述方法包括以下步驟A、對輸入圖像進行 預(yù)處理；B、搜索目標(biāo)區(qū)域的輪廓，及檢驗所述輪廓的搜索結(jié)果；所述檢驗輪廓搜索結(jié)果的 過程包括判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若 是，則接受此次搜索過程的結(jié)果；若否，則拒絕此次搜索過程的結(jié)果；C、根據(jù)檢驗結(jié)果，提 取目標(biāo)區(qū)域。本發(fā)明通過增加檢驗步驟，使得能夠?qū)斎氲膱D像進行合理判別，解決了圖像 存在異常而影響分割的問題。 本發(fā)明還提供了一種利用方向?qū)?shù)濾波求極值檢測圖像特征邊界的方法，所述方 法依次包括以下步驟 沿目標(biāo)特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的 巻積； 提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值；
將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接； 進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為目標(biāo)特征邊界。 本發(fā)明利用方向?qū)?shù)濾波求極值的方法可以精確的檢測出目標(biāo)區(qū)域在圖像中的
各個特征邊界，并且通過在一預(yù)設(shè)范圍內(nèi)先進行邊界連接，避免了采用現(xiàn)有技術(shù)的檢測方
法所可能出現(xiàn)的特征邊界非連續(xù)的問題。 本發(fā)明提供的一種圖像分割裝置，所述裝置包括預(yù)處理模塊，用于對輸入圖像進 行預(yù)處理；最佳匹配輪廓搜索模塊，用于對預(yù)處理后的圖像搜索目標(biāo)區(qū)域的輪廓，及檢驗所 述輪廓的搜索結(jié)果；分割模塊，用于根據(jù)檢驗結(jié)果，提取目標(biāo)區(qū)域；平滑處理模塊，用于對 局部分割后的圖像進行平滑處理。本發(fā)明通過增加最佳匹配輪廓搜索模塊，使得能夠?qū)?入的圖像進行合理判別，解決了圖像存在異常而影響分割的問題，并且該系統(tǒng)具有優(yōu)越的 穩(wěn)健性和細(xì)致性。 本發(fā)明還提供了一種非對稱圖像的倒置判斷方法，其過程依次包括以下步驟
Tl、分別以兩個上下相互顛倒的初始輪廓進行迭代過程，并輸出并輸出兩個迭代 過程的形狀異常指數(shù)形狀異常指數(shù)； T2、判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓為
初始輪廓迭代結(jié)果的形狀異常指數(shù)，若是，則判定輸入的圖像為倒置圖像。 本發(fā)明實現(xiàn)了對圖像的倒置判斷，相對于現(xiàn)有技術(shù)而言，提高了計算精度，避免了
圖像倒置而引起的誤差，還提高了系統(tǒng)運算的自適應(yīng)性。 本發(fā)明還提供了一種胸片圖像的前后后前位自動區(qū)分方法，其過程包括以下步 驟 Wl、利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征 邊界； W2、分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離； W3、根據(jù)所述最大水平距離判斷圖像中心臟在胸片中的位置，若所述最大水平距
離大于或等于一預(yù)設(shè)距離值，且所述右縱膈特征邊界到所述胸腔中心線的最大水平距離大
于所述左縱膈到所述胸腔中心線的最大水平距離，則心臟位于胸片的右側(cè)。 在此方法中，通過利用方向?qū)?shù)濾波求極值的方法實現(xiàn)了胸片前后后前位自動區(qū)
分，提高了計算精度，避免因初始輸入圖像錯誤而引起的計算誤差。


圖1為本發(fā)明的方法流程示意圖； 圖2為本發(fā)明的裝置結(jié)構(gòu)示意圖； 圖3為在進行肺部分割時，輸入的原始DR圖像； 圖4為在進行肺部分割時，預(yù)處理后的結(jié)果； 圖5為經(jīng)典ASM迭代的異常結(jié)果，其中細(xì)線為初始輪廓，粗線為迭代結(jié)果。； 圖6為在進行肺部分割時，經(jīng)過最匹配輪廓搜索過程處理后的結(jié)果，其中細(xì)線為 初始輪廓，粗線為迭代結(jié)果； 圖7為在進行肺部分割時，左橫膈膜的錯誤匹配結(jié)果； 圖8為在進行肺部分割時，左橫膈膜矯正之后的結(jié)果； 圖9為在進行肺部分割時，局部分割處理和平滑處理后的結(jié)果； 圖10為在進行肺部分割時，方向?qū)?shù)濾波取極值特征邊界的提取結(jié)果； 圖11為本發(fā)明最佳實施例流程圖。
具體實施例方式
如圖1所示，本發(fā)明主要公開了一種圖像的分割方法，其首先，對輸入圖像進行預(yù) 處理；然后，搜索目標(biāo)區(qū)域的輪廓，及檢驗所述輪廓的搜索結(jié)果，這里的輪廓是指初始分割 后的輪廓；最后，根據(jù)檢驗結(jié)果，提取目標(biāo)區(qū)域。這一方法不僅可以應(yīng)用到胸片肺部區(qū)域分 割上，而且還可以應(yīng)用到其他灰度和形狀較為固定的目標(biāo)分割上。以下從各個方面詳細(xì)說 明本發(fā)明的主要技術(shù)方案，其中，特征點的概念是指目標(biāo)區(qū)域邊界轉(zhuǎn)折或者過度較大的點。
第一方面，預(yù)處理過程。 上述預(yù)處理過程主要包括將圖像的灰度映射到同一灰度區(qū)間，以及對圖像進行 對比度增強處理的過程。其中，將圖像的灰度映射到同一灰度區(qū)間的過程，主要是將圖像 的灰度范圍線性映射到0到255區(qū)間，然后進行直方圖均衡化和灰度取反處理，使得目標(biāo)區(qū) 域和背景區(qū)域為低灰度值，相應(yīng)的參考用特征邊界(比如以肺部區(qū)域作為目標(biāo)區(qū)域的分割 中，參考用特征邊界指心臟和縱膈)為高灰度值，得到圖像A。這里，也可以采用自適應(yīng)均 衡、直接灰度變換等對比度增強方法代替直方圖均衡化。 對圖像進行對比度增強處理的過程，主要是對圖像A的上下兩個等面積矩形圖 像分別采用迭代閾值算法進行粗略背景分割，組合后得到圖像B，圖像B中只有0和255兩 種像素值。這里，也可以用最優(yōu)閾值等其它自適應(yīng)閾值算法代替迭代閾值算法。 一分為二 的目的是為了抵制灰度不均勻的影響，灰度不均勻可能導(dǎo)致目標(biāo)區(qū)域中的局部部分(比如 以肺部區(qū)域作為目標(biāo)區(qū)域的分割中的肺尖部)由于灰度較暗而被分割為背景。
下面以肺部區(qū)域作為目標(biāo)區(qū)域為例，說明上述預(yù)處理過程實現(xiàn)方法
通常DR(Digital Radiogr即h，數(shù)字X射線攝影)圖像的尺寸是3000 X 3000像素 (如圖2所示)，為了減少后續(xù)數(shù)字處理的工作量，可以對圖像的尺寸進行縮小，比如在進行 預(yù)處理時，采用先將圖像縮小為256X256像素后，再進行上述將圖像的灰度映射到同一灰 度區(qū)間，以及對圖像進行對比度增強處理的過程。另外，為了避免圖像頭頸部的干擾，在肺 部區(qū)域的分割處理過程中還需要增加去除大部分頭頸部的過程，比如將對上述對比度增強后的圖像B進行二值圖像開啟，并且去掉小于一定像素的區(qū)域(比如40個像素，可以通 過預(yù)先測試獲得)，然后從圖像B最上端進行逐行搜索，如果在第n行中搜索到值為非背景 值的連續(xù)像素個數(shù)大于或者等于一灰度值(比如128)，則將灰度映射處理后的圖像A從第 0行開始，直到第n-20行的所有像素都置為0，即去除大部分頭頸部。去除頭頸部的目的是 為了減少方向?qū)?shù)濾波取極值檢測過程的干擾結(jié)構(gòu)。同理，對圖像A的下端也用同樣方式 處理，因為圖像可能上下顛倒。至此，預(yù)處理部分已經(jīng)完成，原始圖像和預(yù)處理結(jié)果分別如 圖3和圖4。可見，在進行肺部區(qū)域分割的預(yù)處理時，主要進行尺寸統(tǒng)一、灰度統(tǒng)一、以及頭 頸部去除處理。 第二方面，最匹配輪廓搜索過程。 如圖1所示，上述搜索目標(biāo)區(qū)域的輪廓及檢驗輪廓的搜索結(jié)果的過程主要包括以 下兩個方面 首先是搜索目標(biāo)區(qū)域輪廓的過程，其可以基于主動形狀模型(ASM)迭代算法，對 圖像進行多次目標(biāo)區(qū)域的輪廓搜索過程，每次輪廓搜索過程中通過將平均輪廓進行位置或 大小變換使之覆蓋整幅圖像范圍的方式，來改變每次迭代過程的初始輪廓。這里的平均輪 廓是ASM訓(xùn)練過程中計算出來的，經(jīng)典ASM搜索過程將它作為ASM搜索過程的輸入初始輪 廓進行迭代，而這里將它平移縮放后再作為ASM初始輪廓，所以是建立了多個搜索過程。