專利名稱：一種檢測dr圖像中束光器區(qū)域的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種圖像處理技術(shù)，尤其是涉及一種檢測DR圖像中束光器區(qū)域的方法。
背景技術(shù)：
DR (Digital Radiography,數(shù)字化X射線攝影系統(tǒng))設(shè)備由探測器、影像處理器、圖像顯示器等組成。透射過人體后的X線信號被探測獲取，直接形成數(shù)字影像，數(shù)學(xué)影像數(shù)據(jù)傳到計(jì)算機(jī)，在顯示器上顯示。醫(yī)生在使用DR設(shè)備拍攝人體圖片時(shí)，往往需要通過束光器對球管輸出的X射線范圍進(jìn)行限定，從而減少被拍攝者的射線吸收劑量，同時(shí)由于X線被限定在一個(gè)目標(biāo)區(qū)域內(nèi)，因此X射線的散射減少，有利于提高被拍攝組織的細(xì)節(jié)顯示效果。但在對獲取的DR圖像進(jìn)行一些列后處理時(shí)，根據(jù)束光器區(qū)域占DR圖像面積的比例不同，會對DR圖像的增強(qiáng)效果產(chǎn)生不同程度的負(fù)面影響。專利號為5268967的美國專利，對ー副具有束光器區(qū)域的圖像進(jìn)行邊緣檢測，將圖像劃分成許多互不重疊的小格，根據(jù)每個(gè)小格中的邊緣信息來判定該小格是目標(biāo)組織、背景、束光器區(qū)域或者是前述三種區(qū)域的重疊組合，然后不斷縮小所劃分的小格，重復(fù)上述過程，直到將組織和背景或者束光器區(qū)域劃分開。專利號為5901240的美國專利，對ー副具有束光器區(qū)域的圖像的像素進(jìn)行歸類，然后對圖像進(jìn)行Hough變換，得出一組直線集合，然后利用樹形結(jié)構(gòu)對該集合中的直線進(jìn)行組合，對形成的樹結(jié)構(gòu)進(jìn)行搜索，從而得出束光器區(qū)域。雖然上述美國專利公開的技術(shù)方案基本可以解決DR圖像中對束光器區(qū)域的裁剪，但是，當(dāng)人體組織的部分特征同束光器邊界類似時(shí)，上述技術(shù)方案對束光器區(qū)域判定的準(zhǔn)確性較差。

發(fā)明內(nèi)容
本發(fā)明提出一種檢測DR圖像中束光器區(qū)域的方法，通過區(qū)域檢測算法從DR圖像中檢測出束光器遮蔽區(qū)域(即束光器區(qū)域)，為后續(xù)的圖像增強(qiáng)過程提供更加有價(jià)值的數(shù)據(jù)，從而提高圖像的整體質(zhì)量。本發(fā)明采用如下技術(shù)方案實(shí)現(xiàn)一種檢測DR圖像中束光器區(qū)域的方法，其包括步驟
對DR圖像進(jìn)行圖像邊緣檢測，找到每行或每列給定方向上最大梯度幅值的像素點(diǎn)； 對所述最大梯度幅值的像素點(diǎn)基于K-聚類算法進(jìn)行自適應(yīng)聚類；
計(jì)算各個(gè)聚類的邊界坐標(biāo)，以及計(jì)算各個(gè)聚類中每個(gè)像素點(diǎn)的梯度幅值超過一設(shè)定閾值的像素點(diǎn)數(shù)量占該聚類全部像素點(diǎn)總數(shù)的比例值；
依次判斷計(jì)算出的各個(gè)聚類的比例值是否大于ー設(shè)置值，若是，則該聚類的邊界坐標(biāo)為DR圖像中束光器區(qū)域邊界坐標(biāo)的一部分；、輸出束光器區(qū)域在DR圖像中的邊界坐標(biāo)。在一個(gè)優(yōu)選實(shí)施例中，本發(fā)明公開的所述檢測DR圖像中束光器區(qū)域的方法還包括步驟對所述比例值小于設(shè)定值的所有聚類構(gòu)成的聚類集合，利用聚類集合組成圖像區(qū)域進(jìn)行基于圖像特征信息的特征判別。其中，所述特征判別的步驟包括選出聚類集合中像素點(diǎn)最多的聚類計(jì)算邊界；在邊界兩側(cè)統(tǒng)計(jì)灰度變化，如果邊界兩側(cè)的平均灰度變化比超過ー個(gè)灰度閾值，則確認(rèn)該邊界為束光器區(qū)域的邊界，否則依次在聚類集合中從像素點(diǎn)次多的聚類至像素點(diǎn)最少的聚類之中選取其中一個(gè)聚類計(jì)算選取聚類的邊界，重復(fù)前述步驟，直到找到某個(gè)聚類的邊界為束光器區(qū)域的邊界。當(dāng)在聚類集合中選取像素點(diǎn)最少的聚類計(jì)算邊界后，該邊界兩側(cè)的平均灰度變化未超過灰度閾值，則認(rèn)為該圖像中沒有束光器區(qū)域。其中，所述圖像邊緣檢測的步驟包括JiDR圖像進(jìn)行低通濾波去噪處理；對0尺圖像進(jìn)行邊緣增強(qiáng)處理JiDR圖像作基于方向限制的最大梯度幅值的邊緣檢測。
