CN109461163A - 一种用于磁共振标准水模的边缘检测提取算法 - Google Patents

一种用于磁共振标准水模的边缘检测提取算法 Download PDF

Info

Publication number
CN109461163A
CN109461163A CN201811557991.8A CN201811557991A CN109461163A CN 109461163 A CN109461163 A CN 109461163A CN 201811557991 A CN201811557991 A CN 201811557991A CN 109461163 A CN109461163 A CN 109461163A
Authority
CN
China
Prior art keywords
edge
image
value
standard water
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811557991.8A
Other languages
English (en)
Other versions
CN109461163B (zh
Inventor
于坤
焦青亮
刘子龙
刘玉芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Normal University
Original Assignee
Henan Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Normal University filed Critical Henan Normal University
Publication of CN109461163A publication Critical patent/CN109461163A/zh
Application granted granted Critical
Publication of CN109461163B publication Critical patent/CN109461163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于磁共振标准水模的边缘检测提取算法，首先通过空域增强扩大真伪边缘之间的像素差，然后通过初次自适应canny算法和面积排序来排除大部分伪边缘，之后通过封闭区域还原和二次自适应canny算法，获得磁共振水模每层小球壳的边缘，最后通过卷积神经网络对所得图像进行最后的分类，从而得到最终结果所需要的边缘；通过canny算子边缘检测之后可以有效地抑制伪边缘的出现，通过封闭区域还原图像之后的二次canny算子检测边缘可以有效的检测出初次canny未能检测到的边缘，该方法具有识别率较高及用时短的优点，能够减少计算过程中的误差，从而能够完整、清晰地提取出标准水模的边缘信息。

