CN102184532A - 基于单一尺度的医学图像边缘检测 - Google Patents

Abstract

本文提出了一种改进的单一合适尺度边缘检测方法，并将该方法应用到医学图像的边缘检测中。该方法首先用平滑算法，对图像进行平滑，使图像中一些无用的细节信息平滑掉，抑制噪声和高频干扰成分；随后利用模糊增强算法加大边缘两侧灰度的差异，然后利用基于高斯核的单一合适尺度过零点边缘检测方法提取图像的边缘。

Description

基于单一尺度的医学图像边缘检测

研究背景

本申请由北方工业大学信息工程学院研究，并得到以下基金资助：国家自然科学基金(No.60903066，No.60972085)，北京市自然科学基金(No.4102049)，***新教师基金(No.20090009120006)，北京市属高等学校人才强教深化计划(PHR201008187)。

技术领域

本发明涉及医学图像处理领域，更具体而言，涉及一种基于单一尺度的医学图像边缘检测方法、装置和***。

背景技术

医学图像已成为临床诊断、病理分析及治疗的重要依据。医学图像与普通图像比较，本质上具有模糊性和不均匀性。首先，医学图像具有灰度上的含糊性，在同一种组织中信号值(如CT值)会出现大幅度的变化。其次，由于局部体效应，一个边界上的体素中常常同时包含两种物质；一些病变组织由于侵袭周围组织，其边缘无法明确界定。另外，由于技术上的原因带来的噪声往往模糊了物体边缘的高频信号。因此，在对医学图像进行处理的过程中，边缘检测的结果会直接影响到后续的治疗过程，它是图像分析的重要基础，是底层视觉处理中最重要的环节之一。迄今为止出现的多种边缘检测方法，其中大多数是基于梯度的，如Sobel算子，Robert算子，Prewitt算子等。医学图像在获取和传输过程中不可避免地会被各种噪声污染，直接运用以上这些算子来检测医学图像边缘，将会因为噪声的影响而提取出大量的虚假边缘。

多尺度边缘检测方法，是在不同的尺度进行滤波，每一个尺度分解的结果代表该图像在某一频率范围内的信息。小尺度的滤波器对边缘信号敏感，在小尺度上可以获得精细变化的边缘，但同时对噪声敏感；在大尺度的滤波器对噪声滤除效果好，可以得到稳定的图像边缘，但是也将精细的细节给去掉。所以用多尺度分析的方法来综合和描述边缘结构的多样性。对每一尺度下的低频图像分别进行边缘提取，然后将不同尺度下的边缘图像融合，这样既能提高抗噪声能力，又能最大程度的提取图像边缘信息。因此，它既可以在大尺度下抑制噪声，可靠的识别边缘，又可以在小尺度下精确定位^[6]。多尺度边缘检测思想是由Ronsenfeld提出的，后经过Marr和Hildretch完善，提出对图像做平滑处理，采用一组滤波器分别检测出不同范围上的边缘，按此方法进行多尺度检测。1992年Mallat用多尺度思想提出了基于奇异点检测的多尺度边缘检测方法，多尺度边缘的方法蓬勃发展起来。总体来说，该方法在大尺度下的子图像对应图像中的轮廓，边缘稳定，抗噪性好，但定位精度差。小尺度的子图像保持图像中丰富的细节信息，边缘定位精度较高，但易受到噪声的干扰。所以，首先在大尺度图像下提取图像主要轮廓，可靠的识别边缘，在小尺度图像中对应位置的邻域内搜索边缘点，得到这些边缘的精确定位。对于那些在大尺度图像中存在而在小尺度图像对应邻域中没有的边缘点，则可能是斜坡边缘，需要保留下来，为了得到更多的图像边缘细节，还需要提取小尺度图像中的边缘细节。这样从粗到细的跟踪图像边缘，可以获得高精度的边缘定位，并抑制噪声。但是，由于尺度选择的不确定性和该算法的复杂性，需要不断的比较相邻尺度下的边缘点的位置而且不能确定选择的尺度最大值和相邻尺度的间隔，在实际应用中并不适用于快速的边缘提取。