在 此過程中只改變初始輪廓，也就是每次搜索過程通過將平均輪廓進行上、下、左、右步進平 移以及縮放等變換使之覆蓋整幅圖像范圍的方式，來改變主動形狀模型迭代的初始輪廓， 然后進行多次目標(biāo)區(qū)域的初始輪廓搜索過程。這里的位置或大小變換可以是進行上、下、 左、右步進平移以及縮放等變換。 其次是檢驗輪廓搜索結(jié)果的過程，其主要是判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異 常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若是，則接受此次搜索過程的結(jié)果；若否，則拒絕此次 搜索過程的結(jié)果。若拒絕所有搜索過程的結(jié)果，則也可以接受所述形狀異常指數(shù)為最小的 搜索過程的結(jié)果，然后再進行后續(xù)處理。 這里的所述形狀異常指數(shù)的計算方法包括以下步驟在目標(biāo)區(qū)域輪廓搜索過程的 多次迭代過程中，記錄每次迭代過程的特征值向量中超過所限制范圍的分量個數(shù)，將所述 分量個數(shù)的最大值記為此次輪廓搜索過程的形狀異常指數(shù)。 一個目標(biāo)區(qū)域輪廓搜索過程對 應(yīng)有多次輪廓迭代計算處理過程。 從上述過程可知，本發(fā)明通過增加一個形狀異常指數(shù)的判斷。來改進了經(jīng)典
ASM(主動形狀模型ASM, Active Shape Model)算法，使之在搜索輪廓時更加有效。本發(fā)明
旨在給出一個合理參數(shù)判定這種異常，其原理是預(yù)先設(shè)定一個常數(shù)CHANGEJJMIT，在一
個較大的特征值跳躍限制比下搜索輪廓，在每次迭代過程中記錄特征值向量中超出所限制
范圍的分量個數(shù)n，將n的最大值N作為判定結(jié)果是否合理的形狀異常指數(shù)。那么在實施
時，分別用訓(xùn)練過程的平均輪廓進行上、下、左、右平移和縮放等變換作為新的初始輪廓，進
行多個搜索過程，如果有一個過程輸出的N小于或者等于CHANGE_LIMIT，則接受該過程的
迭代結(jié)果作為最后的結(jié)果，如果所有過程的形狀異常指數(shù)都大于CHANGE_LIMIT，則說明圖
像可能有較大異常，這時拒絕所有過程的結(jié)果，或者將形狀異常指數(shù)最小的過程作為最佳
過程并接受其結(jié)果。而對于這一過程，本發(fā)明稱為最匹配輪廓搜索過程。 本發(fā)明可以基于經(jīng)典ASM(主動形狀模塊迭代算法)來對目標(biāo)區(qū)域的輪廓進行搜索，則其理論依據(jù)為特征值向量的變化表達了在迭代過程中輪廓的形變程度，經(jīng)典ASM說
明了特征值向量的分量值變化應(yīng)有一個限制范圍，為了保持形狀的正常，它將超出范圍的 分量用最大范圍處的值取代，這樣只能保證限制范圍很小時形狀不會出現(xiàn)異常，否則形狀
仍然可能出現(xiàn)較大變化，如圖5，迭代過程中28個特征值有13個被限制時的輪廓。而如果 限制范圍很小，由于真實形狀無窮無盡，迭代將很難逼近真實輪廓。在一個合理的限制范圍 下，促使ASM的迭代出現(xiàn)形狀異常的情況主要有兩種一是圖像中的肺輪廓本身有異常；二 是初始輪廓距離目標(biāo)過遠(yuǎn)，圖5就是這種情況。第一種情況是圖像本身的問題，ASM將失去 效用，本發(fā)明可以采用基于方向?qū)?shù)濾波取極值特征邊界提取的方法來解決，下面將提到。 第二種情況就可以用本發(fā)明提出的最匹配輪廓搜索過程解決，通過將平均輪廓步進地平移 或縮放到圖像的各個角落作為初始輪廓，可以減小初始輪廓與目標(biāo)的距離，而當(dāng)這個距離 最合適時，ASM迭代后特征值改變量也會很小，因此不容易超出限制范圍，可以得到最佳輪 廓。要使最匹配輪廓搜索有效，必須注意特征值跳躍限制比不能過小，不然很容易超出范 圍，依經(jīng)驗確定，在進行經(jīng)典ASM算法時特征值跳躍限制比一般范圍是
。
下面以肺部區(qū)域作為目標(biāo)區(qū)域為例，說明上述最匹配輪廓搜索過程的實現(xiàn)方法
ASM在應(yīng)用之前需要經(jīng)過離線訓(xùn)練，本發(fā)明訓(xùn)練過程用到的參數(shù)為訓(xùn)練圖像44 幅，點分布模型不進行對齊處理，特征值截取率99%，表面模型梯度向量長度6，分辨率 級數(shù)3。本發(fā)明訓(xùn)練之后的特征值數(shù)量為12個。對于輪廓采樣點數(shù)，左肺和右肺分別采
樣45點和40點，共85點，并將第1、20、25、46、60、65點分別標(biāo)記為左肺尖頂點、左肋膈角 頂點、左心膈角頂點、右肺尖頂點、右心膈角頂點、右肋膈角頂點。ASM搜索過程的參數(shù)設(shè)置 為特征值跳躍限制比2.5，梯度向量長度18，最大迭代次數(shù)80，收斂標(biāo)準(zhǔn)系數(shù)為0. 98，采 用對齊方式搜索。最匹配輪廓搜索的形狀異常指數(shù)預(yù)設(shè)閾值CHANGEJJMIT設(shè)置為0。當(dāng)最 匹配輪廓搜索過程的形狀異常指數(shù)大于CHANGEJJMIT時，本發(fā)明拒絕該過程的結(jié)果。圖6 是本系統(tǒng)接受的結(jié)果。 第三方面，胸片前后后前位自動區(qū)分方法，主要講述在以肺部區(qū)域作為目標(biāo)區(qū)域 的圖像分割處理中的應(yīng)用。 上述第一方面講述了以肺部區(qū)域作為目標(biāo)區(qū)域的圖像預(yù)處理過程，那么本發(fā)明的
另一個創(chuàng)新點是，在對胸片圖像的肺部區(qū)域進行分割處理時，增加了一個胸片前后后前位
自動區(qū)分的過程，該過程可以判斷圖像是否左右顛倒，提高圖像的分割處理精度。 為了減少計算量，本發(fā)明的胸片前后后前位自動區(qū)分方法可以將預(yù)處理后的圖像
A縮小為200X200像素，得到圖像C后進行處理。其中，胸片前后后前位自動區(qū)分的過程包
括以下步驟 Vl、利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征 邊界。其中，檢測胸腔中心線的過程如下所示 第一步，將圖像C的每列像素相加得到一個向量，該向量反映了圖像C的水平灰度 分布，求出該向量從第50個分量到第150個分量之間的第一個最大值位置，將以該位置為 水平坐標(biāo)的垂直直線作為搜索中心線的基準(zhǔn)軸。 第二步，對圖像C計算與二維高斯模板的濾波結(jié)果，這里高斯模板的標(biāo)準(zhǔn)差設(shè)定 為8，選擇大的標(biāo)準(zhǔn)差是因為中心線區(qū)域較寬。設(shè)濾波后的圖像為D，沿水平方向檢測圖像 D的局部極大值和極小值位置，生成極值點圖像E，圖像E的對應(yīng)位置分別置為255和O，其它位置置為127。圖像E存儲的是圖像D的極值點位置。在圖像D的極大值點處，圖像E的 相應(yīng)位置上的值為255 ;在圖像D的極小值處，圖像E的相應(yīng)位置上的值為0。產(chǎn)生圖像E 是為了方便極值點連接。 第三步，對圖像E進行縱向極值點連接，連接范圍為每點左下和右下方3X3區(qū)域。
第四步，對圖像E進行逐行掃描，搜索滿足這樣條件的曲線，該曲線處于極大值位 置，縱向高度大于30個像素，并且與基準(zhǔn)軸的最小距離為最小，將該曲線作為胸腔的中心 線；如果沒有搜索到中心線，則將基準(zhǔn)軸作為中心線。 第五步，對該曲線進行上下垂直延伸，直到圖像的最頂端和最底端。
另外，檢測縱膈的過程如下所示 第一步，對圖像C進行灰度調(diào)整，目的是為了增強縱膈部位的對比度。調(diào)整過程 為 利用自適應(yīng)算法分割圖像背景，比如迭代閾值算法或最優(yōu)閾值等其它自適應(yīng)閾值 算法；分別計算背景和前景區(qū)域的平均像素值，然后對圖像C用這兩個值進行灰度加窗，得 到圖像F，將圖像F的灰度范圍線性調(diào)整為0到255，利用背景和體表內(nèi)的平均灰度作為有 效灰度范圍，將小于該范圍的灰度用范圍的下邊界灰度代替，大于該范圍的灰度用范圍的 上邊界灰度代替，灰度調(diào)整結(jié)束。 第二步，對圖像F計算水平方向的一階導(dǎo)數(shù)并且用二維高斯模板濾波，根據(jù)巻積 的性質(zhì)，該計算等價于先計算二維高斯模板的導(dǎo)數(shù)，再與圖像做巻積，這里高斯模板的標(biāo)準(zhǔn) 差設(shè)定為6。按照與檢測中心線同樣的方式處理濾波后的圖像，得到邊界連接后的圖像G， 從G的第30行開始，逐行掃描，在中心線左側(cè)，搜索極大值位置、高度大于30且極值取值最 大的曲線作為左側(cè)縱膈；在中心線右側(cè)，搜索極小值位置、高度大于30且極值取值最小的 曲線作為右側(cè)縱膈。如果沒有檢測到，則左右側(cè)縱膈分別設(shè)定為最左和最右兩條垂直直線。