Description

一种用于磁共振标准水模的边缘检测提取算法
技术领域
本发明涉及图像边缘检测算法领域，尤其涉及一种用于磁共振标准水模的边缘检测提取算法。
背景技术
磁共振成像技术(Magnetic resonance imaging，MRI)是当今医学界最先进的影像诊断技术，该技术能够在不损伤人体器官组织的前提下更多地提取出生命信息，是继X射线、放射性同位素、超声波之后的一项高新技术，已被广泛应用于临床应用。它利用磁场与射频信号使人体组织内进动的氢核发生震动产生射频信号，经计算机处理而成像。因此，要保证磁共振成像***高效准确地运行，需要保证磁共振测试数据的准确性。
通常，仿真过程中需要加入标准水模，一般磁共振标准水模外部采用圆柱体或其他类似结构，内部结构略有差别，简单的标准水模只有一层，两到三个灌有不同浓度的某种溶液的小球，复杂的标准水模可能有五到七层，每层有灌有不同浓度的相关溶液的小球数十个。研究人员可通过磁共振设备得到每个小球的灰度值，然后根据相应的数据判断磁共振成像***是否出现问题。
但是目前要获取标准水模MRI图像中目标区域内的平均灰度值，一般需要先手动圈出区域，后进行计算机计算。这样不仅操作复杂，消耗时间长。而且容易由于工作人员的失误操作而导致最终所得数据的偏差。因此，出现了利用边缘特征提取算法来对图像进行处理，以提高图像处理效率，减少人为失误。
目前，边缘特征提取的方法已有很多，包括差分算子法、曲线拟合法、灰度直方图门限法、facet模型法等等，每种方法各有优劣，也存在很多问题，如不同边缘特征提取算法对不同的图像处理效果差异很大，而且，MRI图像一般存在较大噪声，一般的边缘提取算法常常会检测出较多的伪边缘，而真实边缘则会出现缺失等现象，造成提取出的信息含有较大误差。
发明内容
本发明的目的在于提供一种用于磁共振标准水模的边缘检测提取算法，无需人工操作，可完整、清晰地提取出标准水模的边缘信息。
为实现上述目的，本发明采用如下技术方案：
一种用于磁共振标准水模的边缘检测提取算法，依次包括以下步骤：
步骤1，根据MRI图像的原始灰度矩阵，获取标准水模的MRI图像的灰度直方图，并计算出所有灰度值的中位灰度值、众数、平均灰度值、最大灰度值、最小灰度值和平均灰度值；
步骤2，根据步骤1得到的信息，设计Sigmoid函数，利用Sigmoid函数对灰度直方图进行空域增强；
步骤3，采用canny算法获得经空域增强后的标准水模MRI图像的边缘；
步骤4，封闭区域填充：根据标准水模体的特性，将步骤3得到的边缘图像进行封闭区域填充，然后以遍历的方式对所有封闭填充后的区域编号；
步骤5，判断是否破除外边缘：如果封闭填充后的区域的最大编号小于该层小球的数量，则执行步骤6，否则执行步骤7；
步骤6，破除外边缘：按水平方向检测步骤3得到的边缘图像每一行的像素点，将每行检测到的第一个非零灰度的像素点灰度置零，若从该像素点开始，连续数个像素点都是非零像素点，则这些像素点灰度值全部置零，然后依次执行步骤4和步骤5；
步骤7，面积排序：计算所有封闭区域内的像素点个数，按照面积的大小将所有封闭区域的编号排序，若该层小球的个数为n，则保留面积最大的n+2个封闭区域，其他全部忽略；
步骤8，还原图像：遍历图像，将所有非零像素点的灰度值变换成对应位置原MRI图像的灰度值，并且再次用canny算法检测边缘；
步骤9，卷积神经网络：利用训练好的卷积神经网络对步骤8得到的图像进行分类，这样，可以得到最终结果所需要的边缘。
优选的，所述步骤2中，Sigmoid函数如下式：
μ＝α·m+β·n+γ·l
α+β+γ＝1
γ≥α+β
其中，H(x)表示经空域增强之后的灰度值，x表示初始MRI图像的灰度值，max_uint8表示无符号8位整型数据的最大灰度值，即max_uint8＝255，max_gray表示图像中的最大灰度值，μ表示Sigmoid函数的水平方向偏移量，m、n和l分别为步骤1中得到的所有灰度值中的中位灰度值、众数和平均灰度值，α、β和γ分别为中位数、众数和平均值的自定义系数。