多尺度边缘检测方法的提出在很大程度上克服了噪声的影响，它主要是利用各尺度下的高斯函数对图像进行拉普拉斯算子的边缘检测，然后综合各尺度下的边缘得到图像边缘。虽然该方法提高了算法的抗噪性，但它比较繁琐，需要计算多个尺度，不方便得到图像的边缘。如果只考虑单一尺度时的边缘检测，则由于尺度选择的不同，对图像的去噪和平滑效果也不同，得到的图像边缘存在各种各样的缺点。

边缘检测的实质就是利用某种算法来提取图像中物体和背景的交界线。小尺度边缘检测时，获得的边缘含有较多的细节信息，对噪声的反应比较敏感。

因此，需要一种改进的单一尺度图像边缘检测算法，能够在更好地体现图像中的高频细节特征，以便在边缘检测中避免出现不连续的线状边缘，从而能够克服现有技术中单一尺度图像边缘检测中图像去噪和平滑过度的问题。

发明内容

本发明针对现有技术中的上述问题，综合运用平滑算法，模糊集理论等，提出一种平滑处理，模糊增强与单一尺度边缘检测相结合的方法，对经过平滑后的图像进行模糊增强预处理，然后利用边缘检测方法在单一尺度下提取图像的边缘。

在本发明的一个方案中，公开了一种医学图像边缘检测方法，包括以下步骤：(a)获得输入图像；(b)对所述输入图像进行平滑处理；(c)对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度；(d)对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且(e)输出经过所述单一尺度的边缘检测的图像，其中，步骤(c)中的模糊学图像增强包括以下步骤：(a.1)将经过所述平滑处理后的输入图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为L_ij＝G(x_ij)，(i＝1，2，...，M；j＝1，2，...，N)；(a.2)在所述模糊特征平面上，对特征L_ij进行对比度增强得到Ic_ij＝E_r(L_ij)；以及(a.3)对增强的模糊特征Ic_ij进行G^-1逆变换，得到经过所述模糊学图像增强的图像；在步骤(a.1)中的所述G变换为：

$G\left(x_{\mathrm{ij}}\right)={[1+\frac{(x_{\max }-d_{\mathrm{ij}})}{F_d}]}^{-F_e},$ i＝1，2，...，M；n＝1，2，...，N    (1)

其中，x_max表示图像中的最大灰度值，

F_e为指数模糊因子，

F_d为倒数模糊因子，其依据在特定F_e的情况下，所述G变换后得到的模糊特征矩阵中所有特征元素大于一特定阈值T，而通过上述公式(1)计算得到的，

在步骤(a.2)中，所采用的Ic_ij＝E_r(L_ij)为：

Lc_ij＝E_r(L_ij)＝E₁(E_r-1(L_ij))；r＝1，2，3，4    (2)

其中， $E_1\left(L_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{{2L}_{\mathrm{ij}}}^2,0\≤L_{\mathrm{ij}}\≤0.5\\ 1-2{(1-L_{\mathrm{ij}})}^2,0.5\≤L_{\mathrm{ij}}\≤1\end{array}\right.---\left(5\right)$

在步骤(a.3)中，经过所述模糊学图像增强的图像为： ${\mathrm{xc}}_{\mathrm{ij}}=G^{-1}\left({\mathrm{Lc}}_{\mathrm{ij}}\right)=x_{\max }-F_d[{\left({\mathrm{Lc}}_{\mathrm{ij}}\right)}^{-1/F_e}-1],$

其中，在步骤(d)中的单一尺度的边缘检测包括以下步骤：(d.1)对图像与高斯核二阶导数的卷积结果求过零点检测，此时的尺度参数设为一定值；以及(d.2)对处理后图像的像素值从x轴方向和y轴方向进行过零点位置检测，连接得到的过零点位置，即得到图像的边缘。