V2、分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離；
V3、根據(jù)所述最大水平距離判斷圖像中心臟在胸片中的位置，若所述最大水平距
離大于或等于一預(yù)設(shè)距離值(比如io)，且所述右縱膈特征邊界到所述胸腔中心線的最大
水平距離大于所述左縱膈到所述胸腔中心線的最大水平距離，則心臟位于胸片的右側(cè)；
V4、將圖像A、 C、 E、 G、胸腔中心線和縱膈邊界左右互換。這里，本發(fā)明的后續(xù)處理 默認(rèn)是心臟偏向圖像左側(cè)的，至此對圖像進行左右顛倒的處理完畢。本發(fā)明將上述對圖像 求導(dǎo)數(shù)、濾波、取極值、連接極值點并在極值點圖像上利用規(guī)則搜索的過程稱為導(dǎo)數(shù)濾波取 極值特征邊界提取方法。 在上述步驟VI之前還包括以下步驟圖像灰度增強步驟，其過程包括以下步驟 利用自適應(yīng)算法分割圖像背景；以及利用背景和體表內(nèi)的平均灰度作為有效灰度范圍，將 小于該范圍的灰度用范圍的下邊界灰度代替，大于該范圍的灰度用范圍的上邊界灰度代替。 第四方面，圖像上下倒置判斷過程。 如圖l所示，在最匹配輪廓搜索過程中，若接受搜索過程的結(jié)果，即形狀異常指數(shù) 已經(jīng)小于或者等于CHANGEJJMIT，則說明圖像已經(jīng)匹配很好，并非倒置圖像；若拒絕搜索 過程的結(jié)果，則需要進行倒置判斷，如下述過程 首先，分別以兩個上下互相顛倒的初始輪廓進行迭代過程，并輸出兩個迭代過程的形狀異常指數(shù)； 然后，判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓 為初始輪廓迭代結(jié)果的形狀異常指數(shù)；若是，則判定所述輸入圖像為倒置圖像；否則，不存 在倒置，保留倒置判斷前的處理結(jié)果。 對于被判定為倒置的圖像，根據(jù)圖像倒置判斷步驟的結(jié)果，糾正圖像，獲得第三圖 像；以該第三圖像為處理基礎(chǔ)，執(zhí)行上述搜索目標(biāo)區(qū)域輪廓的過程和所述檢驗輪廓搜索結(jié) 果的過程，若檢驗結(jié)果為接受搜索過程的結(jié)果，則以此次搜索結(jié)果進行特征邊界矯正處理 過程；若檢驗結(jié)果為拒絕此次搜索過程的結(jié)果，則保留最匹配輪廓搜索過程之前的處理結(jié) 果，利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界。 從上述敘述可以看出，上述過程也可以基于ASM算法來實現(xiàn)，則上面在進行倒置 判斷時須建立兩個搜索過程，第一個搜索過程將ASM訓(xùn)練后的平均輪廓作為初始輪廓在預(yù) 處理后的圖像中搜索，第二個搜索過程將平均輪廓上下顛倒作為初始輪廓在預(yù)處理后的圖 像中搜索，或者將預(yù)處理后的圖像顛倒而平均輪廓不變，建立兩個搜索過程。注意，這里只 輸出每個搜索過程的形狀異常指數(shù)，但是不用最匹配輪廓搜索方式搜索，這里是使用ASM 搜索，記錄下形狀異常指數(shù)，但只進行一個搜索過程，不進行初始輪廓的變換。下面以肺部 區(qū)域作為目標(biāo)區(qū)域為例，說明上述倒置判斷過程的實現(xiàn)方法 1、利用ASM分別以兩個上下互相顛倒的初始輪廓進行迭代，并輸出兩個迭代過程
的形狀異常指數(shù)，設(shè)兩個過程的形狀異常指數(shù)分別為EXCEPTI0N1和EXCEPTI0N2。 2、計算預(yù)處理后的圖像有效區(qū)最頂端和最底端預(yù)設(shè)行或者若干行的行平均灰度
累加和，比如最頂端IO行的行平均累加灰度和最底端IO行的行平均累加灰度，分別設(shè)為
T0P—CUM和BTM_CUM。這里的有效區(qū)是指已去除頭部的區(qū)域。 3、判斷是否滿足下面兩個條件之一， 條件一 最上端預(yù)設(shè)行或者若干行的行平均累加灰度大于最下端預(yù)設(shè)行或者若干 行的行平均累加灰度，并且差值大于一預(yù)先設(shè)定的常數(shù)，即T0P_CUM大于BTM_CUM，并且二 者之差大于10000 ; 條件二 最上端預(yù)設(shè)行或者若干行的行平均累加灰度與最下端預(yù)設(shè)行或者若干行 的行平均累加灰度之差的絕對值小于所述常數(shù)，并且以倒置輪廓為初始輪廓迭代結(jié)果的形 狀異常指數(shù)小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)，即T0P_CUM與BTM_CUM 的差值的絕對值小于10000，并且EXCEPTI0N2小于EXCEPTI0N1 。 若滿足上述兩個條件之一，則本發(fā)明判定輸入圖像為倒置圖像，否則，不存在倒 置，保留倒置判斷前的處理結(jié)果。上述具體的參考常數(shù)是根據(jù)目標(biāo)區(qū)域的特性來定的，不同 的目標(biāo)區(qū)域采用不同的參考常數(shù)，可以通過預(yù)先訓(xùn)練獲得或根據(jù)經(jīng)驗獲知。所以，上述幾個 判斷方法也可以應(yīng)用到其他區(qū)域分割處理方法上。上述過程中，因為肺部形狀上下不對稱， 所以形狀異常指數(shù)的高低反映了可能的圖像方位，但是對于疾病嚴(yán)重的圖像，兩個匹配度 可能相差無幾，所以要結(jié)合頂端和底端的灰度累加和來判斷。 對于正位胸片，由于頭頸部影響使得非倒置圖像頂端比底端呈現(xiàn)的灰度累加值 低。如果檢測出圖像為倒置，則將圖像A、C、E、G、胸腔中心線、縱膈邊界上下互換。如果檢 測出倒置并且EXCEPTI0N2小于或者等于CHANGEJJMIT，則將ASM的結(jié)果也上下互換并且 接受這一結(jié)果為初始輪廓提取結(jié)果，否則利用最匹配輪廓搜索在互換后的圖像A上重新搜索。 第五方面，關(guān)于特征邊界矯正處處理。 不管是上述第二方面的最匹配輪廓搜索過程，或者是上述第四方面的圖像倒置判 斷之后的最匹配輪廓搜索過程，對于檢驗搜索過程的結(jié)果是接受的，均利用灰度梯度和方 向?qū)?shù)濾波極值進行特征邊界矯正處理。其處理過程包括以下步驟 Ql、利用垂直與目標(biāo)特征邊界預(yù)知走向的灰度梯度計算初始特征邊界的種子點。 此過程包括以下步驟 在接受的輪廓中，提取至少兩個特征邊界的特征點，將此特征點之間的任一點坐 標(biāo)作為初始點； 計算所述初始點處垂直與目標(biāo)特征邊界預(yù)知走向的灰度差分向量； 計算所述灰度差分向量的最大值和位置，將此位置作為初始特征邊界的種子點。
另外，在某些目標(biāo)區(qū)域分割處理時，比如肺部區(qū)域的分割處理中矯正左橫膈膜時，計算出的
最大值及其位置還需要滿足一定的標(biāo)準(zhǔn)，才能作為初始特征邊界的種子點，下面將詳細(xì)描述。 Q2、利用方向?qū)?shù)濾波求極值的方法，檢測滿足預(yù)設(shè)邊界檢測條件的目標(biāo)特征邊 界。上述已提到利用方向?qū)?shù)濾波求極值的檢測方法，這里再詳細(xì)說明一下，該檢測方法按 順序如下實現(xiàn) 沿目標(biāo)特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的 巻積； 提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值；
將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接； 進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為目標(biāo)特征邊界。 在上述方法中增加邊界連接的步驟，是為了避免特征邊界的非連續(xù)。因為現(xiàn)有技
術(shù)中的相關(guān)方法，可能會出現(xiàn)檢測到的特征邊界由多個線段構(gòu)成的現(xiàn)象，而本發(fā)明的利用
方向?qū)?shù)濾波求極值的檢測方法則可以避免出現(xiàn)這一問題。其具體的實現(xiàn)過程參見上述胸