本發(fā)明結(jié)合DR設(shè)備束光器特點(diǎn)對圖像像素進(jìn)行篩選，大大減少聚類算法的捜索空間，提高計(jì)算速度；在聚類算法中引入自適應(yīng)規(guī)則，根據(jù)圖像不同智能判斷所要進(jìn)行分類的數(shù)量；提出基于概率的“真實(shí)性”表達(dá)，降低算法的誤檢率。


圖I是本發(fā)明的流程示意圖。
具體實(shí)施例方式本發(fā)明提出ー種對DR圖像進(jìn)行束光器區(qū)域的裁剪方法，通過區(qū)域檢測算法，將束光器區(qū)域從圖像中分離，為后續(xù)的圖像增強(qiáng)過程提供更加有價(jià)值的數(shù)據(jù)，從而提高圖像的整體質(zhì)量。結(jié)合圖I所示，本發(fā)明包括如下實(shí)現(xiàn)步驟
首先，對DR圖像進(jìn)行圖像邊緣檢測，包括步驟S1-S4。圖象的邊緣是指圖象局部區(qū)域亮度變化顯著的部分，該區(qū)域的灰度剖面一般可以看作是ー個(gè)階躍，即從一個(gè)灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另ー個(gè)灰度相差較大的灰度值。圖象的邊緣部分集中了圖象的大部分信息，圖象邊緣的確定與提取對于整個(gè)圖象場景的識別與理解是非常重要的，同時(shí)也是圖象分割所依賴的重要特征，邊緣檢測主要是圖象的灰度變化的度量、檢測和定位。步驟SI :對DR圖像進(jìn)行低通濾波去噪處理。步驟S2 :對DR圖像進(jìn)行邊緣增強(qiáng)處理。邊緣檢測主要基于導(dǎo)數(shù)計(jì)算，但受噪聲影響；而對DR圖像進(jìn)行濾波降低噪聲時(shí)將導(dǎo)致DR圖像的邊緣強(qiáng)度損失，故需要對DR圖像進(jìn)行邊緣增強(qiáng)處理，將鄰域中灰度有顯著變化的像素點(diǎn)突出顯示。圖像邊緣增強(qiáng)處理一般通過計(jì)算梯度幅值完成。其中，現(xiàn)有的圖像軟件很多具備圖像邊緣增強(qiáng)的處理功能，且也有公開的專利申請揭露如何實(shí)現(xiàn)圖像邊緣增強(qiáng)處理，在此不再詳細(xì)描述。步驟S3 :對DR圖像作基于方向限制的最大梯度幅值的邊緣檢測。其中，分別從給定方向，在DR圖像的邊界向中心進(jìn)行逐行或者逐列的具有方向性的邊緣檢測，找到每行或每列給定方向上變化最大的像素點(diǎn)(即最大梯度幅值的像素點(diǎn))。例如，對于ー副給定的DR圖像建立坐標(biāo)，如大小為AxB (A、B分別代表DR圖像長和寬的像素?cái)?shù)量)，我們定義圖像左邊界的坐標(biāo)為(0，Y)，右邊界的坐標(biāo)為(A-1，Y)，Y為O至B-I的任意數(shù)；上邊界為(X，0)，下邊界為X，B-l)，X為O至A-I的任意數(shù)。因此，在邊緣檢測中可以精確的找到每行或每列給定方向上變化最大的像素點(diǎn)的位置(即該像素點(diǎn)所在坐標(biāo))。步驟S4 :將從每行或每列給定方向上檢測到的變化最大的像素點(diǎn)基于K-聚類算法進(jìn)行自適應(yīng)聚類。利用DR圖像局部區(qū)域特征閾值對從每行或每列給定方向上檢測到的變化最大的像素點(diǎn)進(jìn)行預(yù)篩選，剔除變化過小(即梯度幅值小于某一設(shè)定值的像素點(diǎn))的像素點(diǎn)，以減少后續(xù)處理的像素點(diǎn)集合規(guī)模，從而減少處理時(shí)間。如果篩選后某方向上的變化點(diǎn)數(shù)量過 少(即篩選后某方向上剰余的像素點(diǎn)數(shù)量小于ー個(gè)預(yù)設(shè)的數(shù)值)，則認(rèn)為該方向上不存在束光器邊界。