在另一方案中，公开了与以上方法相对于的一种装置。

在再另一方案中，公开了一种医学图像处理***，包括：医学图像采集设备，用于采集医学图像；通信电路，用于将所采集的医学图像有助于有线或无线方式传输至边缘检测电路；边缘检测电路，其被配置为执行如权利要求1所述的方法；显示装置，用于从所述边缘检测电路接收经过边缘增强的医学图像，并显示所述经过边缘增强的医学图像；以及存储装置，用于存储所采集的医学图像及/或经过处理的医学图像。

附图说明

图1示出了一种医学图像处理***；

图2示出了根据本发明的一些实施例的基于单一尺度的医学图像边缘检测方法的流程图；

图3示出了根据本发明的一些实施例的基于单一尺度的医学图像边缘检测装置；以及

图4示出了根据一些实施例的边缘检测电路的细节。

具体实施方式

现在参考附图来描述各种方案。在以下描述中，为了进行解释，阐述了多个具体细节以便提供对一个或多个方案的透彻理解。然而，显然，在没有这些具体细节的情况下也能够实现这些方案。

如在本申请中所使用的，术语“组件”、“模块”、“***”等等旨在指代与计算机相关的实体，例如但不限于，硬件、固件、硬件和软件的组合、软件，或者是执行中的软件。例如，组件可以是但不限于：在处理器上运行的进程、处理器、对象、可执行体(executable)、执行线程、程序、和/或计算机。举例而言，运行在计算设备上的应用程序和该计算设备都可以是组件。一个或多个组件可以位于执行进程和/或者执行线程内，并且组件可以位于一台计算机上和/或者分布在两台或更多台计算机上。另外，这些组件可以从具有存储在其上的各种数据结构的各种计算机可读介质执行。组件可以借助于本地和/或远程进程进行通信，例如根据具有一个或多个数据分组的信号，例如，来自于借助于信号与本地***、分布式***中的另一组件交互和/或者与在诸如因特网之类的网络上借助于信号与其他***交互的一个组件的数据。

图1示出了根据本发明的一个实施例的医学图像处理***100。装置101为医学图像采集设备，用于依据现有技术中已知的任何医学成像技术来采集病人身体一部分(例如胸部、头部等等)的图像，这些已知的医学成像技术包括超声成像、X射线、CT、核磁共振等等。由医学图像采集设备101所采集到的医学图像通过通信装置102以有线和/或无线的方式传送至图像处理装置103，该图像处理装置103对接收到的医学图像进行边缘检测，以检测医学图像中的边缘以及/或者进行边缘增强，以供医生诊断之用。但是应该理解，图像处理装置103还可以对输入图像进行其它各种处理，例如图像去噪、图像配准、模式识别等等。

图像处理装置103可以用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件或者设计为执行本文所述功能的其任意组合，来实现或执行。通用处理器可以是微处理器，但是可替换地，该处理器也可以是任何常规的处理器、控制器、微控制器或者状态机。处理器也可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器的组合、一个或多个微处理器与DSP内核的组合或者任何其它此种结构。另外，至少一个处理器可以包括可操作以执行上述的一个或多个步骤和/或操作的一个或多个模块。

当用ASIC、FPGA等硬件电路来实现图像处理装置103时，其可以包括被配置为执行各种功能的各种电路块。本领域技术人员可以根据施加在整个***上的各种约束条件来以各种方式设计和实现这些电路，来实现本发明所公开的各种功能。例如，用ASIC、FPGA等硬件电路实现的图像处理装置103可以包括滤波器电路及/或其它电路模块，其用来依据本文公开的各种自适应平滑滤波方案来对输入图像执行去噪。本领域技术人员应该可以理解和认识到，本文所述的图像处理装置103可选地可以包括除滤波器电路之外的其它任何可用电路模块，例如被配置为进行边缘检测、图像配准、模式识别的任何电路模块。以下结合图3的流程图详细描述了滤波器电路所实现的功能。