腔中心線的檢測過程。邊界連接的預(yù)設(shè)范圍由圖像的大小來定。 以下以肺部區(qū)域作為目標(biāo)區(qū)域進行圖像分割為例，詳細(xì)說明左橫膈膜糾正的處理 過程。因為左面肺部容易受胃部影響，當(dāng)胃部有大量液體或者氣泡時，其灰度與肺部相似， 并且二者距離很近，有時很難區(qū)分。圖7是最匹配過程對左橫膈膜的錯誤匹配結(jié)果。下面 介紹具體處理過程。 首先，將最匹配輪廓搜索過程結(jié)果輪廓中的第20特征點(左肋膈角頂點)和第25 特征點(左心膈角頂點)的平均坐標(biāo)作為初始點，在圖像中計算從該點垂直方向以上76點 到該點以下6點的縱向灰度差分向量(注意該差分向量是用每點右下方點的灰度減去該 點的灰度計算的，這是為了減小胃部的影響)，并求出該差分向量的最大值和位置，如果滿 足下面三個條件 1、該最大值大于或者等于第一預(yù)設(shè)值，比如10 ; 2、該位置與初始點的垂直方向坐標(biāo)距離大于第二預(yù)設(shè)值，比如5 ; 3、該位置與右心膈角頂點(即輪廓第60特征點)的垂直距離差小于或者等于第
三預(yù)設(shè)值，比如10 (設(shè)置第二個和三個條件的目的是因為矯正前的結(jié)果可能是正確結(jié)果或者沒有包含橫膈膜，這時不用再矯正)，則把該位置作為初始左橫膈膜種子點坐標(biāo)。在這里， 預(yù)先可以知道左橫膈膜的預(yù)知走向是水平的，所以上述過程中采用縱向求灰度差分向量的 方式。
然后，利用方向?qū)?shù)濾波求極值來檢測左橫膈膜邊界，其過程是 1、沿特征邊界的預(yù)知走向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積，其中，
導(dǎo)數(shù)方向為與水平方向夾角60度，高斯標(biāo)準(zhǔn)差為2，極值點水平連接。 2、提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值； 3、將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接，在邊界連接后的圖像中檢測左橫
膈膜種子點垂直方向前后若干點(比如5點)是否存在處于極大值位置、長度大于一常量
(比如15點)的曲線，如果有，該曲線則被作為左橫膈膜，否則退出橫膈膜矯正程序，保持最
匹配輪廓的檢測結(jié)果。 當(dāng)檢測到左橫膈膜曲線時，為了防止丟掉肺部邊緣，則將搜索到的曲線向下平移 若干像素，比如將該曲線向下平移5個像素。然后，再將所述曲線的最左端和最右端分別延 伸到圖像邊界和/或目標(biāo)區(qū)域中心線的位置，即將該曲線最左端和最右端分別延伸到圖像 邊界和胸腔中心線位置，延伸方向分別為左下方45度和水平。最后，將所述曲線對應(yīng)位置 的一預(yù)設(shè)方向像素灰度全部設(shè)置為一個灰度常量，即將圖像A中曲線對應(yīng)位置的下方像素 灰度全部置為240，得到圖像H ;這樣做是為了抑制胃部低灰度的干擾。
進行完上述平移和灰度調(diào)整后，采用前面的最匹配輪廓搜索方法重新在圖像H中 搜索輪廓，如果這時輸出的形狀異常指數(shù)小于或者等于CHANGEJJMIT，則接受該結(jié)果作為 左橫膈膜矯正后的結(jié)果，否則保留矯正之前的結(jié)果。至此，左橫膈膜矯正完畢，矯正結(jié)果如 圖8。 第六方面，關(guān)于利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界。 上述第四方面的圖像倒置判斷之后的最匹配輪廓搜索過程，對于檢驗搜索過程的
結(jié)果是拒絕的，均利用利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界，其處理過程依
次包括以下步驟 1、沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻 積； 2、提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值； 3、將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接； 4、進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為特征邊界； 5、對確定的各個特征邊界進行預(yù)知走向的延伸，使得目標(biāo)區(qū)域的相鄰特征邊界出
現(xiàn)交叉； 6、組合延伸后的特征邊界、以及填充得到封閉的目標(biāo)區(qū)域。 以下以肺部區(qū)域作為目標(biāo)區(qū)域進行圖像分割為例，詳細(xì)說明利用方向?qū)?shù)濾波求 極值檢測目標(biāo)區(qū)域特征邊界的處理過程。 方向?qū)?shù)濾波極值特征邊界提取不受肺部形狀的限制，因此當(dāng)最匹配輪廓搜索失 效時，轉(zhuǎn)入該過程。前面已經(jīng)利用這種方法檢測出了胸腔中心線和縱膈，這里還要檢測的特 征邊界包括肺中心線、肺外側(cè)邊界、橫膈膜、肺尖和心臟左側(cè)邊界。因為方法流程前面已經(jīng) 提到，這里只以左肺為例(假定左肺處于圖像左側(cè))，列舉各個特征邊界所采用的參數(shù)和檢測規(guī)則，即特征邊界檢測條件。 (1)肺中心線直接在圖像E中檢測，行掃描范圍為40到195，步進為IO，列掃描 范圍為從胸腔中心線到其左面40點處，檢測條件為處于極小值點處、有效高度為最大的曲 線。這里，有效高度是指曲線中左下右上走向的曲線片段的高度。檢測肺中心線只是為了 推導(dǎo)其它特征邊界，其結(jié)果不用于組成最后的肺邊界。 (2)肺外側(cè)邊界檢測條件為曲線處于極小值位置、處于縱膈左側(cè)、高度為最大。 比如，肺外側(cè)邊界直接在圖像G中檢測，行掃描范圍為40到195，步進為IO，列掃描范圍為 從肺中心線到其左面40點處，檢測條件為處于極小值點處、高度為最大的曲線。
(3)橫膈膜的檢測條件為曲線處于極大值位置、長度大于一常量并且極值取值 最大。比如，橫膈膜檢測要對圖像C先求導(dǎo)，使用的參數(shù)為一階垂直方向?qū)?shù)，高斯標(biāo)準(zhǔn)差 為4，極值點位置水平連接。行掃描范圍為肺中心線頂點垂直坐標(biāo)加10到底點垂直坐標(biāo)加 40，列掃描范圍為中心線底點水平坐標(biāo)左右10點，檢測條件為處于極大值點處、長度大于 或者等于16且極值取值最大的曲線。 (4)肺尖的檢測條件為曲線處于極小值位置、處于橫膈膜上方、長度大于某個常 量并且極值取值最小。比如，檢測肺尖使用的導(dǎo)數(shù)為一階垂直方向?qū)?shù)，高斯標(biāo)準(zhǔn)差為2，極 值點位置水平連接。行掃描范圍為肺中心線頂點垂直坐標(biāo)以上40點到以下15點，列掃描范 圍為肺中心線頂點水平坐標(biāo)左右各5點，檢測條件為處于極小值點處、長度大于或者等于8 且極值取值最小的曲線。 (5)心臟左側(cè)邊界檢測條件為曲線處于極大值位置、在肺外側(cè)邊界和縱膈中間 水平方向的跨距最大。比如，檢測心臟左側(cè)邊界是為了防止把部分心臟分割為肺部，因為心 臟主要在左側(cè)。首先求出肺尖邊界和橫膈膜邊界的最低點垂直坐標(biāo)，這兩個坐標(biāo)將作為搜 索心臟邊界的垂直范圍。水平掃描范圍為縱膈線向左40點范圍。提取圖像C的一階導(dǎo)數(shù)， 導(dǎo)數(shù)方向為與水平方向夾角30度，高斯標(biāo)準(zhǔn)差為4。檢測條件為處于極大值點處、水平方向 跨距最大的曲線。 (6)縱膈邊界檢測條件為曲線處于極大值位置、處于胸片中間區(qū)域、高度大于一 常量并且極值取值最大。 這幾條邊界檢測完之后，對每條邊界進行延伸，以防止它們因沒有交叉而輪廓不 能封閉，延伸方向可以自己決定，不過要盡量參考邊界的解剖學(xué)走向，并且注意避免不應(yīng)該 有的交叉，如肺尖的延伸與橫膈膜交叉等。上面列舉的是左肺的處理，右肺要以同樣的方式 處理，只是不用再提取心臟邊界，導(dǎo)數(shù)濾波取極值特征邊界提取的結(jié)果如圖IO所示。將延 伸后的所有邊界組合，用區(qū)域填充、二值形態(tài)學(xué)開啟、最大區(qū)域保留得到封閉的肺區(qū)域。注 意在檢測特征邊界時，如果某個特征邊界在左肺和右肺中均沒有檢測到，那么表明肺部檢 測失敗。 此處，當(dāng)最匹配輪廓搜索的結(jié)果被拒絕時，還可以采用其它的基于規(guī)則分割方法 提取肺邊界或者區(qū)域。 第七方面，根據(jù)檢驗結(jié)果，在提取目標(biāo)區(qū)域之前還可以進行局部分割處理過程，用
于改善前續(xù)最匹配輪廓搜索之后獲得圖像分割結(jié)果的細(xì)節(jié)。其過程包括以下步驟 Cll、將提取的輪廓進行插值得到封閉輪廓，作為已分割的輪廓； C12、對已分割的輪廓建立順序輪廓索引，即將輪廓按照順時針或者逆時針走向記錄輪廓坐標(biāo)。； C13、以預(yù)設(shè)采樣間隔對所述輪廓采樣，將采樣點作為局部區(qū)域中心建立感興趣區(qū)域； C14、對所述感興趣區(qū)域采用自適應(yīng)閾值算法進行分割，分割結(jié)果與局部分割之前的結(jié)果合并； C15、對合并的結(jié)果進行二值圖像修整，該修整過程包括腐蝕、最大區(qū)域保留、膨