优选的，所述步骤3具体包括以下步骤：
(1)滤波：采用高斯滤波器对空域增强后的图像进行图像平滑；
二维高斯函数如下式所示：
其梯度向量为：
二维高斯函数卷积可以分两步进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积，把▽G的两个滤波模板分解为两个一维的行列滤波器，即：
将这两个一维滤波器分别与图像卷积，则可以得到滤波后的图像，其中，σ为高斯函数的标准差；
(2)计算梯度幅值与方向：采用一阶差分模板求取滤波后的图像的梯度幅值与方向，从而加强图像的边缘信息，具体算法如下式所示：
Hx(i，j)＝[I(i，j+1)-I(i，j)+I(i+1，j+1)-I(i+1，j)]/2
Hy(i，j)＝[I(i，j)-I(i+1，j)+I(i，j+1)-I(i+1，j+1)]/2
P(i，j)＝ar ctan(Hy(i，j)/Hx(i，j))
其中，Hx(i，j)和Hy(i，j)分别为x方向和y方向的梯度，I(i，j)为坐标值为(i，j)的点滤波后的灰度值，(i，j)为坐标位置，i＝1，2，…，i；j＝1，2，…，j，M(i，j)和P(i，j)分别是该点像素的梯度幅值大小和方向；
(3)非极大值抑制：对梯度图像中的类边缘区域的屋脊带进一步做细化处理，得到梯度幅值局部区域的最大值，抑制局部区域内的干扰值，从而获得更加精确的边缘；上述过程为现有技术，不再赘述；
(4)滞后阈值处理：选取高低阈值和低阈值，高阈值得到的是强边缘，低阈值得到的是弱边缘，以强边缘为基础，在弱边缘中寻找其8连通域，利用递归跟踪算法不断在弱边缘点中搜集边缘，直到将强边缘点中的所有间隙都连接起来为止。
优选的，canny算法采用高低阈值的自适应算法，具体算法如下式所示：
其中，Th和Tl分别表示计算得到的高阈值和低阈值，Eave和Fave分别是步骤(3)中得到的图像灰度值的平均方差和平均灰度值，下标ave为区分作用，并非变量，n、m分别表示该图像的行数和列数，c表示自定义的高阈值计算参数，c∈［0.35，0.8]，f为原图像，i＝1,2，…，i；j＝1,2，…，j；
递归跟踪算法为现有技术，不再赘述。
优选的，所述步骤4中，对边缘图像进行封闭区域填充时，使用MATLAB2016a中的函数I＝imfill(im1，‘holes′)，其中，I为填充后的图像，im1为填充前的图像，holes为参数，imfill为使用的函数。
优选的，利用训练好的卷积神经网络分类前，需要对其拓扑学结构进行搭建，即，采用卷积层与池化层交替设置的结构，即池化层后面链接一个卷积层，卷积层之后链接一个池化层，以此类推，且卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值。
优选的，对卷积神经网络进行训练时，首先采用大量无标注的数据无监督训练各个卷积层的卷积核，该无监督算法采用稀疏拉普拉斯滤波器，然后采用一定量的有标注数据有监督训练输出层的参数，最后采用大量的标准水模的MRI图像来验证卷积神经网络的可行性。
本发明基于直方图空域增强、面积排序和卷积神经网络对MRI图像进行边缘检测提取，先通过空域增强扩大真伪边缘之间的像素差，然后通过初次自适应canny算法和面积排序来排除大部分伪边缘，之后通过封闭区域还原和二次自适应canny算法，获得磁共振水模每层小球壳的边缘，最后通过卷积神经网络对所得图像进行最后的分类，从而得到最终结果所需要的边缘；通过canny算子边缘检测之后可以有效地抑制伪边缘的出现，通过封闭区域还原图像之后的二次canny算子检测边缘可以有效的检测出初次canny未能检测到的边缘，该方法具有识别率较高及用时短的优点，能够减少计算过程中的误差，从而能够完整、清晰地提取出标准水模的边缘信息。