图像存储装置105可以耦合至图像采集设备101及/或图像处理装置103，以存储图像采集设备101所采集的原始数据及/或经过图像处理装置103处理后的输出图像。

图2示出了根据本发明的一些实施例的基于单一尺度的医学图像边缘检测方法的流程图。在步骤101中，输入待处理的图像。在实施例中，待输入的图像可以来自图像采集装置101或图像存储装置105。

在步骤103中，对输入的图像进行平滑。在此，可以利用本领域公知的各种图像平滑算法来对输入图像进行平滑。在图像处理领域中，总的来说，传统的去噪方法包括基于空间滤波的去噪和基于频域滤波的去噪。基于空间滤波的去噪方法采用基于中值滤波或均值滤波的掩膜/核来执行邻域处理，从而达到平滑去噪的目的。基于频域滤波的去噪方法可以采用的平滑频域滤波器可以包括：理想低通滤波器、巴特沃思滤波器和高通滤波器。例如，在Rafael C.Gonzalez和Richard E.Woods等人的“Digital ImageProcessing(Second Edition)”(以下称为“文献1”)中详细描述了用于平滑的空间和时间滤波器。其中，高斯平滑滤波器作为一种基本的去噪方法，被广泛地用来对医学图像执行去噪处理，其二维形式可以如下给出：

$H(u,v)=e^{-D^2(u,v)/{2\mathrm{\σ}}^2}---\left(1\right)$

在步骤105中，对图像进行模糊学增强。在一个实施例中，本文提出的模糊学增强算法的具体过程为：

(i)将输入的空域图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为L_ij＝G(x_ij)，(i＝1，2，...，M；j＝1，2，...，N)，其中G变换可以根据实际需要采用各种形式，只要能够将相应的图像数据变换至模糊特征矩阵即可，在一个实施例中，可以采用如下G变换形式：

$G\left(x_{\mathrm{ij}}\right)={[1+\frac{(x_{\max }-d_{\mathrm{ij}})}{F_d}]}^{-F_e},$ i＝1，2，...，M；n＝1，2，...，N    (2)

其中，x_max表示最大灰度值，在一个实施例中为255。

F_e为指数模糊因子，在一个实施例中为1，在另一实施例中为2。

F_d为倒数模糊因子，其依据在特定F_e的情况下，G变换后得到的模糊特征矩阵中所有特征元素大于一特定阈值T，而通过上述公式(2)计算得到的。

(ii)在模糊特征平面上，对特征L_ij进行对比度增强运算得到Ic_ij＝E_r(L_ij)。在一个实施例中，所采用的非线性对比度增强变换函数为：

Lc_ij＝E_r(L_ij)＝E₁(E_r-1(L_ij))；r＝1，2，3，4    (3)

其中， $E_1\left(L_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{{2L}_{\mathrm{ij}}}^2,0\≤L_{\mathrm{ij}}\≤0.5\\ 1-2{(1-L_{\mathrm{ij}})}^2,0.5\≤L_{\mathrm{ij}}\≤1\end{array}\right.---\left(4\right)$

(iii)对增强的模糊特征Ic_ij进行G^-1逆变换，得到已增强的空域图像。例如，在使用公式(2)的一个实施例中，已增强的空域图像的像素为 ${\mathrm{xc}}_{\mathrm{ij}}=G^{-1}\left({\mathrm{Lc}}_{\mathrm{ij}}\right)=x_{\max }-F_d[{\left({\mathrm{Lc}}_{\mathrm{ij}}\right)}^{-1/F_e}-1].$

在步骤107中，对经过图像增强的图像进行单一尺度下的边缘检测。在步骤是通过以下得到的：对图像与高斯核二阶导数的卷积结果求过零点检测，此时的尺度值设为1，对处理后图像的像素值从x轴方向和y轴方向进行过零点位置检测，连接得到的过零点位置，即得到图像的边缘。

具体而言，如本领域公知的，二维高斯函数如公式(5)所示。

$G(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{{2\mathrm{\σ}}^2})---\left(5\right)$

二维高斯函数G(x，y，σ)中的标准方差σ是函数的尺度参数，它的取值决定了函数的尺度大小。本文中为了克服多尺度边缘检测中σ选取的复杂性和σ间隔的不确定性，而对σ取单一值，将其设置为一个常数，此时忽略掉了大尺度和小尺度下分别对图像边缘提取时的缺点，直接在小尺度下，通过平滑处理和模糊增强预处理，使图像的一些细节平滑处理掉，图像的高频信号和噪声信号对比度增强，明显克服了噪声的干扰。使小尺度下抗噪声性能提高，小尺度时边缘定位精度较高，所以采用单一尺度克服了多尺度选择的难点。对于任意一个固定尺度，

的零交叉点则代表像素灰度值变化最强烈的位置。即利用该算法寻找图像的边缘就是找像素点二阶偏导数的过零点位置。

在本文的一个实施例中，在公式(5)所示的二维高斯函数中，σ取为1即可。对卷积处理后的图像执行LOG算子，

是拉普拉斯算子，

可以使用本领域公知的任何方法来依靠确定h(x，y)的过零点的位置来获得图像边缘。图像的像素点经过处理后没有绝对等于0的值，所以无法根据像素点是否为0来得到边缘点。根据一个实施例，由一维信号来分析，只能根据函数过零点的条件来判断，即

或者

此时根据像素点x₀左右邻近值的f(x₁)*f(x₂)＜0，来确定必有一点x₁＜x₀＜x₂，且f(x₀)＝0。推广到图像上，因为图像是二维的，所以寻找图像像素的过零点位置必须是沿两个方向上的，即x轴和y轴方向。在一个实施例中，根据过零点原理，取两个相邻点中符号异号的，并且比较两者谁更接近零，则取该点的位置为过零点即为图像的边缘点。图像像素的过零点需要从水平方向和竖直方向来考虑。在一个实施例中，这种方法可以利用公式(6)和(7)来描述。经过该方法得到的过零点位置连成线，即是图像的边缘。此时，图像过零点的提取也是近似提取，因为统计值产生的误差在一个像素宽度之内，随着图像的像素点的增多，这种单像素宽度的误差可以忽略不计。

$\left\{\begin{array}{c}h(x,y)*h(x+1,y)<0\\ \left|h(x,y)\right|<\left|h(x+1,y)\right|\end{array}\right.---\left(6\right)$

$\left\{\begin{array}{c}h(x,y)*h(x,y+1)<0\\ \left|h(x,y)\right|<\left|h(x,y+1)\right|\end{array}\right.---\left(7\right)$

应该理解，针对过零点位置的检测可以使用本领域公知的任何算法来实现，从而最终确定图像的边缘。以上仅给出了实现此目的的一个简单实施例，本领域技术人员根据使用本文公开的方法的应用环境可以对上述实施例进行任意的修改，例如对上述公式(6)和(7)进行修改。

在图3中示出了根据本发明的一些实施例的基于单一尺度的医学图像边缘检测装置。该装置包括：用于输入图像的模块201；用于对图像进行平滑处理的模块203；用于采用本文所述的模糊学算法对图像进行增强的模块205；以及用于进行单一尺度下的边缘检测的模块207。

图3示出了根据一些实施例的边缘检测电路400的细节。边缘检测电路400可以包括处理电路410和存储器420。其中处理电路410可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件或者设计为执行本文所述功能的其任意组合。处理电路410可以包含用来实现各种功能的各个电路模块。在一个实施例中，这些电路模块可以以分立组件的形式存在于处理电路410中。在另一个实施例中，这些电路模块可以是仅是电路的电子设计图中的功能模块，而并不在实际电路中存在。例如，在利用商用电子电路设计软件设计电路模块图并最终将其以电子方式写入电路中时，这些电路模块可分别地或者汇集地存在于该电子电路设计软件支持的一个或多个文件中，而在最后的电路写入阶段合并为单个设计。