脹、區(qū)域填充中至少兩個操作；
C16、提取填充后的區(qū)域。 以下以肺部區(qū)域作為目標(biāo)區(qū)域進行圖像分割為例，詳細(xì)說明局部分割處理過程。將提取的輪廓進行線性插值，然后填充得到肺部區(qū)域，下一步進行局部閾值分割。局部分割的目的是為了改善分割結(jié)果的細(xì)節(jié)。首先建立順序輪廓索引。然后每隔10點對輪廓采樣，并將肋膈角頂點也歸入采樣點集合中(為了得到準(zhǔn)確的肋膈角)，將每個采樣點作為局部區(qū)域中心建立11X7的感興趣區(qū)域。然后對這些區(qū)域采用迭代閾值算法進行分割，分割結(jié)果與局部閾值分割之前的結(jié)果合并。這里，也可以用最優(yōu)閾值等其它自適應(yīng)閾值算法代替迭代閾值算法。然后對合并的結(jié)果進行二值圖像修整包括3X1腐蝕，最大區(qū)域保留，3X1膨脹，區(qū)域填充。至此，局部閾值分割結(jié)束。 第八方面，在進行局部分割處理之后，還可以對圖像進行平滑處理過程，從而消除無效數(shù)據(jù)對圖象產(chǎn)生的干擾。其過程包括以下步驟
C21、記錄至少兩個所述目標(biāo)的特征點坐標(biāo)； C22、根據(jù)所述特征點的坐標(biāo)，將特征邊界分成若干曲線片斷，并用一個向量記錄每個曲線片斷的走向； C23、對所述每個曲線片斷以預(yù)設(shè)的采樣間隔進行采樣，并根據(jù)所述片斷的走向進行插值運算； C24、連接特征邊界，使輪廓封閉。 以下以肺部區(qū)域作為目標(biāo)區(qū)域進行圖像分割為例，詳細(xì)說明平滑處理過程。經(jīng)過局部閾值分割后的結(jié)果邊界會產(chǎn)生毛剌，所以要進行邊界平滑處理。為了使最后的分割結(jié)果在原始圖像尺寸上不產(chǎn)生太明顯的鋸齒，本發(fā)明的平滑處理在512X512尺寸下進行。將局部閾值分割后的二值圖像縮放為512X512，得到圖像I，為了保留肺輪廓的一些特征拐點，如肋膈角，心膈角等，首先記錄下這些特征點的坐標(biāo)，這可以從前面的最匹配輪廓搜索結(jié)果中獲取。以左肺為例，本發(fā)明提取肋膈角頂點第20點，心膈角頂點第25點，肺尖縱膈拐點第43點，肺尖外側(cè)拐點第4點。注意，這些是在256X256圖像上的坐標(biāo)，要將它們乘以2。然后根據(jù)這些特征點的坐標(biāo)，在圖像I中檢測特征邊界，同樣以左肺為例，包括肺側(cè)面邊界、橫膈膜、縱膈、肺尖，并用一個向量記錄這些邊界的走向，如這幾個特征邊界的走向分別為垂直、水平、垂直、水平。記錄邊界走向很重要，因為平滑要利用插值，插值方向必須與邊界走向?qū)?yīng)，否則插值將不連續(xù)甚至錯誤。然后利用三次樣條函數(shù)對每條特征邊界進行插值，插值采樣間隔15點。最后進行邊界連接使輪廓封閉，結(jié)果如圖9。將平滑之后的輪廓填充然后縮放到原始尺寸3000X3000，得到了最后的結(jié)果。 在上述特征邊界矯正處處理和利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界之后，均分別要進行局部分割處理和平滑處理，與上述過程不同的是，在利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界之后，其平滑處理過程中，特征拐點的提取要利用特征邊界延伸過程中邊界的交叉點來指定。 如圖ll所示，本發(fā)明的最佳實施例是，應(yīng)用在胸片的肺部區(qū)域分割處理上，該實施例依次對輸入的圖像進行預(yù)處理、胸片前后后前位自動區(qū)分處理、最匹配輪廓搜索處理，當(dāng)接受搜索過程時，依次進行左橫膈膜矯正處理、局部分割處理、平滑處理；當(dāng)拒絕搜索過程時，進行倒置判斷，并重新執(zhí)行最匹配輪廓搜索處理，此時接受搜索過程時，依次進行左橫膈膜矯正處理、局部分割處理、平滑處理；此時拒絕搜索過程時，依次利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界、進行局部分割處理及平滑處理。上述本發(fā)明的方法在胸片肺部分割上的應(yīng)用，通過大量PA(后前位)、AP(前后位)、倒置胸片圖像混合組成的圖像集合仿真測試，其中包括肺部有各種疾病的圖像，仿真結(jié)果為90. 16%分割結(jié)果與真實結(jié)果吻合準(zhǔn)確，9. 84%分割結(jié)果相對真實結(jié)果有少部分丟失或者多余。 上述方法可以通過計算機編程來實現(xiàn)，則本發(fā)明還提供了一種圖像分割裝置，如圖2所示，所述裝置包括 預(yù)處理模塊，用于對輸入圖像進行預(yù)處理； 最佳匹配輪廓搜索模塊，用于對預(yù)處理后的圖像搜索目標(biāo)區(qū)域的輪廓，及檢驗所述輪廓的搜索結(jié)果； 分割模塊，用于根據(jù)檢驗結(jié)果，提取目標(biāo)區(qū)域。 另外，為了改善目標(biāo)區(qū)域提取的細(xì)節(jié)，在所述分割模塊中還可以設(shè)置局部分割模
塊，用于根據(jù)檢驗結(jié)果，對圖像進行局部閾值分割處理，其過程參見上述相關(guān)說明。 為了避免邊界毛剌的干擾，在所述分割模塊中還可以設(shè)置平滑處理模塊，用于對
局部閾值分割后的圖像進行平滑處理，其過程參見上述相關(guān)說明。 如圖2所示，上述最佳匹配輪廓搜索模塊包括 輪廓搜索單元，用于對圖像進行多次目標(biāo)區(qū)域的輪廓搜索過程； 檢驗單元，用于判斷每次目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于
一預(yù)設(shè)閾值，及輸出接受搜索過程的結(jié)果或拒絕搜索過程的結(jié)果。 如圖2所示，上述裝置還包括用于對所述檢驗單元輸出拒絕搜索過程的結(jié)果進行倒置判斷的倒置判斷模塊，該模塊包括 迭代單元，用于分別以兩個上下相互顛倒的初始輪廓進行迭代過程，并輸出兩個迭代過程的形狀異常指數(shù)； 判斷單元，用于判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)；若滿足上述條件時輸出所述輸入圖像為倒置圖像的判定結(jié)果。 另外，為了提高判斷精確度，，上述倒置判斷模塊還包括灰度累加單元，用于計算位于圖像最上端和最下端預(yù)設(shè)行或者若干行的灰度累加和；那么判斷單元，還可以用于判斷是否至少滿足下面兩個條件之一 條件一 最上端預(yù)設(shè)行或者若干行的行平均累加灰度大于最下端預(yù)設(shè)行或者若干行的行平均累加灰度，并且差值大于一預(yù)先設(shè)定的常數(shù)；條件二最上端預(yù)設(shè)行或者若干行的行平均累加灰度與最下端預(yù)設(shè)行或者若干行的行平均累加灰度之差的絕對值小于所述常數(shù)，并且以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)；并在滿足上述兩個條件之一時輸出所述輸入圖像為倒置圖像的判定結(jié)果。 如圖2所示，上述裝置還包括校正單元，該單元連接所述判斷單元的輸出端，用于根據(jù)所述圖像倒置判斷步驟的結(jié)果糾正圖像，獲得第三圖像，及將該第三圖像送入至所述輪廓搜索單元。 如圖2所示，上述裝置還包括利用灰度梯度和方向?qū)?shù)濾波極值對所述檢驗單元輸出的圖像進行特征邊界矯正處理的矯正處理模塊，該模塊位于所述局部分割模塊的輸入端與所述檢驗單元用于輸出接受搜索過程結(jié)果的端口之間。 如圖2所示，上述矯正處理模塊包括利用垂直與目標(biāo)特征邊界預(yù)知走向的灰度梯度計算初始特征邊界種子點的第一單元、以及利用方向?qū)?shù)濾波求極值檢測特征邊界的第二單元； 所述第一單元包括 執(zhí)行在接受的輪廓中，提取至少兩個特征邊界的特征點，并將此特征點之間的任一點坐標(biāo)作為初始點的單元； 用于計算所述初始點處垂直與目標(biāo)特征邊界預(yù)知走向的灰度差分向量的單元；
用于計算所述灰度差分向量的最大值和位置，將此位置作為初始特征邊界的種子點的單元； 所述第二單元包括 用于沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積的單元； 用于提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值的單元；
用于將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接的單元； 用于進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為特征邊界的單元。