附图说明
图1为本发明的流程图；
图2为需提取的原始MRI图像1；
图3为需提取的原始MRI图像2；
图4为利用传统canny算法对原始MRI图像1进行边缘提取的效果；
图5为利用传统一阶差分算子对原始MRI图像1进行边缘提取的效果；
图6为利用传统二阶差分算子对原始MRI图像1进行边缘提取的效果；
图7为利用Sobel算子对原始MRI图像1进行边缘提取的效果；
图8为利用本发明对原始MRI图像1进行边缘提取的效果；
图9为利用本发明对原始MRI图像2进行边缘提取的效果。
具体实施方式
以下结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。
如图1所示，本发明所述的一种用于磁共振标准水模的边缘检测提取算法，依次包括以下步骤：
步骤1，根据原始MRI图像的灰度矩阵，获取标准水模的MRI图像的灰度直方图，并计算出所有灰度值的中位灰度值、众数、平均灰度值、最大灰度值、最小灰度值和平均灰度值；
原始MRI图像的灰度矩阵为x表示灰度值。
步骤2，根据步骤1得到的信息，设计Sigmoid函数，利用Sigmoid函数对灰度直方图进行空域增强；
根据步骤1得到的统计学信息，可以设计Sigmoid函数，并对Sigmoid函数进行改造使图像增强，该函数具有抑制低像素拉升高像素的功能，在MRI图像中可以有效地提高目标与背景对比度，本发明的Sigmoid函数如下式：
μ＝α·m+β·n+γ·l
α+β+γ＝1
γ≥α+β
其中，H(x)表示经空域增强之后的灰度值，x表示初始MRI图像的灰度值，max_uint8表示无符号8位整型数据的最大灰度值，即max_uint8＝255，max_gray表示图像中的最大灰度值，μ表示Sigmoid函数的水平方向偏移量，m、n和l分别为步骤1中得到的所有灰度值中的中位灰度值、众数和平均灰度值，α、β和γ分别为中位数、众数和平均值的自定义系数。
步骤3，采用canny算法获得经空域增强后的标准水模MRI图像的边缘；
(1)滤波：采用高斯滤波器对空域增强后的图像进行图像平滑；
二维高斯函数如下式所示：
其梯度向量为：
二维高斯函数卷积可以分两步进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积，把的两个滤波模板分解为两个一维的行列滤波器，即：
将这两个一维滤波器分别与空域增强后的图像卷积，则可以得到滤波后的图像，其中σ为高斯函数的标准差；
二维高斯函数卷积的原理和过程为现有技术，上式中的字符的含义也为公知常识，不再赘述。
(2)计算梯度幅值与方向：采用一阶差分模板求取滤波后的图像的梯度幅值与方向，从而加强图像的边缘信息，具体算法如下式所示：
Hx(i，j)＝[I(i，j+1)-I(i，j)+I(i+1，j+1)-I(i+1，j)]/2
Hy(i，j)＝[I(i，j)-I(i+1，j)+I(i，j+1)-I(i+1，j+1)]/2
P(i，j)＝ar ctan(Hy(i，j)/Hx(i，j))
其中，Hx(i，j)和Hy(i，j)分别为x方向和y方向的梯度，I(i，j)为坐标值为(i，j)的点滤波后的灰度值，(i，j)为坐标位置，i＝1，2，…，i；j＝1，2，…，j，M(i，j)和P(i，j)分别是该点像素的梯度幅值大小和方向；
(3)非极大值抑制：对梯度图像中的类边缘区域的屋脊带进一步做细化处理，得到梯度幅值局部区域的最大值，抑制局部区域内的干扰值，从而获得更加精确的边缘；上述过程为现有技术，不再赘述；
(4)滞后阈值处理：选取高低阈值和低阈值，高阈值得到的是强边缘，低阈值得到的是弱边缘，以强边缘为基础，在弱边缘中寻找其8连通域，利用递归跟踪算法不断在弱边缘点中搜集边缘，直到将强边缘点中的所有间隙都连接起来为止；