在一个实施例中，处理电路410可以包括：用于获得一输入图像的电路模块411；用于对图像进行平滑处理的电路模块413；用于采用本文所述的模糊学算法对图像进行增强的电路模块415；用于进行单一尺度下的边缘检测的电路模块417。在一个实施例中，存储器420可以用来存储边缘检测电路400的输入数据、输出数据以及处理电路410的各个电路模块的中间数据。例如，在一个实施例中，处理电路410可以将进行平滑处理后的图像存储在存储器420中以便由电路模块415取回。在另一个实施例中，处理电路410可以将经过图像增强的图像存储在存储420中以便由电路模块417取回。存储器220可以是各种随机存取存储器(RAM)，其包括但不限于：RAM、DRAM、DDR RAM等等。存储器220通过总线连接至处理电路210。

尽管前述公开文件论述了示例性方案和/或实施例，但应注意，在不背离由权利要求书定义的描述的方案和/或实施例的范围的情况下，可以在此做出许多变化和修改。而且，尽管以单数形式描述或要求的所述方案和/或实施例的要素，但也可以设想复数的情况，除非明确表示了限于单数。另外，任意方案和/或实施例的全部或部分都可以与任意其它方案和/或实施例的全部或部分结合使用，除非表明了有所不同。

Claims (5)

1.一种方法，包括以下步骤：

(a)获得输入图像；

(b)对所述输入图像进行平滑处理；

(c)对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度；

(d)对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且

(e)输出经过所述单一尺度的边缘检测的图像，

其中，步骤(c)中的模糊学图像增强包括以下步骤：

(a.1)将经过所述平滑处理后的输入图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为L_ij＝G(x_ij)，(i＝1，2，...，M；j＝1，2，...，N)；

(a.2)在所述模糊特征平面上，对特征L_ij进行对比度增强得到Ic_ij＝E_r(L_ij)；以及

(a.3)对增强的模糊特征Ic_ij进行G^-1逆变换，得到经过所述模糊学图像增强的图像；

在步骤(a.1)中的所述G变换为：

$G\left(x_{\mathrm{ij}}\right)={[1+\frac{(x_{\max }-d_{\mathrm{ij}})}{F_d}]}^{-F_e},$ i＝1，2，...，M；n＝1，2，...，N    (1)

其中，x_max表示图像中的最大灰度值，

F_e为指数模糊因子，

F_d为倒数模糊因子，其依据在特定F_e的情况下，所述G变换后得到的模糊特征矩阵中所有特征元素大于一特定阈值T，而通过上述公式(1)计算得到的，

在步骤(a.2)中，所采用的Ic_ij＝E_r(L_ij)为：

Lc_ij＝E_r(L_ij)＝E₁(E_r-1(L_ij))；r＝1，2，3，4    (2)

其中， $E_1\left(L_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{{2L}_{\mathrm{ij}}}^2,0\&le;L_{\mathrm{ij}}\&le;0.5\\ 1-2{(1-L_{\mathrm{ij}})}^2,0.5\&le;L_{\mathrm{ij}}\&le;1\end{array}\right.---\left(3\right)$

在步骤(a.3)中，经过所述模糊学图像增强的图像为：

${\mathrm{xc}}_{\mathrm{ij}}=G^{-1}\left({\mathrm{Lc}}_{\mathrm{ij}}\right)=x_{\max }-F_d[{\left({\mathrm{Lc}}_{\mathrm{ij}}\right)}^{-1/F_e}-1],$