如圖2所示，上述裝置還包括利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域特征邊界的特征邊界檢測模塊，該模塊位于所述局部分割模塊的輸入端與所述檢驗單元用于輸出拒絕搜索過程結(jié)果的端口之間。
如圖2所示，上述特征邊界檢測模塊包括 執(zhí)行沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積的單元； 執(zhí)行提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值的單元；
執(zhí)行將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接的單元；
執(zhí)行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線的單元； 用于對確定的各個特征邊界進行預(yù)知走向的延伸，使得目標(biāo)區(qū)域的相鄰特征邊界出現(xiàn)交叉的單元； 用于組合延伸后的特征邊界、以及填充得到封閉的目標(biāo)區(qū)域的單元。 如圖2所示，若所述矯正處理模塊對胸片中的左橫膈膜進行矯正，則所述矯正處
理模塊還包括輪廓再次搜索單元，該單元用于將所述第二單元輸出的結(jié)果送入至所述最
匹配輪廓搜索模塊中，根據(jù)所述檢驗單元的輸出結(jié)果，接受搜索結(jié)果或者保留左橫膈膜矯
正之前的結(jié)果。 另外，本發(fā)明用于對胸片的肺部區(qū)域進行分割時，在所述預(yù)處理模塊與最佳匹配輪廓搜索模塊之間增加胸片前后后前位自動區(qū)分模塊，該模塊包括 執(zhí)行利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征邊界的單元； 執(zhí)行分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離的單元； 用于根據(jù)所述最大水平距離判斷圖像中心臟在胸片中位置的單元，若所述最大水平距離大于或等于一預(yù)設(shè)距離值，且所述右縱膈特征邊界到所述胸腔中心線的最大水平距離大于所述左縱膈到所述胸腔中心線的最大水平距離，則該單元輸出心臟位于胸片右側(cè)的判定結(jié)果。 綜上所述，本發(fā)明不僅提供了一種圖像分割方法，而且還提供了胸片前后后前位自動區(qū)分方法、非對稱圖像倒置判斷方法、特征邊界矯正處理方法、利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域特征邊界的方法、局部分割處理方法、平滑處理方法，特別適用于胸片肺部區(qū)域的分割上。相對于現(xiàn)有技術(shù)而言，本發(fā)明存在以下幾個優(yōu)點 1、采用本發(fā)明的方法，不僅能夠自動識別上下或者左右顛倒的圖像，并且對正常和有疾病的圖像均能提取正確的肺部輪廓。 2、本發(fā)明利用左右縱膈分別到胸腔中心線的最大距離的差作為判斷圖像是否左右顛倒的依據(jù)，提高了處理精度，以及方法的自適應(yīng)性。 3、對于倒置圖像，本發(fā)明是利用主動形狀模型(Active Sh即e Model,ASM)分別以正常和倒置的初始肺輪廓進行搜索，然后設(shè)計形狀異常指數(shù)來判別哪個匹配度高，再結(jié)合圖像頂端和底端的灰度累加值判斷圖像是否倒置，提高了處理精度，以及方法的自適應(yīng)性。
4、對矯正為正常方位的圖像，本發(fā)明設(shè)計了最匹配輪廓搜索過程和方向?qū)?shù)濾波取極值兩種方法來分割，兩種分割分別作用于較正常的胸片和異常的胸片，這兩種胸片也是利用形狀異常指數(shù)來自動判斷的。形狀異常指數(shù)是本發(fā)明的一個重要參數(shù)，本發(fā)明通過統(tǒng)計ASM迭代過程中的特征值向量變化程度作為形狀異常指數(shù)，當(dāng)該指數(shù)大于某個閾值時，拒絕搜索結(jié)果，重新利用平均輪廓平移、縮放等變換建立最匹配輪廓搜索方式，能夠減小特征值的跳躍程度，得到最匹配的輪廓。 5、本發(fā)明還結(jié)合縱向灰度梯度和方向?qū)?shù)極值點矯正了左橫膈膜的錯誤定位，使得左橫膈膜匹配準(zhǔn)確，保證圖像處理的精度。 6、對于方向?qū)?shù)濾波取極值的特征邊界提取，本發(fā)明主要是計算一階方向?qū)?shù)并用不同標(biāo)準(zhǔn)差的高斯濾波器平滑取極值、再對極值點進行指定方向連接，然后在連接后的圖像上利用規(guī)則檢測特征邊界，包括縱膈、肺側(cè)面輪廓、橫膈膜、肺尖和心臟左側(cè)邊界，最后對所有邊界進行指定方向的延伸。在利用最匹配輪廓搜索和導(dǎo)數(shù)濾波取極值提取肺邊界之后，本發(fā)明對輪廓邊界進行了局部細(xì)節(jié)分割，并對邊界進行樣條函數(shù)插值，平滑分割結(jié)果。 7、利用本發(fā)明的方法進行肺部分割因為增加了額外的離線訓(xùn)練、自動判斷顛倒圖
像、正常胸片和異常胸片不同處理，提高了方法以及裝置的健壯性和細(xì)致性。 上述各具體步驟的舉例說明較為具體，并不能因此而認(rèn)為是對本發(fā)明的專利保護
范圍的限制，本發(fā)明的專利保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。另外，本發(fā)明的實施例主要是
基于ASM迭代算法來進行詳細(xì)說明的，但本發(fā)明并不限于此，在類似與ASM迭代算法的算法中同樣適用本發(fā)明公開的各種方法和裝置，比如本發(fā)明還可以采用主動表面模型迭代算法 來實現(xiàn)輪廓搜索，以及在主動表面模型迭代算法中計算形狀異常指數(shù)。
權(quán)利要求
一種最匹配輪廓搜索方法，其特征在于，所述方法依次包括以下步驟搜索目標(biāo)區(qū)域的輪廓；判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若是，則接受此次搜索過程的結(jié)果；若否，則拒絕此次搜索過程的結(jié)果。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述搜索目標(biāo)區(qū)域輪廓的過程包括以下步驟對圖像進行多次目標(biāo)區(qū)域的輪廓搜索過程，每次輪廓搜索過程中通過將平均輪廓進行位置或大小變換使之覆蓋整幅圖像范圍的方式，來改變每次迭代過程的初始輪廓；所述形狀異常指數(shù)的計算方法包括以下步驟在目標(biāo)區(qū)域輪廓搜索過程的多次迭代過程中，記錄每次迭代過程的特征值向量中超過所限制范圍的分量個數(shù)，將所述分量個數(shù)的最大值記為此次輪廓搜索過程的形狀異常指數(shù)。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，若拒絕所有搜索過程的結(jié)果，則接受所述形狀異常指數(shù)為最小的搜索過程的結(jié)果。
4. 一種圖像的分割方法，其特征在于，所述方法包括以下步驟A、 對輸入圖像進行預(yù)處理；B、 搜索目標(biāo)區(qū)域的輪廓，及檢驗所述輪廓的搜索結(jié)果；所述檢驗輪廓搜索結(jié)果的過程包括判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若是，則接受此次搜索過程的結(jié)果；若否，則拒絕此次搜索過程的結(jié)果；C、 根據(jù)檢驗結(jié)果，提取目標(biāo)區(qū)域。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述搜索目標(biāo)區(qū)域輪廓的過程包括以下步驟對圖像進行多次目標(biāo)區(qū)域的輪廓搜索過程，每次輪廓搜索過程中通過將平均輪廓進行位置或大小變換使之覆蓋整幅圖像范圍的方式，來改變每次迭代過程的初始輪廓；所述形狀異常指數(shù)的計算方法包括以下步驟在目標(biāo)區(qū)域輪廓搜索過程的多次迭代過程中，記錄每次迭代過程的特征值向量中超過所根制范圍的分量個數(shù)，將所述分量個數(shù)的最大值記為此次輪廓搜索過程的形狀異常指數(shù)。
6 根據(jù)權(quán)利要求4或5所述的方法，其特征在于，所述步驟B中，若拒絕所有搜索過程的結(jié)果，則接受所述形狀異常指數(shù)為最小的搜索過程的結(jié)果。
7. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟B中，若拒絕搜索過程的結(jié)果，則進行圖像倒置判斷步驟，其過程包括如下步驟Rl、分別以兩個上下互相顛倒的初始輪廓進行迭代過程，并輸出兩個迭代過程的形狀異常指數(shù)；R2、判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)；若是，則判定所述輸入圖像為倒置圖像。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟R2中還包括以下步驟計算位于圖像最上端和最下端預(yù)設(shè)行或者若干行的行平均灰度累加和；判斷是否至少滿足下面兩個條件之一條件一最上端預(yù)設(shè)行或者若干行的行平均累加灰度大于最下端預(yù)設(shè)行或者若干行的行平均累加灰度，并且差值大于一預(yù)先設(shè)定的常數(shù)；條件二 最上端預(yù)設(shè)行或者若干行的行平均累加灰度與最下端預(yù)設(shè)行或者若干行的行平均累加灰度之差的絕對值小于所述常數(shù)；若滿足上述兩個條件之一，則判定所述輸入圖像為倒置圖像。
9. 根據(jù)權(quán)利要求8所述的方法，其特征在于，所述步驟B還包括以下步驟根據(jù)所述圖像倒置判斷步驟的結(jié)果，糾正圖像，獲得第三圖像；以所述第三圖像為處理基礎(chǔ)，執(zhí)行所述搜索目標(biāo)區(qū)域輪廓的過程和所述檢驗輪廓搜索結(jié)果的過程，若接受搜索過程的結(jié)果，則以此次搜索結(jié)果進行特征邊界矯正處理過程；若拒絕搜索過程的結(jié)果，則保留此次目標(biāo)區(qū)域輪廓搜索之前的處理結(jié)果，利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界。
10. 根據(jù)權(quán)利要求4或9所述的方法，其特征在于，所述步驟B中，若接受的輪廓搜索過程的結(jié)果，則利用灰度梯度和方向?qū)?shù)濾波極值進行特征邊界矯正處處理，該處理過程包括以下步驟Ql、利用垂直與目標(biāo)特征邊界預(yù)知走向的灰度梯度計算初始特征邊界的種子點；Q2、利用方向?qū)?shù)濾波求極值的方法，檢測滿足預(yù)設(shè)邊界檢測條件的目標(biāo)特征邊界。
11. 根據(jù)權(quán)利要求10所述的方法，其特征在于，所述步驟Q2包括以下步驟沿目標(biāo)特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積；提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值；將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接；進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為目標(biāo)特征邊界。
12. 根據(jù)權(quán)利要求11所述的方法，其特征在于，若對所述胸片圖像的肺部區(qū)域進行分割處理，則在矯正左橫膈膜時，所述特征邊界的特征點為左肋膈角頂點和左心膈角頂點；所述利用縱向灰度梯度計算種子點的過程包括以下步驟在接受的輪廓中，提取至少兩個特征邊界的特征點，將此特征點之間的任一點坐標(biāo)作為初始點；計算所述初始點處垂直于目標(biāo)特征邊界預(yù)知走向的灰度差分向量；計算所述灰度差分向量的最大值和位置，將此位置作為初始特征邊界的種子點；執(zhí)行以下三個判斷步驟判斷所述最大值是否大于或者等于第一預(yù)設(shè)值；判斷所述位置與所述初始點的垂直方向坐標(biāo)距離是否大于第二預(yù)設(shè)值；判斷所述位置與右心膈角頂點的垂直距離差是否小于或者等于第三預(yù)設(shè)值；上述三個判斷結(jié)果均為是時，將所述位置作為初始特征邊界的種子點；所述步驟Q2中的預(yù)設(shè)邊界檢測條件是所述曲線由所述種子點垂直方向前后若干點構(gòu)成，且處于極大值位置、長度大于一常量。
13. 根據(jù)權(quán)利要求12所述的方法，其特征在于，所述步驟Q2之后還包括以下步驟將搜索到的曲線向下平移若干像素；將所述曲線的最左端和最右端分別延伸到圖像邊界和胸腔中心線的位置；將所述曲線下方像素灰度全部設(shè)置為一個灰度常量；執(zhí)行所述搜索目標(biāo)區(qū)域輪廓的過程和所述檢驗輪廓搜索結(jié)果的過程，若搜索過程的形狀異常指數(shù)小于或等于所述預(yù)設(shè)閾值，則接受此次搜索過程的結(jié)果，并將此次搜索過程的結(jié)果作為此次左橫膈膜矯正處理的結(jié)果；否則，保留左橫膈膜矯正之前的結(jié)果。
14. 根據(jù)權(quán)利要求9所述的方法，其特征在于，所述步驟B中，若拒絕輪廓搜索過程的結(jié)果，則利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域的特征邊界，其過程包括如下步驟沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積；提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值；將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接；進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為特征邊界；對確定的各個特征邊界進行預(yù)知走向的延伸，使得目標(biāo)區(qū)域的相鄰特征邊界出現(xiàn)交叉；組合延伸后的特征邊界、以及填充得到封閉的目標(biāo)區(qū)域。
15. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟C中還包括根據(jù)檢驗結(jié)果進行局部分割處理的過程，該過程包括以下步驟Cll、將提取的輪廓進行插值得到封閉輪廓，作為已分割的輪廓；C12、對已分割的輪廓建立順序輪廓索引；C13、以預(yù)設(shè)采樣間隔對所述輪廓采樣，將采樣點作為局部區(qū)域中心建立感興趣區(qū)域；C14、對所述感興趣區(qū)域采用自適應(yīng)閾值算法進行分割，分割結(jié)果與局部分割之前的結(jié)果合并；C15、對合并的結(jié)果進行二值圖像修整，該修整過程包括腐蝕、最大區(qū)域保留、膨脹、區(qū)域填充中至少兩個操作；C16、提取填充后的區(qū)域。
16. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟C還包括對圖像進行平滑處理的過程，該過程包括以下步驟C21、記錄至少兩個所述目標(biāo)的特征點坐標(biāo)；C22、根據(jù)所述特征點的坐標(biāo)，將特征邊界分成若干曲線片斷，并用一個向量記錄每個曲線片斷的走向；C23、對所述每個曲線片斷以預(yù)設(shè)的采樣間隔進行采樣，并根據(jù)所述片斷的走向進行插值運算；C24、連接特征邊界，使輪廓封閉。
17. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟A的預(yù)處理過程包括將圖像的灰度映射到同一灰度區(qū)間，以及對圖像進行對比度增強處理的過程。
18. 根據(jù)權(quán)利要求4所述的方法，其特征在于，若對所述胸片圖像的肺部區(qū)域進行分割處理，則在所述預(yù)處理過程與所述步驟B之間還包括胸片前后后前位自動區(qū)分的過程，其過程包括以下步驟Vl、利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征邊界；V2、分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離；V3、根據(jù)所述最大水平距離判斷圖像中心臟在胸片中的位置，若所述最大水平距離大于或等于一預(yù)設(shè)距離值，且所述右縱膈特征邊界到所述胸腔中心線的最大水平距離大于所述左縱膈到所述胸腔中心線的最大水平距離，則心臟位于胸片的右側(cè)。
19. 一種利用方向?qū)?shù)濾波求極值檢測圖像特征邊界的方法，其特征在于，所述方法依次包括以下步驟沿目標(biāo)特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積；提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值；將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接；進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為目標(biāo)特征邊界。