一般canny算子的高低阈值需要人为手动输入，本发明中采用了一种根据空域增强之后的像素方差与平均值的方法来确定高低阈值，具体算法如下式所示：
其中，Th和Tl分别表示计算得到的高阈值和低阈值，Eave和Fave分别是步骤(3)中得到的图像灰度值的平均方差和平均灰度值，下标ave为区分作用，并非变量，n、m分别表示该图像的行数和列数，c表示自定义的高阈值计算参数，c∈[0.35，0.8]，f为原图像，i＝1,2，…，i；j＝1,2，…，j；
递归跟踪算法为现有技术，不再赘述。
步骤4，封闭区域填充：由于标准水模内置的小球在MRI图像中均为封闭圆形，根据标准水模体的这一特性，将步骤3中得到的边缘图像进行封闭区域填充，然后以遍历的方式对所有封闭填充后的区域进行编号；
对边缘图像进行封闭区域填充时，使用MATLAB2016a中的函数I＝imfill(im1，‘holes′)，其中，I为填充后的图像，im1为填充前的图像，holes为参数，imfill为使用的函数。
步骤5，判断是否破除外边缘：如果封闭填充后的区域的最大编号小于该层小球的数量，则执行步骤6，否则执行步骤7；
在进行封闭区域填充的时候，由于标准水模的外壳在MRI图像中也是封闭的，所以可能会对填充图像产生影响，具体会使填充区域的个数远小于小球的个数，故此需要打破外边缘后再次进行封闭区域填充。
步骤6，破除外边缘：按水平方向检测步骤3得到的边缘图像每一行的像素点，将每行检测到的第一个非零灰度的像素点灰度置零，若从该像素点开始，连续数个像素点都是非零像素点，则这些像素点灰度值全部置零，然后依次执行步骤4和步骤5；
步骤7，面积排序：因为最后所需求的小球边缘填充后的面积大于伪边缘的面积，故对所有填充后的区域采用面积排序，并舍弃小面积部分来舍弃最后的伪边缘，经实验验证，若小球的个数为n，则一般保留面积最大的n+2个填充区域即可，因此，计算所有封闭区域内的像素点个数，按照面积的大小将所有封闭区域的编号排序，若该层小球的个数为n，则保留面积最大的n+2个封闭区域，其他全部忽略；
步骤8，还原图像：遍历图像，将所有非零像素点的灰度值变换成对应位置原MRI图像的灰度值，并且再次用canny算法检测边缘；
经过面积排序之后小球外部的伪边缘基本上被全部去除，但是因为小球外壳的厚度，以及小球内溶液等问题，会使得小球在MRI成像的圆形内部存在伪边缘，这时首先要将面积排序后的填充区域与初始MRI图像对照并还原，其他位置的像素点全部置零，之后再做二次canny处理。
步骤9，卷积神经网络：利用训练好的卷积神经网络对步骤8得到的图像进行分类，这样，可以得到最终结果所需要的边缘。
经过还原灰度值和二次canny之后的图像会出现大小圆环相互嵌套的情况，这种情况主要是由于小球材料的厚度导致的，以及部分伪边缘的情况，此时用训练好的卷积神经网络对二次canny之后的图像进行分类，除去大圆环，即可得到所需的边缘。
利用训练好的卷积神经网络分类前，需要对其拓扑学结构进行搭建，即，采用卷积层与池化层交替设置的结构，即池化层后面链接一个卷积层，卷积层之后链接一个池化层，以此类推，且卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值。
对卷积神经网络进行训练时，首先采用大量无标注的数据无监督训练各个卷积层的卷积核，该无监督算法采用稀疏拉普拉斯滤波器，然后采用一定量的有标注数据有监督训练输出层的参数，最后采用大量的标准水模的MRI图像来验证卷积神经网络的可行性。
对卷积神经网络的拓扑学结构进行搭建，及对卷积神经网络进行训练的过程均为现有技术，不再赘述。
根据图2至图9可以看出，本发明能够完整清晰地提取出磁共振水模每层的边缘信息。
本发明具有识别率较高及用时短的优点，能够减少计算过程中的误差，从而能够完整、清晰地提取出标准水模的边缘信息。