步驟S5 :計(jì)算各個(gè)聚類的邊界坐標(biāo)，并計(jì)算各個(gè)聚類中每個(gè)像素點(diǎn)的梯度幅值超過ー設(shè)定閾值的像素點(diǎn)數(shù)量占該聚類全部像素點(diǎn)總數(shù)的比例值。在每個(gè)方向上，由篩選后變化點(diǎn)的波動(dòng)范圍(即該方向上像素點(diǎn)的梯度幅值最大值與梯度幅值最小值之間的波動(dòng)范圍)決定聚類數(shù)。聚類后，根據(jù)每類聚類中像素點(diǎn)所處位置的總體分布狀況決定該聚類的邊界坐標(biāo)，比如，對完成聚類后的每類聚類中的像素點(diǎn)的坐標(biāo)求平均值，獲得該類聚的邊界坐標(biāo)。然后，計(jì)算各個(gè)聚類中每個(gè)像素點(diǎn)的梯度幅值超過一設(shè)定閾值的像素點(diǎn)數(shù)量占該聚類全部像素點(diǎn)總數(shù)的比例值。步驟S6 :判斷各個(gè)聚類在上述步驟S5中計(jì)算出的比例值是否大于ー設(shè)定值(該設(shè)定值為經(jīng)驗(yàn)值，比如80%)。若某一個(gè)聚類中梯度幅值超過一設(shè)定閾值的像素點(diǎn)的數(shù)量占該聚類中總像素點(diǎn)的比例大于設(shè)定值，判斷認(rèn)為該聚類中各像素點(diǎn)所在位置為束光器區(qū)域，對應(yīng)的，該聚類的邊界坐標(biāo)為DR圖像中束光器區(qū)域邊界坐標(biāo)的一部分，轉(zhuǎn)入步驟S8 ;否則，轉(zhuǎn)入步驟S7進(jìn)ー步進(jìn)行判斷。步驟S7 :對上述步驟S5中計(jì)算出比例值小于設(shè)定值的所有對應(yīng)的聚類構(gòu)成的聚類集合，利用聚類集合中所有像素點(diǎn)組成圖像區(qū)域進(jìn)行基于該圖像區(qū)域的圖像特征信息的特征判別。首選，選出聚類集合中像素點(diǎn)最多的聚類計(jì)算邊界；然后，在邊界兩側(cè)統(tǒng)計(jì)灰度變化，如果邊界兩側(cè)的平均灰度變化比超過ー個(gè)灰度閾值，則確認(rèn)該邊界為束光器區(qū)域的邊界，否則選取聚類集合中像素點(diǎn)次多的聚類計(jì)算邊界，重復(fù)前述步驟，直到滿足前面條件。若直到選取像素點(diǎn)最少的聚類計(jì)算邊界后，該邊界兩側(cè)的平均灰度變化未超過灰度閾值，則認(rèn)為該聚類集合中不能找到滿足條件的邊界，即認(rèn)為該圖像中沒有束光器區(qū)域。步驟S8 :輸出束光器區(qū)域在DR圖像中的邊界坐標(biāo)。由于本發(fā)明從不同方向去檢測束光器區(qū)域，當(dāng)完成捜索后，會在每個(gè)給定方向上得到一個(gè)邊界，假設(shè)我們從上下左右四個(gè)方向檢測，則會得到四個(gè)邊界，這時(shí)我們用“邊界坐標(biāo)”表達(dá)搜索到的邊界位置，如右側(cè)邊界坐標(biāo)為x=xl,y=任意有效值，上側(cè)邊界坐標(biāo)為X=任意有效值，y=yl。本發(fā)明重點(diǎn)在于如何檢測DR圖像中的束光器區(qū)域，最后是輸出束光器區(qū)域的邊界坐標(biāo)，或稱為輸出得到的束光器區(qū)域在DR圖像中的邊界坐標(biāo)。對于后續(xù)如何利用該邊界坐標(biāo)信息，參考方法是生成一個(gè)模板，在DR圖像中將束光器區(qū)域標(biāo)定出來，如束光器區(qū)域標(biāo)定為0，其他區(qū)域?yàn)?，便于后續(xù)算法進(jìn)行有針對性的處理。綜上，本發(fā)明首先對圖像進(jìn)行梯度檢測，然后利用基于局部區(qū)域特征閾值的方法對梯度圖像進(jìn)行篩選，減少后續(xù)處理的點(diǎn)集合規(guī)模，然后對篩選后的點(diǎn)集合進(jìn)行自適應(yīng)聚類，給出候選邊界以及該候選邊界為“真實(shí)”束光器邊界的概率值，針對低概率邊界，結(jié)合圖像中的特征信息(標(biāo)定區(qū)域中的灰度均值，方差等)對其“真實(shí)度”再次判定，最終得到整個(gè)束光器的區(qū)域。與現(xiàn)有技術(shù)相比，本發(fā)明結(jié)合DR設(shè)備束光器特點(diǎn)對圖像像素進(jìn)行篩選，大大減少聚類算法的捜索空間，提高計(jì)算速度；在聚類算法中引入自適應(yīng)規(guī)則，根據(jù)圖像不同智能判斷所要進(jìn)行分類的數(shù)量；提出基于概率的“真實(shí)性”表達(dá)，降低算法的誤檢率。