20. —種圖像分割裝置，其特征在于，所述裝置包括用于對輸入圖像進行預(yù)處理的預(yù)處理模塊，用于對預(yù)處理后的圖像搜索目標(biāo)區(qū)域輪廓及檢驗所述輪廓搜索結(jié)果的最佳匹配輪廓搜索模塊，以及用于根據(jù)檢驗結(jié)果提取目標(biāo)區(qū)域的分割模塊；所述最佳匹配輪廓搜索模塊包括輪廓搜索單元，用于對圖像進行多次目標(biāo)區(qū)域的輪廓搜索過程；檢驗單元，用于判斷每次目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值，及輸出接受搜索過程的結(jié)果或拒絕搜索過程的結(jié)果。
21. 根據(jù)權(quán)利要求20所述的裝置，其特征在于，所述裝置還包括用于對所述檢驗單元輸出拒絕搜索過程的結(jié)果進行倒置判斷的倒置判斷模塊，該模塊包括迭代單元，用于分別以兩個上下相互顛倒的初始輪廓進行迭代過程，并輸出兩個迭代過程的形狀異常指數(shù)；判斷單元，用于判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)；若滿足上述條件時輸出所述輸入圖像為倒置圖像的判定結(jié)果。
22. 根據(jù)權(quán)利要求21所述的裝置，其特征在于，所述裝置還包括校正單元，該單元連接所述判斷單元的輸出端，用于根據(jù)所述圖像倒置判斷步驟的結(jié)果糾正圖像，獲得第三圖像，及將該第三圖像送入至所述輪廓搜索單元。
23. 根據(jù)權(quán)利要求20所述的裝置，其特征在于，所述裝置還包括利用灰度梯度和方向?qū)?shù)濾波極值對所述檢驗單元輸出的圖像進行特征邊界矯正處理的矯正處理模塊，該模塊位于所述局部分割模塊的輸入端與所述檢驗單元用于輸出接受搜索過程結(jié)果的端口之間。
24. 根據(jù)權(quán)利要求23所述的裝置，其特征在于，所述矯正處理模塊包括利用垂直與目標(biāo)特征邊界預(yù)知走向的灰度梯度計算初始特征邊界種子點的第一單元、以及利用方向?qū)?shù)濾波求極值檢測特征邊界的第二單元；所述第一單元包括執(zhí)行在接受的輪廓中，提取至少兩個特征邊界的特征點，并將此特征點之間的任一點坐標(biāo)作為初始點的單元；用于計算所述初始點處垂直于目標(biāo)特征邊界預(yù)知走向的灰度差分向量的單元；用于計算所述灰度差分向量的最大值和位置，將此位置作為初始特征邊界的種子點的單元；所述第二單元包括用于沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積的單元；用于提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值的單元；用于將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接的單元；用于進行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線作為特征邊界的單元。
25. 根據(jù)權(quán)利要求20所述的裝置，其特征在于，所述裝置還包括利用方向?qū)?shù)濾波求極值檢測目標(biāo)區(qū)域特征邊界的特征邊界檢測模塊，該模塊位于所述局部分割模塊的輸入端與所述檢驗單元用于輸出拒絕搜索過程結(jié)果的端口之間；所述特征邊界檢測模塊包括執(zhí)行沿特征邊界預(yù)知走向的垂直方向計算高斯模版的方向?qū)?shù)與待處理圖像的巻積的單元；執(zhí)行提取巻積后圖像中與導(dǎo)數(shù)相同方向的極值點位置和極值取值的單元；執(zhí)行將所述極值點在一預(yù)設(shè)范圍內(nèi)進行邊界連接的單元；執(zhí)行逐行掃描，搜索滿足預(yù)設(shè)邊界檢測條件的曲線的單元；用于對確定的各個特征邊界進行預(yù)知走向的延伸，使得目標(biāo)區(qū)域的相鄰特征邊界出現(xiàn)交叉的單元；用于組合延伸后的特征邊界、以及填充得到封閉的目標(biāo)區(qū)域的單元。
26. 根據(jù)權(quán)利要求23或24所述的裝置，其特征在于，若所述矯正處理模塊對胸片中的左橫膈膜進行矯正，則所述矯正處理模塊還包括輪廓再次搜索單元，該單元用于將所述第二單元輸出的結(jié)果送入至所述最匹配輪廓搜索模塊中，根據(jù)所述檢驗單元的輸出結(jié)果，接受搜索結(jié)果或者保留左橫膈膜矯正之前的結(jié)果。
27. 根據(jù)權(quán)利要求20所述的裝置，其特征在于，所述裝置用于對胸片的肺部區(qū)域進行分割時，在所述預(yù)處理模塊與最佳匹配輪廓搜索模塊之間增加胸片前后后前位自動區(qū)分模塊，該模塊包括執(zhí)行利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征邊界的單元；執(zhí)行分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離的單元；用于根據(jù)所述最大水平距離判斷圖像中心臟在胸片中位置的單元，若所述最大水平距離大于或等于一預(yù)設(shè)距離值，且所述右縱膈特征邊界到所述胸腔中心線的最大水平距離大于所述左縱膈到所述胸腔中心線的最大水平距離，則該單元輸出心臟位于胸片右側(cè)的判定結(jié)果。
28. —種非對稱圖像的倒置判斷方法，其特征在于，其過程依次包括以下步驟Tl、分別以兩個上下相互顛倒的初始輪廓進行迭代過程，并輸出兩個迭代過程的形狀異常指數(shù)；T2、判斷以倒置輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)是否小于以正常輪廓為初始輪廓迭代結(jié)果的形狀異常指數(shù)，若是，則判定輸入的圖像為倒置圖像。
29. 根據(jù)權(quán)利要求28所述的方法，其特征在于，若對所述胸片圖像的肺部區(qū)域進行分割處理，則所述步驟T2中還包括以下步驟計算位于圖像最上端和最下端預(yù)設(shè)行或者若干行的行平均灰度累加和； 判斷是否至少滿足下面兩個條件之一條件一 最上端預(yù)設(shè)行或者若干行的行平均累加灰度大于最下端預(yù)設(shè)行或者若干行的 行平均累加灰度，并且差值大于一預(yù)先設(shè)定的常數(shù)；條件二 最上端預(yù)設(shè)行或者若干行的行平均累加灰度與最下端預(yù)設(shè)行或者若干行的行 平均累加灰度之差的絕對值小于所述常數(shù)；若滿足上述兩個條件之一，則判定所述輸入的圖像為倒置圖像。
30. —種胸片圖像的前后后前位自動區(qū)分方法，其特征在于，其過程包括以下步驟 Wl、利用方向?qū)?shù)濾波求極值的方法分別檢測胸腔中心線、左縱膈及右縱膈特征邊界；W2、分別計算所述左縱膈和右縱膈特征邊界到所述胸腔中心線的最大水平距離； W3、根據(jù)所述最大水平距離判斷圖像中心臟在胸片中的位置，若所述最大水平距離大 于或等于一預(yù)設(shè)距離值，且所述右縱膈特征邊界到所述胸腔中心線的最大水平距離大于所 述左縱膈到所述胸腔中心線的最大水平距離，則心臟位于胸片的右側(cè)。
31. 根據(jù)權(quán)利要求30所述的方法，其特征在于，所述檢測胸腔中心線的過程包括以下 步驟第一步，將圖像的每列像素相加得到一個向量，該向量反映了圖像的水平灰度分布，求 出該向量預(yù)設(shè)兩個分量之間的第一個最大值位置，將以該位置為水平坐標(biāo)的垂直直線作為 搜索中心線的基準(zhǔn)軸；第二步，對圖像計算與二維高斯模板的濾波結(jié)果，沿水平方向檢測濾波后圖像的局部 極大值和極小值位置，生成極值點圖像；第三步，對極值點圖像進行縱向極值點連接；第四步，對極值點圖像進行逐行掃描，搜索滿足下述條件的曲線該曲線處于極大值位 置，縱向高度大于預(yù)設(shè)像素值，并且與基準(zhǔn)軸的最小距離為最??；將搜索到的曲線作為胸腔 的中心線，否則，將所述基準(zhǔn)軸作為胸腔的中心線。
全文摘要
本發(fā)明公開了一種圖像分割方法及裝置、圖像倒置判斷及胸片前后區(qū)分方法，其圖像分割方法包括以下步驟A、對輸入圖像進行預(yù)處理；B、搜索目標(biāo)區(qū)域的輪廓，及檢驗所述輪廓的搜索結(jié)果；所述檢驗輪廓搜索結(jié)果的過程包括判斷目標(biāo)區(qū)域輪廓搜索過程的形狀異常指數(shù)是否小于或等于一預(yù)設(shè)閾值；若是，則接受此次搜索過程的結(jié)果；若否，則拒絕此次搜索過程的結(jié)果；C、根據(jù)檢驗結(jié)果，提取目標(biāo)區(qū)域。本發(fā)明通過增加檢驗步驟，使得能夠?qū)斎氲膱D像進行合理判別，解決了圖像存在異常而影響分割的問題。
文檔編號A61B6/02GK101727666SQ20081017686
公開日2010年6月9日 申請日期2008年11月21日 優(yōu)先權(quán)日2008年11月3日
發(fā)明者劉炎, 孫文武 申請人:深圳邁瑞生物醫(yī)療電子股份有限公司