邊緣檢測算法在醫學(xué)超聲液性病變圖像中的應用

摘要：醫學(xué)超聲液性病變圖像多見(jiàn)數個(gè)無(wú)回聲區，呈“蜂窩狀”，邊界不清晰，為了清晰地提取醫學(xué)超聲液性病變圖像的邊緣，進(jìn)一步為臨床診斷提供可靠依據，在此將幾種不同的邊緣檢測算法應用于醫學(xué)超聲液態(tài)病變圖像中，經(jīng)實(shí)驗結果得出，經(jīng)典的邊緣檢測算法不能很好地提取圖像的邊緣，而基于Snake模型的邊緣檢測算法，人為設定邊緣控制點(diǎn)，智能動(dòng)態(tài)調整曲線(xiàn)，獲得了很好的邊緣提取效果，具有很高的臨床應用價(jià)值。
關(guān)鍵詞：醫學(xué)超聲圖像；液性病變；邊緣提??；Snake模型

0 引言
鑒于醫學(xué)圖像可以看到人體組織的局部器官病變，所以醫學(xué)成像成為疾病檢查的重要手段，但由于設備、技術(shù)等原因，得到的醫學(xué)圖片邊緣往往模糊不清，因此醫學(xué)圖像邊緣檢測是醫學(xué)圖像處理和分析的一個(gè)非常重要的分支。目前醫學(xué)成像方法主要有：X光成像、核磁共振成像、超聲成像以及正電子發(fā)射斷層成像，其中，超聲成像從成像成本、成像時(shí)間以及對病人的傷害等方面都顯示出了它的優(yōu)勢，本文就以醫學(xué)超聲圖像為例，對超聲診斷中常見(jiàn)的液性病變圖像進(jìn)行邊緣提取算法分析。
經(jīng)典的邊緣檢測算子利用邊緣處一階或二階導數來(lái)檢測梯度變化情況，基本的微分檢測算子有Roberts算子、Sobel算子、拉普拉斯算子和Canny算子等。近年來(lái)，隨著(zhù)數學(xué)理論和人工智能的發(fā)展，又出現了許多新的邊緣檢測方法，比如基于分數階微分法、小波變換法、Snake模型法、模糊檢測法、數學(xué)形態(tài)學(xué)法、神經(jīng)網(wǎng)絡(luò )法等。這些邊緣檢測方法最終目的都是檢測出圖像的邊緣信息，但在解決特定特征圖像時(shí)也顯現出各自的優(yōu)勢和不足之處。所以，如何采用合適的技術(shù)對醫學(xué)圖像進(jìn)行邊緣提取，為臨床醫生提供更準確的病人數據是目前研究的一個(gè)熱點(diǎn)。
本文首先對幾種邊緣檢測方法進(jìn)行分析，然后將其應用于超聲液性病變圖像的邊緣提取中，得出不同的提取效果，與采用改進(jìn)的Snake模型邊緣提取算法進(jìn)行比較，實(shí)驗表明，基于Snake模型的邊緣提取算法邊緣提取效果較好。

1 邊緣檢測算法
邊緣檢測目的是要檢測出圖像中灰度變化的不連續區域，確定它們在圖像中的精確位置，為后期的圖像分析和處理提供信息，圖像的邊緣包含了物體形狀的重要信息，主要存在于目標與目標、目標與背景、區域與區域(包括不同色彩)之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎。圖像邊緣檢測的實(shí)質(zhì)是采用某種算法來(lái)提取出圖像中對象與背景間的交界線(xiàn)。
1．1 基于一階微分的邊緣檢測算法
圖像中的邊緣通常與圖像強度或圖像強度的一階導數的不連續性有關(guān)。圖像強度的不連續可分為：
(1)階躍不連續，即圖像強度在不連續處的兩邊的像素灰度值有著(zhù)顯著(zhù)的差異；
(2)線(xiàn)條不連續，即圖像強度突然從一個(gè)值變化到另一個(gè)值，保持一個(gè)較小的行程后又返回到原來(lái)的值。
在一維情況下，階躍邊緣同圖像的一階導數局部峰值有關(guān)。梯度是函數變化的一種度量，而一幅圖像可以看作是圖像強度連續函數的取樣點(diǎn)陣列。因此，圖像灰度值的顯著(zhù)變化可用梯度的離散逼近函數來(lái)檢測。
梯度是一階導數的二維等效式，定義為向量：

有2個(gè)重要的性質(zhì)與梯度有關(guān)：
(1)向量G(x，y)的方向就是函數f(x，y)增大時(shí)的最大變化率方向；
(2)梯度的幅值由下式給出：

數字圖像中，求導數是利用差分近似微分來(lái)完成的。根據模板的大小以及權值的不同，人們提出了很多梯度算子，比如Roberts算子、Sobel算子、Prewitt算子都是基于一階微分的梯度經(jīng)典算子。
1．1．1 Roberts算子
根據計算梯度原理，采用對角線(xiàn)方向相鄰2像素之差得到的就是Reberts算子。Roberts算子是22模板的一階微分算子，是一種斜向偏差分的梯度計算方法，梯度的大小代表邊緣的強度，梯度的方向與邊緣走向垂直，因此，Roberts梯度算子檢測水平和垂直邊緣的效果好，定位精度高，但容易丟失部分邊緣。因為Roberts沒(méi)進(jìn)行平滑處理，對噪聲較敏感，經(jīng)常會(huì )出現孤立點(diǎn)。用該算子處理邊緣陡峭度高且噪聲小的圖像效果較佳。
1．1．2 Sobel算子
Sobel算子是使用3 x 3模板的一階微分算子，采用帶權值的方法計算差分，是在Roberts算子的基礎上將方向差分運算與局部平均結合起來(lái)的一種方法。Sobel算子以f(x，y)為中心的33的鄰域上計算x和y方向上的偏導數Gx，Gy。利用像素上、下、左、右相鄰點(diǎn)的灰度加權算法，根據在邊緣點(diǎn)處達到極值進(jìn)行邊緣檢測。Sobel算子很容易在空間上實(shí)現，對噪聲具有較好的平滑作用，能提供比較準確的邊緣方向信息，但定位精度不高，容易產(chǎn)生偽邊緣，其測得邊緣寬度一般至少為2個(gè)像素。但由于實(shí)際中很多情形下對定位精度的要求都不是很高，因此它是一種較為常用的邊緣檢測算子。