·
以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種檢測DR圖像中束光器區(qū)域的方法，其特征在于，包括步驟 對DR圖像進(jìn)行圖像邊緣檢測，找到每行或每列給定方向上最大梯度幅值的像素點(diǎn)； 對所述最大梯度幅值的像素點(diǎn)基于K-聚類算法進(jìn)行自適應(yīng)聚類； 計(jì)算各個(gè)聚類的邊界坐標(biāo)，以及計(jì)算各個(gè)聚類中每個(gè)像素點(diǎn)的梯度幅值超過一設(shè)定閾值的像素點(diǎn)數(shù)量占該聚類全部像素點(diǎn)總數(shù)的比例值； 依次判斷計(jì)算出的各個(gè)聚類的比例值是否大于ー設(shè)置值，若是，則該聚類的邊界坐標(biāo)為DR圖像中束光器區(qū)域邊界坐標(biāo)的一部分； 輸出束光器區(qū)域在DR圖像中的邊界坐標(biāo)。
2.根據(jù)權(quán)利要求I所述檢測DR圖像中束光器區(qū)域的方法，其特征在于，還包括步驟對所述比例值小于設(shè)定值的所有聚類構(gòu)成的聚類集合，利用聚類集合組成圖像區(qū)域進(jìn)行基 于圖像特征信息的特征判別。
3.根據(jù)權(quán)利要求2所述檢測DR圖像中束光器區(qū)域的方法，其特征在于，所述特征判別的步驟包括選出聚類集合中像素點(diǎn)最多的聚類計(jì)算邊界；在邊界兩側(cè)統(tǒng)計(jì)灰度變化，如果邊界兩側(cè)的平均灰度變化比超過ー個(gè)灰度閾值，則確認(rèn)該邊界為束光器區(qū)域的邊界，否則依次在聚類集合中從像素點(diǎn)次多的聚類至像素點(diǎn)最少的聚類之中選取其中ー個(gè)聚類計(jì)算選取聚類的邊界，重復(fù)前述步驟，直到找到某個(gè)聚類的邊界為束光器區(qū)域的邊界。
4.根據(jù)權(quán)利要求3所述檢測DR圖像中束光器區(qū)域的方法，其特征在干，當(dāng)在聚類集合中選取像素點(diǎn)最少的聚類計(jì)算邊界后，該邊界兩側(cè)的平均灰度變化未超過灰度閾值，則認(rèn)為該圖像中沒有束光器區(qū)域。
5.根據(jù)權(quán)利要求I所述檢測DR圖像中束光器區(qū)域的方法，其特征在于，所述圖像邊緣檢測的步驟包括 對DR圖像進(jìn)行低通濾波去噪處理； 對DR圖像進(jìn)行邊緣增強(qiáng)處理； 對DR圖像作基于方向限制的最大梯度幅值的邊緣檢測。
6.根據(jù)權(quán)利要求I所述檢測DR圖像中束光器區(qū)域的方法，其特征在于，所述設(shè)置值為80%。
全文摘要
本發(fā)明提出一種檢測DR圖像中束光器區(qū)域的方法，其包括步驟對DR圖像進(jìn)行圖像邊緣檢測，找到每行或每列給定方向上最大梯度幅值的像素點(diǎn)；對所述最大梯度幅值的像素點(diǎn)基于K-聚類算法進(jìn)行自適應(yīng)聚類；計(jì)算各個(gè)聚類的邊界坐標(biāo)，以及計(jì)算各個(gè)聚類中每個(gè)像素點(diǎn)的梯度幅值超過一設(shè)定閾值的像素點(diǎn)數(shù)量占該聚類全部像素點(diǎn)總數(shù)的比例值；依次判斷計(jì)算出的各個(gè)聚類的比例值是否大于一設(shè)置值，若是，則該聚類的邊界坐標(biāo)為DR圖像中束光器區(qū)域邊界坐標(biāo)的一部分；輸出束光器區(qū)域在DR圖像中的邊界坐標(biāo)。本發(fā)明具有檢測速度快和檢測準(zhǔn)確度高的優(yōu)點(diǎn)。
文檔編號G06T7/00GK102693535SQ20111007216
公開日2012年9月26日 申請日期2011年3月24日 優(yōu)先權(quán)日2011年3月24日
發(fā)明者康雨, 李訓(xùn)青 申請人:深圳市藍(lán)韻實(shí)業(yè)有限公司