Claims (7)

1.一种用于磁共振标准水模的边缘检测提取算法，其特征在于，依次包括以下步骤：
步骤1，根据MRI图像的原始灰度矩阵，获取标准水模的MRI图像的灰度直方图，并计算出所有灰度值的中位灰度值、众数、平均灰度值、最大灰度值、最小灰度值和平均灰度值；
步骤2，根据步骤1得到的信息，设计Sigmoid函数，利用Sigmoid函数对灰度直方图进行空域增强；
步骤3，采用canny算法获得经空域增强后的标准水模MRI图像的边缘；
步骤4，封闭区域填充：根据标准水模体的特性，将步骤3得到的边缘图像进行封闭区域填充，然后以遍历的方式对所有封闭填充后的区域编号；
步骤5，判断是否破除外边缘：如果封闭填充后的区域的最大编号小于该层小球的数量，则执行步骤6，否则执行步骤7；
步骤6，破除外边缘：按水平方向检测步骤3得到的边缘图像每一行的像素点，将每行检测到的第一个非零灰度的像素点灰度置零，若从该像素点开始，连续数个像素点都是非零像素点，则这些像素点灰度值全部置零，然后依次执行步骤4和步骤5；
步骤7，面积排序：计算所有封闭区域内的像素点个数，按照面积的大小将所有封闭区域的编号排序，若该层小球的个数为n，则保留面积最大的n+2个封闭区域，其他全部忽略；
步骤8，还原图像：遍历图像，将所有非零像素点的灰度值变换成对应位置原MRI图像的灰度值，并且再次用canny算法检测边缘；
步骤9，卷积神经网络：利用训练好的卷积神经网络对步骤8得到的图像进行分类，这样，可以得到最终结果所需要的边缘。
2.如权利要求1所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：所述步骤2中，Sigmoid函数如下式：
μ＝α·m+β·n+γ·l
α+β+γ＝1
γ≥α+β
其中，H(x)表示经空域增强之后的灰度值，x表示初始MRI图像的灰度值，max_uint8表示无符号8位整型数据的最大灰度值，即max_uint8＝255，max_gray表示图像中的最大灰度值，μ表示Sigmoid函数的水平方向偏移量，m、n和l分别为步骤1中得到的所有灰度值中的中位灰度值、众数和平均灰度值，α、β和γ分别为中位数、众数和平均值的自定义系数。
3.如权利要求1所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：所述步骤3具体包括以下步骤：
(1)滤波：采用高斯滤波器对空域增强后的图像进行图像平滑；
二维高斯函数如下式所示：
其梯度向量为：
二维高斯函数卷积可以分两步进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积，把的两个滤波模板分解为两个一维的行列滤波器，即：
将这两个一维滤波器分别与图像卷积，则可以得到滤波后的图像，其中，σ为高斯函数的标准差；
(2)计算梯度幅值与方向：采用一阶差分模板求取滤波后的图像的梯度幅值与方向，从而加强图像的边缘信息，具体算法如下式所示：
Hx(i，j)＝[I(i，j+1)-I(i，j)+I(i+1，j+1)-I(i+1，j)]/2
Hy(i，j)＝[I(i，j)-I(i+1，j)+I(i，j+1)-I(i+1，j+1)]/2
P(i，j)＝arctan(Hy(i，j)/Hx(i，j))
其中，Hx(i，j)和Hy(i，j)分别为x方向和y方向的梯度，I(i，j)为坐标值为(i，j)的点滤波后的灰度值，(i，j)为坐标位置，i＝1，2，…，i；j＝1，2，…，j，M(i，j)和P(i，j)分别是该点像素的梯度幅值大小和方向；
(3)非极大值抑制：对梯度图像中的类边缘区域的屋脊带进一步做细化处理，得到梯度幅值局部区域的最大值，抑制局部区域内的干扰值，从而获得更加精确的边缘；上述过程为现有技术，不再赘述；
(4)滞后阈值处理：选取高低阈值和低阈值，高阈值得到的是强边缘，低阈值得到的是弱边缘，以强边缘为基础，在弱边缘中寻找其8连通域，利用递归跟踪算法不断在弱边缘点中搜集边缘，直到将强边缘点中的所有间隙都连接起来为止。
4.如权利要求3所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：canny算法采用高低阈值的自适应算法，具体算法如下式所示：
其中，Th和Tl分别表示计算得到的高阈值和低阈值，Eave和Fave分别是步骤(3)中得到的图像灰度值的平均方差和平均灰度值，下标ave为区分作用，并非变量，n、m分别表示该图像的行数和列数，c表示自定义的高阈值计算参数，c∈[0.35，0.8]，f为原图像，i＝1，2，…，i；j＝1，2，…，j；
递归跟踪算法为现有技术，不再赘述。
5.如权利要求1所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：所述步骤4中，对边缘图像进行封闭区域填充时，使用MATLAB2016a中的函数I＝imfill(im1，′holes′)，其中，I为填充后的图像，im1为填充前的图像，holes为参数，imfill为使用的函数。
6.如权利要求1至5中任一项所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：利用训练好的卷积神经网络分类前，需要对其拓扑学结构进行搭建，即，采用卷积层与池化层交替设置的结构，即池化层后面链接一个卷积层，卷积层之后链接一个池化层，以此类推，且卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值。
7.如权利要求6所述的一种用于磁共振标准水模的边缘检测提取算法，其特征在于：对卷积神经网络进行训练时，首先采用大量无标注的数据无监督训练各个卷积层的卷积核，该无监督算法采用稀疏拉普拉斯滤波器，然后采用一定量的有标注数据有监督训练输出层的参数，最后采用大量的标准水模的MRI图像来验证卷积神经网络的可行性。
CN201811557991.8A 2018-07-20 2018-12-19 一种用于磁共振标准水模的边缘检测方法 Active CN109461163B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810802915 2018-07-20
CN2018108029152 2018-07-20