其中，在步骤(d)中的单一尺度的边缘检测包括以下步骤：

(d.1)对图像与高斯核二阶导数的卷积结果求过零点检测，此时的尺度参数设为一定值；以及

(d.2)对处理后图像的像素值从x轴方向和y轴方向进行过零点位置检测，连接得到的过零点位置，即得到图像的边缘。

2.如权利要求1所述的方法，其中，

在步骤(a.1)中，F_e优选为1或2，x_max为255。

3.如权利要求1所述的方法，其中，

步骤(e.1)中所使用的二维高斯函数为：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{{2\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{{2\mathrm{\&sigma;}}^2}),$

其中，标准方差σ是所述二维高斯函数的尺度参数，优选为1；

所述过零点检测使用LOG算子，

是拉普拉斯算子，

4.一种装置，包括：

用于获得输入图像的模块；

用于对所述输入图像进行平滑处理的模块；

用于对经过所述平滑处理后的输入图像进行模糊学图像增强，以增强其对比度的模块；

用于对经过所述模糊学图像增强的图像进行单一尺度的边缘检测；并且

用于输出经过所述单一尺度的边缘检测的图像的模块，

其中，所述用于进行模糊学图像增强的模块进一步用于：

(a.1)将经过所述平滑处理后的输入图像经过G变换，得到与图像模糊特征平面对应的特征矩阵，其元素为L_ij＝G(x_ij)，(i＝1，2，...，M；j＝1，2，...，N)；

(a.2)在所述模糊特征平面上，对特征L_ij进行对比度增强得到Ic_ij＝E_r(I_ij)；以及

(a.3)对增强的模糊特征Ic_ij进行G^-1逆变换，得到经过所述模糊学图像增强的图像；

在(a.1)中的所述G变换为：

$G\left(x_{\mathrm{ij}}\right)={[1+\frac{(x_{\max }-d_{\mathrm{ij}})}{F_d}]}^{-F_e},$ i＝1，2，...，M；n＝1，2，...，N    (1)

其中，x_max表示图像中的最大灰度值，

F_e为指数模糊因子，

F_d为倒数模糊因子，其依据在特定F_e的情况下，所述G变换后得到的模糊特征矩阵中所有特征元素大于一特定阈值T，而通过上述公式(1)计算得到的，

在(a.2)中，所采用的Ic_ij＝E_r(L_ij)为：

Lc_ij＝E_r(L_ij)＝E₁(E_r-1(L_ij))；r＝1，2，3，4    (2)

其中， $E_1\left(L_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{{2L}_{\mathrm{ij}}}^2,0\&le;L_{\mathrm{ij}}\&le;0.5\\ 1-2{(1-L_{\mathrm{ij}})}^2,0.5\&le;L_{\mathrm{ij}}\&le;1\end{array}\right.---\left(3\right)$

在(a.3)中，经过所述模糊学图像增强的图像为： ${\mathrm{xc}}_{\mathrm{ij}}=G^{-1}\left({\mathrm{Lc}}_{\mathrm{ij}}\right)=x_{\max }-F_d[{\left({\mathrm{Lc}}_{\mathrm{ij}}\right)}^{-1/F_e}-1],$

其中，所述用于进行单一尺度的边缘检测的模块进一步用于：

(d.1)对图像与高斯核二阶导数的卷积结果求过零点检测，此时的尺度参数设为一定值；以及

(d.2)对处理后图像的像素值从x轴方向和y轴方向进行过零点位置检测，连接得到的过零点位置，即得到图像的边缘。

5.一种医学图像处理***，包括：

医学图像采集设备，用于采集医学图像；

通信电路，用于将所采集的医学图像有助于有线或无线方式传输至边缘检测电路；

边缘检测电路，其被配置为执行如权利要求1所述的方法；

显示装置，用于从所述边缘检测电路接收经过边缘增强的医学图像，并显示所述经过边缘增强的医学图像；以及

存储装置，用于存储所采集的医学图像及/或经过处理的医学图像。

Images