Publications (2)

Publication Number Publication Date
CN109461163A true CN109461163A (zh) 2019-03-12
CN109461163B CN109461163B (zh) 2022-11-18

Family

ID=65613940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811557991.8A Active CN109461163B (zh) 2018-07-20 2018-12-19 一种用于磁共振标准水模的边缘检测方法

Country Status (1)

Country Link
CN (1) CN109461163B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109973076A (zh) * 2019-04-10 2019-07-05 中煤科工集团西安研究院有限公司 煤矿井下钻孔内可视探测装置及方法
CN111209551A (zh) * 2020-01-15 2020-05-29 国网河北省电力有限公司信息通信分公司 一种身份认证方法及装置
CN111626203A (zh) * 2020-05-27 2020-09-04 北京伟杰东博信息科技有限公司 一种基于机器学习的铁路异物识别方法及***
CN112102333A (zh) * 2020-09-02 2020-12-18 合肥工业大学 面向b超dicom影像的超声区域分割方法和***
CN112991374A (zh) * 2021-03-31 2021-06-18 新疆爱华盈通信息技术有限公司 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN113469199A (zh) * 2021-07-15 2021-10-01 中国人民解放军国防科技大学 一种基于深度学习的快速高效图像边缘检测方法
CN113566735A (zh) * 2021-07-24 2021-10-29 大连理工大学 一种火箭发动机喷管冷却通道线激光在位测量方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200442A (zh) * 2014-09-19 2014-12-10 西安电子科技大学 基于改进的canny边缘检测的非局部均值MRI图像去噪方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
WO2018082084A1 (zh) * 2016-11-07 2018-05-11 中国科学院自动化研究所 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200442A (zh) * 2014-09-19 2014-12-10 西安电子科技大学 基于改进的canny边缘检测的非局部均值MRI图像去噪方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
WO2018082084A1 (zh) * 2016-11-07 2018-05-11 中国科学院自动化研究所 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨娉娉等: "改进的3D Canny算子在MRI乳腺图像分析中的应用", 《计算机测量与控制》 *
辛玉欣等: "一种基于Canny算子的图像边缘检测方法", 《信息与电脑(理论版)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109973076A (zh) * 2019-04-10 2019-07-05 中煤科工集团西安研究院有限公司 煤矿井下钻孔内可视探测装置及方法
CN111209551A (zh) * 2020-01-15 2020-05-29 国网河北省电力有限公司信息通信分公司 一种身份认证方法及装置
CN111209551B (zh) * 2020-01-15 2022-10-14 国网河北省电力有限公司信息通信分公司 一种身份认证方法及装置
CN111626203A (zh) * 2020-05-27 2020-09-04 北京伟杰东博信息科技有限公司 一种基于机器学习的铁路异物识别方法及***
CN111626203B (zh) * 2020-05-27 2021-11-16 北京伟杰东博信息科技有限公司 一种基于机器学习的铁路异物识别方法及***
CN112102333A (zh) * 2020-09-02 2020-12-18 合肥工业大学 面向b超dicom影像的超声区域分割方法和***
CN112102333B (zh) * 2020-09-02 2022-11-04 合肥工业大学 面向b超dicom影像的超声区域分割方法和***
CN112991374A (zh) * 2021-03-31 2021-06-18 新疆爱华盈通信息技术有限公司 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN112991374B (zh) * 2021-03-31 2024-05-24 芯算一体(深圳)科技有限公司 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN113469199A (zh) * 2021-07-15 2021-10-01 中国人民解放军国防科技大学 一种基于深度学习的快速高效图像边缘检测方法
CN113566735A (zh) * 2021-07-24 2021-10-29 大连理工大学 一种火箭发动机喷管冷却通道线激光在位测量方法
CN113566735B (zh) * 2021-07-24 2022-08-09 大连理工大学 一种火箭发动机喷管冷却通道线激光在位测量方法

Also Published As

Publication number Publication date
CN109461163B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN109461163A (zh) 一种用于磁共振标准水模的边缘检测提取算法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像***
CN111931811B (zh) 一种基于超像素图像相似度的计算方法
CN109584246A (zh) 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断***
CN109685776A (zh) 一种基于ct图像的肺结节检测方法及***
CN108932479A (zh) 一种人体异常行为检测方法
CN109409190A (zh) 基于梯度直方图和Canny边缘检测器的行人检测方法
CN101667289B (zh) 基于nsct特征提取和监督分类的视网膜图像分割方法
CN108010013A (zh) 一种肺ct图像肺结节检测方法
CN108038513A (zh) 一种肝脏超声图像的特征分类方法
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
Akbarizadeh et al. Detection of lung nodules in CT scans based on unsupervised feature learning and fuzzy inference
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
EP4118617A1 (en) Automated detection of tumors based on image processing
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Yang et al. An automated method for accurate vessel segmentation
Pei et al. Computerized detection of lung nodules in CT images by use of multiscale filters and geometrical constraint region growing
CN106056592B (zh) 一种基于稀疏表示的视觉显著性检测方法
Chevaillier et al. Functional segmentation of renal DCE-MRI sequences using vector quantization algorithms
Peng et al. Blood vessels segmentation by using cdnet
Hussain et al. Segmentation of brain MRI with statistical and 2D wavelet features by using neural networks
CN108776968B (zh) 基于深度森林的sar图像变化检测方法
Jarrar et al. MLP neural network classifier for medical image segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant