图像分割方法及装置、图像倒置判断及胸片前后区分方法

专利名称：图像分割方法及装置、图像倒置判断及胸片前后区分方法
技术领域：
本发明涉及图像处理技术领域，具体涉及图像的分割处理以及其在数字化x线胸
片计算机辅助影像处理中的应用。
背景技术：
图像分割，特别是胸片肺部图像的分割，是数字化X线胸片计算机辅助诊断和影 像后处理的必要过程。 一方面，它提取了肺部感兴趣区域，可以减少肺内疾病检测假阳性的 数量；另一方面，它便于胸片组织均衡的实现；同时，它也是自动计算肺参数的基础。
肺部分割的实现技术很多，目前比较常用的技术主要有三种 其一是基于规则的分割方法，主要是利用图像特点，处理图像以使经典的边界检 测和区域分割可以正确识别肺部。这种方法虽然实现简单，但是自适应性较弱。目前，吉内 肯(Bram van Gi皿eken)提出的基于规则的肺边界提取是现有报告中结果最好的，该方法 能够兼容正常图像和有疾病的图像，但缺点是对图像细节部分分割精度不高，如当图像中 胃部灰度较暗时，左横膈膜的定位会出现错误。 其二是像素分类，提取图像的特征，并设计分类器以使肺部和其它组织区分更明 显。这种方法过程简单，规则少，但是实现起来比较耗时，因为往往需要进行大量的循环比 较，并且结果通常是以概率形式呈现，造成分割结果的边缘不平滑。 其三是基于模型的方法，这种方法的抗噪声能力比较强，结果也比较平滑完整，但
是容易陷入局部极值，并且对肺部结构有异常或者有严重疾病的图像提取也会失误。经典
ASM (Active Shape Model, ASM)中，特征向量的分量变化应在一个限制范围，如果限制范围
很小，由于真实形状无穷无尽，迭代将很难逼近真实轮廓。在一个合理的限制范围下，ASM的
迭代可能出现形状异常的情况，从而使提取结果并不能令人满意，经典ASM并不能自动识
别这种错误， 一旦出现了上述情况，则现有的分割方法无法避免上述问题的产生。 另外，对于正位胸片来说，目前现有的分割方法无法兼容图像出现上下或者左右
颠倒， 一旦出现这样的图像，结果会出现严重错误。 可见，现有技术中存在一定的问题，需要进一步的改进。

发明内容
本发明的目的在于提供了一种图像分割方法及装置、图像倒置判断及胸片前后区 分方法。 为了实现上述目的，本发明采用如下技术方案 本发明提供的一种最匹配轮廓搜索方法，所述方法依次包括以下步骤
搜索目标区域的轮廓； 判断目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值；若是， 则接受此次搜索过程的结果；若否，则拒绝此次搜索过程的结果。。该方法通过增加检验步 骤，使得能够对输入的图像进行合理判别，提高了算法的精确度。
本发明提供的一种图像的分割方法，所述方法包括以下步骤A、对输入图像进行 预处理；B、搜索目标区域的轮廓，及检验所述轮廓的搜索结果；所述检验轮廓搜索结果的 过程包括判断目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值；若 是，则接受此次搜索过程的结果；若否，则拒绝此次搜索过程的结果；C、根据检验结果，提 取目标区域。本发明通过增加检验步骤，使得能够对输入的图像进行合理判别，解决了图像 存在异常而影响分割的问题。 本发明还提供了一种利用方向导数滤波求极值检测图像特征边界的方法，所述方 法依次包括以下步骤 沿目标特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的 巻积； 提取巻积后图像中与导数相同方向的极值点位置和极值取值；
将所述极值点在一预设范围内进行边界连接； 进行逐行扫描，搜索满足预设边界检测条件的曲线作为目标特征边界。 本发明利用方向导数滤波求极值的方法可以精确的检测出目标区域在图像中的
各个特征边界，并且通过在一预设范围内先进行边界连接，避免了采用现有技术的检测方
法所可能出现的特征边界非连续的问题。 本发明提供的一种图像分割装置，所述装置包括预处理模块，用于对输入图像进 行预处理；最佳匹配轮廓搜索模块，用于对预处理后的图像搜索目标区域的轮廓，及检验所 述轮廓的搜索结果；分割模块，用于根据检验结果，提取目标区域；平滑处理模块，用于对 局部分割后的图像进行平滑处理。本发明通过增加最佳匹配轮廓搜索模块，使得能够对输 入的图像进行合理判别，解决了图像存在异常而影响分割的问题，并且该系统具有优越的 稳健性和细致性。 本发明还提供了一种非对称图像的倒置判断方法，其过程依次包括以下步骤
Tl、分别以两个上下相互颠倒的初始轮廓进行迭代过程，并输出并输出两个迭代 过程的形状异常指数形状异常指数； T2、判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓为
初始轮廓迭代结果的形状异常指数，若是，则判定输入的图像为倒置图像。 本发明实现了对图像的倒置判断，相对于现有技术而言，提高了计算精度，避免了
图像倒置而引起的误差，还提高了系统运算的自适应性。 本发明还提供了一种胸片图像的前后后前位自动区分方法，其过程包括以下步 骤 Wl、利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征 边界； W2、分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离； W3、根据所述最大水平距离判断图像中心脏在胸片中的位置，若所述最大水平距
离大于或等于一预设距离值，且所述右纵膈特征边界到所述胸腔中心线的最大水平距离大
于所述左纵膈到所述胸腔中心线的最大水平距离，则心脏位于胸片的右侧。 在此方法中，通过利用方向导数滤波求极值的方法实现了胸片前后后前位自动区
分，提高了计算精度，避免因初始输入图像错误而引起的计算误差。


图1为本发明的方法流程示意图； 图2为本发明的装置结构示意图； 图3为在进行肺部分割时，输入的原始DR图像； 图4为在进行肺部分割时，预处理后的结果； 图5为经典ASM迭代的异常结果，其中细线为初始轮廓，粗线为迭代结果。； 图6为在进行肺部分割时，经过最匹配轮廓搜索过程处理后的结果，其中细线为 初始轮廓，粗线为迭代结果； 图7为在进行肺部分割时，左横膈膜的错误匹配结果； 图8为在进行肺部分割时，左横膈膜矫正之后的结果； 图9为在进行肺部分割时，局部分割处理和平滑处理后的结果； 图10为在进行肺部分割时，方向导数滤波取极值特征边界的提取结果； 图11为本发明最佳实施例流程图。
具体实施例方式
如图1所示，本发明主要公开了一种图像的分割方法，其首先，对输入图像进行预 处理；然后，搜索目标区域的轮廓，及检验所述轮廓的搜索结果，这里的轮廓是指初始分割 后的轮廓；最后，根据检验结果，提取目标区域。这一方法不仅可以应用到胸片肺部区域分 割上，而且还可以应用到其他灰度和形状较为固定的目标分割上。以下从各个方面详细说 明本发明的主要技术方案，其中，特征点的概念是指目标区域边界转折或者过度较大的点。
第一方面，预处理过程。 上述预处理过程主要包括将图像的灰度映射到同一灰度区间，以及对图像进行 对比度增强处理的过程。其中，将图像的灰度映射到同一灰度区间的过程，主要是将图像 的灰度范围线性映射到0到255区间，然后进行直方图均衡化和灰度取反处理，使得目标区 域和背景区域为低灰度值，相应的参考用特征边界(比如以肺部区域作为目标区域的分割 中，参考用特征边界指心脏和纵膈)为高灰度值，得到图像A。这里，也可以采用自适应均 衡、直接灰度变换等对比度增强方法代替直方图均衡化。 对图像进行对比度增强处理的过程，主要是对图像A的上下两个等面积矩形图 像分别采用迭代阈值算法进行粗略背景分割，组合后得到图像B，图像B中只有0和255两 种像素值。这里，也可以用最优阈值等其它自适应阈值算法代替迭代阈值算法。 一分为二 的目的是为了抵制灰度不均匀的影响，灰度不均匀可能导致目标区域中的局部部分(比如 以肺部区域作为目标区域的分割中的肺尖部)由于灰度较暗而被分割为背景。
下面以肺部区域作为目标区域为例，说明上述预处理过程实现方法
通常DR(Digital Radiogr即h，数字X射线摄影)图像的尺寸是3000 X 3000像素 (如图2所示)，为了减少后续数字处理的工作量，可以对图像的尺寸进行縮小，比如在进行 预处理时，采用先将图像縮小为256X256像素后，再进行上述将图像的灰度映射到同一灰 度区间，以及对图像进行对比度增强处理的过程。另外，为了避免图像头颈部的干扰，在肺 部区域的分割处理过程中还需要增加去除大部分头颈部的过程，比如将对上述对比度增强后的图像B进行二值图像开启，并且去掉小于一定像素的区域(比如40个像素，可以通 过预先测试获得)，然后从图像B最上端进行逐行搜索，如果在第n行中搜索到值为非背景 值的连续像素个数大于或者等于一灰度值(比如128)，则将灰度映射处理后的图像A从第 0行开始，直到第n-20行的所有像素都置为0，即去除大部分头颈部。去除头颈部的目的是 为了减少方向导数滤波取极值检测过程的干扰结构。同理，对图像A的下端也用同样方式 处理，因为图像可能上下颠倒。至此，预处理部分已经完成，原始图像和预处理结果分别如 图3和图4。可见，在进行肺部区域分割的预处理时，主要进行尺寸统一、灰度统一、以及头 颈部去除处理。 第二方面，最匹配轮廓搜索过程。 如图1所示，上述搜索目标区域的轮廓及检验轮廓的搜索结果的过程主要包括以 下两个方面 首先是搜索目标区域轮廓的过程，其可以基于主动形状模型(ASM)迭代算法，对 图像进行多次目标区域的轮廓搜索过程，每次轮廓搜索过程中通过将平均轮廓进行位置或 大小变换使之覆盖整幅图像范围的方式，来改变每次迭代过程的初始轮廓。这里的平均轮 廓是ASM训练过程中计算出来的，经典ASM搜索过程将它作为ASM搜索过程的输入初始轮 廓进行迭代，而这里将它平移縮放后再作为ASM初始轮廓，所以是建立了多个搜索过程。在 此过程中只改变初始轮廓，也就是每次搜索过程通过将平均轮廓进行上、下、左、右步进平 移以及縮放等变换使之覆盖整幅图像范围的方式，来改变主动形状模型迭代的初始轮廓， 然后进行多次目标区域的初始轮廓搜索过程。这里的位置或大小变换可以是进行上、下、 左、右步进平移以及縮放等变换。 其次是检验轮廓搜索结果的过程，其主要是判断目标区域轮廓搜索过程的形状异 常指数是否小于或等于一预设阈值；若是，则接受此次搜索过程的结果；若否，则拒绝此次 搜索过程的结果。若拒绝所有搜索过程的结果，则也可以接受所述形状异常指数为最小的 搜索过程的结果，然后再进行后续处理。 这里的所述形状异常指数的计算方法包括以下步骤在目标区域轮廓搜索过程的 多次迭代过程中，记录每次迭代过程的特征值向量中超过所限制范围的分量个数，将所述 分量个数的最大值记为此次轮廓搜索过程的形状异常指数。 一个目标区域轮廓搜索过程对 应有多次轮廓迭代计算处理过程。 从上述过程可知，本发明通过增加一个形状异常指数的判断。来改进了经典
ASM(主动形状模型ASM, Active Shape Model)算法，使之在搜索轮廓时更加有效。本发明
旨在给出一个合理参数判定这种异常，其原理是预先设定一个常数CHANGEJJMIT，在一
个较大的特征值跳跃限制比下搜索轮廓，在每次迭代过程中记录特征值向量中超出所限制
范围的分量个数n，将n的最大值N作为判定结果是否合理的形状异常指数。那么在实施
时，分别用训练过程的平均轮廓进行上、下、左、右平移和縮放等变换作为新的初始轮廓，进
行多个搜索过程，如果有一个过程输出的N小于或者等于CHANGE_LIMIT，则接受该过程的
迭代结果作为最后的结果，如果所有过程的形状异常指数都大于CHANGE_LIMIT，则说明图
像可能有较大异常，这时拒绝所有过程的结果，或者将形状异常指数最小的过程作为最佳
过程并接受其结果。而对于这一过程，本发明称为最匹配轮廓搜索过程。 本发明可以基于经典ASM(主动形状模块迭代算法)来对目标区域的轮廓进行搜索，则其理论依据为特征值向量的变化表达了在迭代过程中轮廓的形变程度，经典ASM说
明了特征值向量的分量值变化应有一个限制范围，为了保持形状的正常，它将超出范围的 分量用最大范围处的值取代，这样只能保证限制范围很小时形状不会出现异常，否则形状
仍然可能出现较大变化，如图5，迭代过程中28个特征值有13个被限制时的轮廓。而如果 限制范围很小，由于真实形状无穷无尽，迭代将很难逼近真实轮廓。在一个合理的限制范围 下，促使ASM的迭代出现形状异常的情况主要有两种一是图像中的肺轮廓本身有异常；二 是初始轮廓距离目标过远，图5就是这种情况。第一种情况是图像本身的问题，ASM将失去 效用，本发明可以采用基于方向导数滤波取极值特征边界提取的方法来解决，下面将提到。 第二种情况就可以用本发明提出的最匹配轮廓搜索过程解决，通过将平均轮廓步进地平移 或縮放到图像的各个角落作为初始轮廓，可以减小初始轮廓与目标的距离，而当这个距离 最合适时，ASM迭代后特征值改变量也会很小，因此不容易超出限制范围，可以得到最佳轮 廓。要使最匹配轮廓搜索有效，必须注意特征值跳跃限制比不能过小，不然很容易超出范 围，依经验确定，在进行经典ASM算法时特征值跳跃限制比一般范围是
。
下面以肺部区域作为目标区域为例，说明上述最匹配轮廓搜索过程的实现方法
ASM在应用之前需要经过离线训练，本发明训练过程用到的参数为训练图像44 幅，点分布模型不进行对齐处理，特征值截取率99%，表面模型梯度向量长度6，分辨率 级数3。本发明训练之后的特征值数量为12个。对于轮廓采样点数，左肺和右肺分别采
样45点和40点，共85点，并将第1、20、25、46、60、65点分别标记为左肺尖顶点、左肋膈角 顶点、左心膈角顶点、右肺尖顶点、右心膈角顶点、右肋膈角顶点。ASM搜索过程的参数设置 为特征值跳跃限制比2.5，梯度向量长度18，最大迭代次数80，收敛标准系数为0. 98，采 用对齐方式搜索。最匹配轮廓搜索的形状异常指数預设阈值CHANGEJJMIT设置为0。当最 匹配轮廓搜索过程的形状异常指数大于CHANGEJJMIT时，本发明拒绝该过程的结果。图6 是本系统接受的结果。 第三方面，胸片前后后前位自动区分方法，主要讲述在以肺部区域作为目标区域 的图像分割处理中的应用。 上述第一方面讲述了以肺部区域作为目标区域的图像预处理过程，那么本发明的
另一个创新点是，在对胸片图像的肺部区域进行分割处理时，增加了一个胸片前后后前位
自动区分的过程，该过程可以判断图像是否左右颠倒，提高图像的分割处理精度。 为了减少计算量，本发明的胸片前后后前位自动区分方法可以将预处理后的图像
A縮小为200X200像素，得到图像C后进行处理。其中，胸片前后后前位自动区分的过程包
括以下步骤 Vl、利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征 边界。其中，检测胸腔中心线的过程如下所示 第一步，将图像C的每列像素相加得到一个向量，该向量反映了图像C的水平灰度 分布，求出该向量从第50个分量到第150个分量之间的第一个最大值位置，将以该位置为 水平坐标的垂直直线作为搜索中心线的基准轴。 第二步，对图像C计算与二维高斯模板的滤波结果，这里高斯模板的标准差设定 为8，选择大的标准差是因为中心线区域较宽。设滤波后的图像为D，沿水平方向检测图像 D的局部极大值和极小值位置，生成极值点图像E，图像E的对应位置分别置为255和O，其它位置置为127。图像E存储的是图像D的极值点位置。在图像D的极大值点处，图像E的 相应位置上的值为255 ;在图像D的极小值处，图像E的相应位置上的值为0。产生图像E 是为了方便极值点连接。 第三步，对图像E进行纵向极值点连接，连接范围为每点左下和右下方3X3区域。
第四步，对图像E进行逐行扫描，搜索满足这样条件的曲线，该曲线处于极大值位 置，纵向高度大于30个像素，并且与基准轴的最小距离为最小，将该曲线作为胸腔的中心 线；如果没有搜索到中心线，则将基准轴作为中心线。 第五步，对该曲线进行上下垂直延伸，直到图像的最顶端和最底端。
另外，检测纵膈的过程如下所示 第一步，对图像C进行灰度调整，目的是为了增强纵膈部位的对比度。调整过程 为 利用自适应算法分割图像背景，比如迭代阈值算法或最优阈值等其它自适应阈值 算法；分别计算背景和前景区域的平均像素值，然后对图像C用这两个值进行灰度加窗，得 到图像F，将图像F的灰度范围线性调整为0到255，利用背景和体表内的平均灰度作为有 效灰度范围，将小于该范围的灰度用范围的下边界灰度代替，大于该范围的灰度用范围的 上边界灰度代替，灰度调整结束。 第二步，对图像F计算水平方向的一阶导数并且用二维高斯模板滤波，根据巻积 的性质，该计算等价于先计算二维高斯模板的导数，再与图像做巻积，这里高斯模板的标准 差设定为6。按照与检测中心线同样的方式处理滤波后的图像，得到边界连接后的图像G， 从G的第30行开始，逐行扫描，在中心线左侧，搜索极大值位置、高度大于30且极值取值最 大的曲线作为左侧纵膈；在中心线右侧，搜索极小值位置、高度大于30且极值取值最小的 曲线作为右侧纵膈。如果没有检测到，则左右侧纵膈分别设定为最左和最右两条垂直直线。
V2、分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离；
V3、根据所述最大水平距离判断图像中心脏在胸片中的位置，若所述最大水平距
离大于或等于一预设距离值(比如io)，且所述右纵膈特征边界到所述胸腔中心线的最大
水平距离大于所述左纵膈到所述胸腔中心线的最大水平距离，则心脏位于胸片的右侧；
V4、将图像A、 C、 E、 G、胸腔中心线和纵膈边界左右互换。这里，本发明的后续处理 默认是心脏偏向图像左侧的，至此对图像进行左右颠倒的处理完毕。本发明将上述对图像 求导数、滤波、取极值、连接极值点并在极值点图像上利用规则搜索的过程称为导数滤波取 极值特征边界提取方法。 在上述步骤VI之前还包括以下步骤图像灰度增强步骤，其过程包括以下步骤 利用自适应算法分割图像背景；以及利用背景和体表内的平均灰度作为有效灰度范围，将 小于该范围的灰度用范围的下边界灰度代替，大于该范围的灰度用范围的上边界灰度代替。 第四方面，图像上下倒置判断过程。 如图l所示，在最匹配轮廓搜索过程中，若接受搜索过程的结果，即形状异常指数 已经小于或者等于CHANGEJJMIT，则说明图像已经匹配很好，并非倒置图像；若拒绝搜索 过程的结果，则需要进行倒置判断，如下述过程 首先，分别以两个上下互相颠倒的初始轮廓进行迭代过程，并输出两个迭代过程的形状异常指数； 然后，判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓 为初始轮廓迭代结果的形状异常指数；若是，则判定所述输入图像为倒置图像；否则，不存 在倒置，保留倒置判断前的处理结果。 对于被判定为倒置的图像，根据图像倒置判断步骤的结果，纠正图像，获得第三图 像；以该第三图像为处理基础，执行上述搜索目标区域轮廓的过程和所述检验轮廓搜索结 果的过程，若检验结果为接受搜索过程的结果，则以此次搜索结果进行特征边界矫正处理 过程；若检验结果为拒绝此次搜索过程的结果，则保留最匹配轮廓搜索过程之前的处理结 果，利用方向导数滤波求极值检测目标区域的特征边界。 从上述叙述可以看出，上述过程也可以基于ASM算法来实现，则上面在进行倒置 判断时须建立两个搜索过程，第一个搜索过程将ASM训练后的平均轮廓作为初始轮廓在预 处理后的图像中搜索，第二个搜索过程将平均轮廓上下颠倒作为初始轮廓在预处理后的图 像中搜索，或者将预处理后的图像颠倒而平均轮廓不变，建立两个搜索过程。注意，这里只 输出每个搜索过程的形状异常指数，但是不用最匹配轮廓搜索方式搜索，这里是使用ASM 搜索，记录下形状异常指数，但只进行一个搜索过程，不进行初始轮廓的变换。下面以肺部 区域作为目标区域为例，说明上述倒置判断过程的实现方法 1、利用ASM分别以两个上下互相颠倒的初始轮廓进行迭代，并输出两个迭代过程
的形状异常指数，设两个过程的形状异常指数分别为EXCEPTI0N1和EXCEPTI0N2。 2、计算预处理后的图像有效区最顶端和最底端预设行或者若干行的行平均灰度
累加和，比如最顶端IO行的行平均累加灰度和最底端IO行的行平均累加灰度，分别设为
T0P—CUM和BTM_CUM。这里的有效区是指已去除头部的区域。 3、判断是否满足下面两个条件之一， 条件一 最上端预设行或者若干行的行平均累加灰度大于最下端预设行或者若干 行的行平均累加灰度，并且差值大于一预先设定的常数，即T0P_CUM大于BTM_CUM，并且二 者之差大于10000 ; 条件二 最上端预设行或者若干行的行平均累加灰度与最下端预设行或者若干行 的行平均累加灰度之差的绝对值小于所述常数，并且以倒置轮廓为初始轮廓迭代结果的形 状异常指数小于以正常轮廓为初始轮廓迭代结果的形状异常指数，即T0P_CUM与BTM_CUM 的差值的绝对值小于10000，并且EXCEPTI0N2小于EXCEPTI0N1 。 若满足上述两个条件之一，则本发明判定输入图像为倒置图像，否则，不存在倒 置，保留倒置判断前的处理结果。上述具体的参考常数是根据目标区域的特性来定的，不同 的目标区域采用不同的参考常数，可以通过预先训练获得或根据经验获知。所以，上述几个 判断方法也可以应用到其他区域分割处理方法上。上述过程中，因为肺部形状上下不对称， 所以形状异常指数的高低反映了可能的图像方位，但是对于疾病严重的图像，两个匹配度 可能相差无几，所以要结合顶端和底端的灰度累加和来判断。 对于正位胸片，由于头颈部影响使得非倒置图像顶端比底端呈现的灰度累加值 低。如果检测出图像为倒置，则将图像A、C、E、G、胸腔中心线、纵膈边界上下互换。如果检 测出倒置并且EXCEPTI0N2小于或者等于CHANGEJJMIT，则将ASM的结果也上下互换并且 接受这一结果为初始轮廓提取结果，否则利用最匹配轮廓搜索在互换后的图像A上重新搜索。 第五方面，关于特征边界矫正处处理。 不管是上述第二方面的最匹配轮廓搜索过程，或者是上述第四方面的图像倒置判 断之后的最匹配轮廓搜索过程，对于检验搜索过程的结果是接受的，均利用灰度梯度和方 向导数滤波极值进行特征边界矫正处理。其处理过程包括以下步骤 Ql、利用垂直与目标特征边界预知走向的灰度梯度计算初始特征边界的种子点。 此过程包括以下步骤 在接受的轮廓中，提取至少两个特征边界的特征点，将此特征点之间的任一点坐 标作为初始点； 计算所述初始点处垂直与目标特征边界预知走向的灰度差分向量； 计算所述灰度差分向量的最大值和位置，将此位置作为初始特征边界的种子点。
另外，在某些目标区域分割处理时，比如肺部区域的分割处理中矫正左横膈膜时，计算出的
最大值及其位置还需要满足一定的标准，才能作为初始特征边界的种子点，下面将详细描述。 Q2、利用方向导数滤波求极值的方法，检测满足预设边界检测条件的目标特征边 界。上述已提到利用方向导数滤波求极值的检测方法，这里再详细说明一下，该检测方法按 顺序如下实现 沿目标特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的 巻积； 提取巻积后图像中与导数相同方向的极值点位置和极值取值；
将所述极值点在一预设范围内进行边界连接； 进行逐行扫描，搜索满足预设边界检测条件的曲线作为目标特征边界。 在上述方法中增加边界连接的步骤，是为了避免特征边界的非连续。因为现有技
术中的相关方法，可能会出现检测到的特征边界由多个线段构成的现象，而本发明的利用
方向导数滤波求极值的检测方法则可以避免出现这一问题。其具体的实现过程参见上述胸
腔中心线的检测过程。边界连接的预设范围由图像的大小来定。 以下以肺部区域作为目标区域进行图像分割为例，详细说明左横膈膜纠正的处理 过程。因为左面肺部容易受胃部影响，当胃部有大量液体或者气泡时，其灰度与肺部相似， 并且二者距离很近，有时很难区分。图7是最匹配过程对左横膈膜的错误匹配结果。下面 介绍具体处理过程。 首先，将最匹配轮廓搜索过程结果轮廓中的第20特征点(左肋膈角顶点)和第25 特征点(左心膈角顶点)的平均坐标作为初始点，在图像中计算从该点垂直方向以上76点 到该点以下6点的纵向灰度差分向量(注意该差分向量是用每点右下方点的灰度减去该 点的灰度计算的，这是为了减小胃部的影响)，并求出该差分向量的最大值和位置，如果满 足下面三个条件 1、该最大值大于或者等于第一预设值，比如10 ; 2、该位置与初始点的垂直方向坐标距离大于第二预设值，比如5 ; 3、该位置与右心膈角顶点(即轮廓第60特征点)的垂直距离差小于或者等于第
三预设值，比如10 (设置第二个和三个条件的目的是因为矫正前的结果可能是正确结果或者没有包含横膈膜，这时不用再矫正)，则把该位置作为初始左横膈膜种子点坐标。在这里， 预先可以知道左横膈膜的预知走向是水平的，所以上述过程中采用纵向求灰度差分向量的 方式。
然后，利用方向导数滤波求极值来检测左横膈膜边界，其过程是 1、沿特征边界的预知走向计算高斯模版的方向导数与待处理图像的巻积，其中，
导数方向为与水平方向夹角60度，高斯标准差为2，极值点水平连接。 2、提取巻积后图像中与导数相同方向的极值点位置和极值取值； 3、将所述极值点在一预设范围内进行边界连接，在边界连接后的图像中检测左横
膈膜种子点垂直方向前后若干点(比如5点)是否存在处于极大值位置、长度大于一常量
(比如15点)的曲线，如果有，该曲线则被作为左横膈膜，否则退出横膈膜矫正程序，保持最
匹配轮廓的检测结果。 当检测到左横膈膜曲线时，为了防止丢掉肺部边缘，则将搜索到的曲线向下平移 若干像素，比如将该曲线向下平移5个像素。然后，再将所述曲线的最左端和最右端分别延 伸到图像边界和/或目标区域中心线的位置，即将该曲线最左端和最右端分别延伸到图像 边界和胸腔中心线位置，延伸方向分别为左下方45度和水平。最后，将所述曲线对应位置 的一预设方向像素灰度全部设置为一个灰度常量，即将图像A中曲线对应位置的下方像素 灰度全部置为240，得到图像H ;这样做是为了抑制胃部低灰度的干扰。
进行完上述平移和灰度调整后，采用前面的最匹配轮廓搜索方法重新在图像H中 搜索轮廓，如果这时输出的形状异常指数小于或者等于CHANGEJJMIT，则接受该结果作为 左横膈膜矫正后的结果，否则保留矫正之前的结果。至此，左横膈膜矫正完毕，矫正结果如 图8。 第六方面，关于利用方向导数滤波求极值检测目标区域的特征边界。 上述第四方面的图像倒置判断之后的最匹配轮廓搜索过程，对于检验搜索过程的
结果是拒绝的，均利用利用方向导数滤波求极值检测目标区域的特征边界，其处理过程依
次包括以下步骤 1、沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻 积； 2、提取巻积后图像中与导数相同方向的极值点位置和极值取值； 3、将所述极值点在一预设范围内进行边界连接； 4、进行逐行扫描，搜索满足预设边界检测条件的曲线作为特征边界； 5、对确定的各个特征边界进行预知走向的延伸，使得目标区域的相邻特征边界出
现交叉； 6、组合延伸后的特征边界、以及填充得到封闭的目标区域。 以下以肺部区域作为目标区域进行图像分割为例，详细说明利用方向导数滤波求 极值检测目标区域特征边界的处理过程。 方向导数滤波极值特征边界提取不受肺部形状的限制，因此当最匹配轮廓搜索失 效时，转入该过程。前面已经利用这种方法检测出了胸腔中心线和纵膈，这里还要检测的特 征边界包括肺中心线、肺外侧边界、横膈膜、肺尖和心脏左侧边界。因为方法流程前面已经 提到，这里只以左肺为例(假定左肺处于图像左侧)，列举各个特征边界所采用的参数和检测规则，即特征边界检测条件。 (1)肺中心线直接在图像E中检测，行扫描范围为40到195，步进为IO，列扫描 范围为从胸腔中心线到其左面40点处，检测条件为处于极小值点处、有效高度为最大的曲 线。这里，有效高度是指曲线中左下右上走向的曲线片段的高度。检测肺中心线只是为了 推导其它特征边界，其结果不用于组成最后的肺边界。 (2)肺外侧边界检测条件为曲线处于极小值位置、处于纵膈左侧、高度为最大。 比如，肺外侧边界直接在图像G中检测，行扫描范围为40到195，步进为IO，列扫描范围为 从肺中心线到其左面40点处，检测条件为处于极小值点处、高度为最大的曲线。
(3)横膈膜的检测条件为曲线处于极大值位置、长度大于一常量并且极值取值 最大。比如，横膈膜检测要对图像C先求导，使用的参数为一阶垂直方向导数，高斯标准差 为4，极值点位置水平连接。行扫描范围为肺中心线顶点垂直坐标加10到底点垂直坐标加 40，列扫描范围为中心线底点水平坐标左右10点，检测条件为处于极大值点处、长度大于 或者等于16且极值取值最大的曲线。 (4)肺尖的检测条件为曲线处于极小值位置、处于横膈膜上方、长度大于某个常 量并且极值取值最小。比如，检测肺尖使用的导数为一阶垂直方向导数，高斯标准差为2，极 值点位置水平连接。行扫描范围为肺中心线顶点垂直坐标以上40点到以下15点，列扫描范 围为肺中心线顶点水平坐标左右各5点，检测条件为处于极小值点处、长度大于或者等于8 且极值取值最小的曲线。 (5)心脏左侧边界检测条件为曲线处于极大值位置、在肺外侧边界和纵膈中间 水平方向的跨距最大。比如，检测心脏左侧边界是为了防止把部分心脏分割为肺部，因为心 脏主要在左侧。首先求出肺尖边界和横膈膜边界的最低点垂直坐标，这两个坐标将作为搜 索心脏边界的垂直范围。水平扫描范围为纵膈线向左40点范围。提取图像C的一阶导数， 导数方向为与水平方向夹角30度，高斯标准差为4。检测条件为处于极大值点处、水平方向 跨距最大的曲线。 (6)纵膈边界检测条件为曲线处于极大值位置、处于胸片中间区域、高度大于一 常量并且极值取值最大。 这几条边界检测完之后，对每条边界进行延伸，以防止它们因没有交叉而轮廓不 能封闭，延伸方向可以自己决定，不过要尽量参考边界的解剖学走向，并且注意避免不应该 有的交叉，如肺尖的延伸与横膈膜交叉等。上面列举的是左肺的处理，右肺要以同样的方式 处理，只是不用再提取心脏边界，导数滤波取极值特征边界提取的结果如图IO所示。将延 伸后的所有边界组合，用区域填充、二值形态学开启、最大区域保留得到封闭的肺区域。注 意在检测特征边界时，如果某个特征边界在左肺和右肺中均没有检测到，那么表明肺部检 测失败。 此处，当最匹配轮廓搜索的结果被拒绝时，还可以采用其它的基于规则分割方法 提取肺边界或者区域。 第七方面，根据检验结果，在提取目标区域之前还可以进行局部分割处理过程，用
于改善前续最匹配轮廓搜索之后获得图像分割结果的细节。其过程包括以下步骤 Cll、将提取的轮廓进行插值得到封闭轮廓，作为已分割的轮廓； C12、对已分割的轮廓建立顺序轮廓索引，即将轮廓按照顺时针或者逆时针走向记录轮廓坐标。； C13、以预设采样间隔对所述轮廓采样，将采样点作为局部区域中心建立感兴趣区域； C14、对所述感兴趣区域采用自适应阈值算法进行分割，分割结果与局部分割之前的结果合并； C15、对合并的结果进行二值图像修整，该修整过程包括腐蚀、最大区域保留、膨
胀、区域填充中至少两个操作；
C16、提取填充后的区域。 以下以肺部区域作为目标区域进行图像分割为例，详细说明局部分割处理过程。将提取的轮廓进行线性插值，然后填充得到肺部区域，下一步进行局部阈值分割。局部分割的目的是为了改善分割结果的细节。首先建立顺序轮廓索引。然后每隔10点对轮廓采样，并将肋膈角顶点也归入采样点集合中(为了得到准确的肋膈角)，将每个采样点作为局部区域中心建立11X7的感兴趣区域。然后对这些区域采用迭代阈值算法进行分割，分割结果与局部阈值分割之前的结果合并。这里，也可以用最优阈值等其它自适应阈值算法代替迭代阈值算法。然后对合并的结果进行二值图像修整包括3X1腐蚀，最大区域保留，3X1膨胀，区域填充。至此，局部阈值分割结束。 第八方面，在进行局部分割处理之后，还可以对图像进行平滑处理过程，从而消除无效数据对图象产生的干扰。其过程包括以下步骤
C21、记录至少两个所述目标的特征点坐标； C22、根据所述特征点的坐标，将特征边界分成若干曲线片断，并用一个向量记录每个曲线片断的走向； C23、对所述每个曲线片断以预设的采样间隔进行采样，并根据所述片断的走向进行插值运算； C24、连接特征边界，使轮廓封闭。 以下以肺部区域作为目标区域进行图像分割为例，详细说明平滑处理过程。经过局部阈值分割后的结果边界会产生毛剌，所以要进行边界平滑处理。为了使最后的分割结果在原始图像尺寸上不产生太明显的锯齿，本发明的平滑处理在512X512尺寸下进行。将局部阈值分割后的二值图像縮放为512X512，得到图像I，为了保留肺轮廓的一些特征拐点，如肋膈角，心膈角等，首先记录下这些特征点的坐标，这可以从前面的最匹配轮廓搜索结果中获取。以左肺为例，本发明提取肋膈角顶点第20点，心膈角顶点第25点，肺尖纵膈拐点第43点，肺尖外侧拐点第4点。注意，这些是在256X256图像上的坐标，要将它们乘以2。然后根据这些特征点的坐标，在图像I中检测特征边界，同样以左肺为例，包括肺侧面边界、横膈膜、纵膈、肺尖，并用一个向量记录这些边界的走向，如这几个特征边界的走向分别为垂直、水平、垂直、水平。记录边界走向很重要，因为平滑要利用插值，插值方向必须与边界走向对应，否则插值将不连续甚至错误。然后利用三次样条函数对每条特征边界进行插值，插值采样间隔15点。最后进行边界连接使轮廓封闭，结果如图9。将平滑之后的轮廓填充然后縮放到原始尺寸3000X3000，得到了最后的结果。 在上述特征边界矫正处处理和利用方向导数滤波求极值检测目标区域的特征边界之后，均分别要进行局部分割处理和平滑处理，与上述过程不同的是，在利用方向导数滤波求极值检测目标区域的特征边界之后，其平滑处理过程中，特征拐点的提取要利用特征边界延伸过程中边界的交叉点来指定。 如图ll所示，本发明的最佳实施例是，应用在胸片的肺部区域分割处理上，该实施例依次对输入的图像进行预处理、胸片前后后前位自动区分处理、最匹配轮廓搜索处理，当接受搜索过程时，依次进行左横膈膜矫正处理、局部分割处理、平滑处理；当拒绝搜索过程时，进行倒置判断，并重新执行最匹配轮廓搜索处理，此时接受搜索过程时，依次进行左横膈膜矫正处理、局部分割处理、平滑处理；此时拒绝搜索过程时，依次利用方向导数滤波求极值检测目标区域的特征边界、进行局部分割处理及平滑处理。上述本发明的方法在胸片肺部分割上的应用，通过大量PA(后前位)、AP(前后位)、倒置胸片图像混合组成的图像集合仿真测试，其中包括肺部有各种疾病的图像，仿真结果为90. 16%分割结果与真实结果吻合准确，9. 84%分割结果相对真实结果有少部分丢失或者多余。 上述方法可以通过计算机编程来实现，则本发明还提供了一种图像分割装置，如图2所示，所述装置包括 预处理模块，用于对输入图像进行预处理； 最佳匹配轮廓搜索模块，用于对预处理后的图像搜索目标区域的轮廓，及检验所述轮廓的搜索结果； 分割模块，用于根据检验结果，提取目标区域。 另外，为了改善目标区域提取的细节，在所述分割模块中还可以设置局部分割模
块，用于根据检验结果，对图像进行局部阈值分割处理，其过程参见上述相关说明。 为了避免边界毛剌的干扰，在所述分割模块中还可以设置平滑处理模块，用于对
局部阈值分割后的图像进行平滑处理，其过程参见上述相关说明。 如图2所示，上述最佳匹配轮廓搜索模块包括 轮廓搜索单元，用于对图像进行多次目标区域的轮廓搜索过程； 检验单元，用于判断每次目标区域轮廓搜索过程的形状异常指数是否小于或等于
一预设阈值，及输出接受搜索过程的结果或拒绝搜索过程的结果。 如图2所示，上述装置还包括用于对所述检验单元输出拒绝搜索过程的结果进行倒置判断的倒置判断模块，该模块包括 迭代单元，用于分别以两个上下相互颠倒的初始轮廓进行迭代过程，并输出两个迭代过程的形状异常指数； 判断单元，用于判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓为初始轮廓迭代结果的形状异常指数；若满足上述条件时输出所述输入图像为倒置图像的判定结果。 另外，为了提高判断精确度，，上述倒置判断模块还包括灰度累加单元，用于计算位于图像最上端和最下端预设行或者若干行的灰度累加和；那么判断单元，还可以用于判断是否至少满足下面两个条件之一 条件一 最上端预设行或者若干行的行平均累加灰度大于最下端预设行或者若干行的行平均累加灰度，并且差值大于一预先设定的常数；条件二最上端预设行或者若干行的行平均累加灰度与最下端预设行或者若干行的行平均累加灰度之差的绝对值小于所述常数，并且以倒置轮廓为初始轮廓迭代结果的形状异常指数小于以正常轮廓为初始轮廓迭代结果的形状异常指数；并在满足上述两个条件之一时输出所述输入图像为倒置图像的判定结果。 如图2所示，上述装置还包括校正单元，该单元连接所述判断单元的输出端，用于根据所述图像倒置判断步骤的结果纠正图像，获得第三图像，及将该第三图像送入至所述轮廓搜索单元。 如图2所示，上述装置还包括利用灰度梯度和方向导数滤波极值对所述检验单元输出的图像进行特征边界矫正处理的矫正处理模块，该模块位于所述局部分割模块的输入端与所述检验单元用于输出接受搜索过程结果的端口之间。 如图2所示，上述矫正处理模块包括利用垂直与目标特征边界预知走向的灰度梯度计算初始特征边界种子点的第一单元、以及利用方向导数滤波求极值检测特征边界的第二单元； 所述第一单元包括 执行在接受的轮廓中，提取至少两个特征边界的特征点，并将此特征点之间的任一点坐标作为初始点的单元； 用于计算所述初始点处垂直与目标特征边界预知走向的灰度差分向量的单元；
用于计算所述灰度差分向量的最大值和位置，将此位置作为初始特征边界的种子点的单元； 所述第二单元包括 用于沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积的单元； 用于提取巻积后图像中与导数相同方向的极值点位置和极值取值的单元；
用于将所述极值点在一预设范围内进行边界连接的单元； 用于进行逐行扫描，搜索满足预设边界检测条件的曲线作为特征边界的单元。
如图2所示，上述装置还包括利用方向导数滤波求极值检测目标区域特征边界的特征边界检测模块，该模块位于所述局部分割模块的输入端与所述检验单元用于输出拒绝搜索过程结果的端口之间。
如图2所示，上述特征边界检测模块包括 执行沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积的单元； 执行提取巻积后图像中与导数相同方向的极值点位置和极值取值的单元；
执行将所述极值点在一预设范围内进行边界连接的单元；
执行逐行扫描，搜索满足预设边界检测条件的曲线的单元； 用于对确定的各个特征边界进行预知走向的延伸，使得目标区域的相邻特征边界出现交叉的单元； 用于组合延伸后的特征边界、以及填充得到封闭的目标区域的单元。 如图2所示，若所述矫正处理模块对胸片中的左横膈膜进行矫正，则所述矫正处
理模块还包括轮廓再次搜索单元，该单元用于将所述第二单元输出的结果送入至所述最
匹配轮廓搜索模块中，根据所述检验单元的输出结果，接受搜索结果或者保留左横膈膜矫
正之前的结果。 另外，本发明用于对胸片的肺部区域进行分割时，在所述预处理模块与最佳匹配轮廓搜索模块之间增加胸片前后后前位自动区分模块，该模块包括 执行利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征边界的单元； 执行分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离的单元； 用于根据所述最大水平距离判断图像中心脏在胸片中位置的单元，若所述最大水平距离大于或等于一预设距离值，且所述右纵膈特征边界到所述胸腔中心线的最大水平距离大于所述左纵膈到所述胸腔中心线的最大水平距离，则该单元输出心脏位于胸片右侧的判定结果。 综上所述，本发明不仅提供了一种图像分割方法，而且还提供了胸片前后后前位自动区分方法、非对称图像倒置判断方法、特征边界矫正处理方法、利用方向导数滤波求极值检测目标区域特征边界的方法、局部分割处理方法、平滑处理方法，特别适用于胸片肺部区域的分割上。相对于现有技术而言，本发明存在以下几个优点 1、采用本发明的方法，不仅能够自动识别上下或者左右颠倒的图像，并且对正常和有疾病的图像均能提取正确的肺部轮廓。 2、本发明利用左右纵膈分别到胸腔中心线的最大距离的差作为判断图像是否左右颠倒的依据，提高了处理精度，以及方法的自适应性。 3、对于倒置图像，本发明是利用主动形状模型(Active Sh即e Model,ASM)分别以正常和倒置的初始肺轮廓进行搜索，然后设计形状异常指数来判别哪个匹配度高，再结合图像顶端和底端的灰度累加值判断图像是否倒置，提高了处理精度，以及方法的自适应性。
4、对矫正为正常方位的图像，本发明设计了最匹配轮廓搜索过程和方向导数滤波取极值两种方法来分割，两种分割分别作用于较正常的胸片和异常的胸片，这两种胸片也是利用形状异常指数来自动判断的。形状异常指数是本发明的一个重要参数，本发明通过统计ASM迭代过程中的特征值向量变化程度作为形状异常指数，当该指数大于某个阈值时，拒绝搜索结果，重新利用平均轮廓平移、縮放等变换建立最匹配轮廓搜索方式，能够减小特征值的跳跃程度，得到最匹配的轮廓。 5、本发明还结合纵向灰度梯度和方向导数极值点矫正了左横膈膜的错误定位，使得左横膈膜匹配准确，保证图像处理的精度。 6、对于方向导数滤波取极值的特征边界提取，本发明主要是计算一阶方向导数并用不同标准差的高斯滤波器平滑取极值、再对极值点进行指定方向连接，然后在连接后的图像上利用规则检测特征边界，包括纵膈、肺侧面轮廓、横膈膜、肺尖和心脏左侧边界，最后对所有边界进行指定方向的延伸。在利用最匹配轮廓搜索和导数滤波取极值提取肺边界之后，本发明对轮廓边界进行了局部细节分割，并对边界进行样条函数插值，平滑分割结果。 7、利用本发明的方法进行肺部分割因为增加了额外的离线训练、自动判断颠倒图
像、正常胸片和异常胸片不同处理，提高了方法以及装置的健壮性和细致性。 上述各具体步骤的举例说明较为具体，并不能因此而认为是对本发明的专利保护
范围的限制，本发明的专利保护范围应以所附权利要求为准。另外，本发明的实施例主要是
基于ASM迭代算法来进行详细说明的，但本发明并不限于此，在类似与ASM迭代算法的算法中同样适用本发明公开的各种方法和装置，比如本发明还可以采用主动表面模型迭代算法 来实现轮廓搜索，以及在主动表面模型迭代算法中计算形状异常指数。
权利要求
一种最匹配轮廓搜索方法，其特征在于，所述方法依次包括以下步骤搜索目标区域的轮廓；判断目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值；若是，则接受此次搜索过程的结果；若否，则拒绝此次搜索过程的结果。
2. 根据权利要求1所述的方法，其特征在于，所述搜索目标区域轮廓的过程包括以下步骤对图像进行多次目标区域的轮廓搜索过程，每次轮廓搜索过程中通过将平均轮廓进行位置或大小变换使之覆盖整幅图像范围的方式，来改变每次迭代过程的初始轮廓；所述形状异常指数的计算方法包括以下步骤在目标区域轮廓搜索过程的多次迭代过程中，记录每次迭代过程的特征值向量中超过所限制范围的分量个数，将所述分量个数的最大值记为此次轮廓搜索过程的形状异常指数。
3. 根据权利要求1或2所述的方法，其特征在于，若拒绝所有搜索过程的结果，则接受所述形状异常指数为最小的搜索过程的结果。
4. 一种图像的分割方法，其特征在于，所述方法包括以下步骤A、 对输入图像进行预处理；B、 搜索目标区域的轮廓，及检验所述轮廓的搜索结果；所述检验轮廓搜索结果的过程包括判断目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值；若是，则接受此次搜索过程的结果；若否，则拒绝此次搜索过程的结果；C、 根据检验结果，提取目标区域。
5. 根据权利要求4所述的方法，其特征在于，所述搜索目标区域轮廓的过程包括以下步骤对图像进行多次目标区域的轮廓搜索过程，每次轮廓搜索过程中通过将平均轮廓进行位置或大小变换使之覆盖整幅图像范围的方式，来改变每次迭代过程的初始轮廓；所述形状异常指数的计算方法包括以下步骤在目标区域轮廓搜索过程的多次迭代过程中，记录每次迭代过程的特征值向量中超过所根制范围的分量个数，将所述分量个数的最大值记为此次轮廓搜索过程的形状异常指数。
6 根据权利要求4或5所述的方法，其特征在于，所述步骤B中，若拒绝所有搜索过程的结果，则接受所述形状异常指数为最小的搜索过程的结果。
7. 根据权利要求4所述的方法，其特征在于，所述步骤B中，若拒绝搜索过程的结果，则进行图像倒置判断步骤，其过程包括如下步骤Rl、分别以两个上下互相颠倒的初始轮廓进行迭代过程，并输出两个迭代过程的形状异常指数；R2、判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓为初始轮廓迭代结果的形状异常指数；若是，则判定所述输入图像为倒置图像。
8. 根据权利要求7所述的方法，其特征在于，所述步骤R2中还包括以下步骤计算位于图像最上端和最下端预设行或者若干行的行平均灰度累加和；判断是否至少满足下面两个条件之一条件一最上端预设行或者若干行的行平均累加灰度大于最下端预设行或者若干行的行平均累加灰度，并且差值大于一预先设定的常数；条件二 最上端预设行或者若干行的行平均累加灰度与最下端预设行或者若干行的行平均累加灰度之差的绝对值小于所述常数；若满足上述两个条件之一，则判定所述输入图像为倒置图像。
9. 根据权利要求8所述的方法，其特征在于，所述步骤B还包括以下步骤根据所述图像倒置判断步骤的结果，纠正图像，获得第三图像；以所述第三图像为处理基础，执行所述搜索目标区域轮廓的过程和所述检验轮廓搜索结果的过程，若接受搜索过程的结果，则以此次搜索结果进行特征边界矫正处理过程；若拒绝搜索过程的结果，则保留此次目标区域轮廓搜索之前的处理结果，利用方向导数滤波求极值检测目标区域的特征边界。
10. 根据权利要求4或9所述的方法，其特征在于，所述步骤B中，若接受的轮廓搜索过程的结果，则利用灰度梯度和方向导数滤波极值进行特征边界矫正处处理，该处理过程包括以下步骤Ql、利用垂直与目标特征边界预知走向的灰度梯度计算初始特征边界的种子点；Q2、利用方向导数滤波求极值的方法，检测满足预设边界检测条件的目标特征边界。
11. 根据权利要求10所述的方法，其特征在于，所述步骤Q2包括以下步骤沿目标特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积；提取巻积后图像中与导数相同方向的极值点位置和极值取值；将所述极值点在一预设范围内进行边界连接；进行逐行扫描，搜索满足预设边界检测条件的曲线作为目标特征边界。
12. 根据权利要求11所述的方法，其特征在于，若对所述胸片图像的肺部区域进行分割处理，则在矫正左横膈膜时，所述特征边界的特征点为左肋膈角顶点和左心膈角顶点；所述利用纵向灰度梯度计算种子点的过程包括以下步骤在接受的轮廓中，提取至少两个特征边界的特征点，将此特征点之间的任一点坐标作为初始点；计算所述初始点处垂直于目标特征边界预知走向的灰度差分向量；计算所述灰度差分向量的最大值和位置，将此位置作为初始特征边界的种子点；执行以下三个判断步骤判断所述最大值是否大于或者等于第一预设值；判断所述位置与所述初始点的垂直方向坐标距离是否大于第二预设值；判断所述位置与右心膈角顶点的垂直距离差是否小于或者等于第三预设值；上述三个判断结果均为是时，将所述位置作为初始特征边界的种子点；所述步骤Q2中的预设边界检测条件是所述曲线由所述种子点垂直方向前后若干点构成，且处于极大值位置、长度大于一常量。
13. 根据权利要求12所述的方法，其特征在于，所述步骤Q2之后还包括以下步骤将搜索到的曲线向下平移若干像素；将所述曲线的最左端和最右端分别延伸到图像边界和胸腔中心线的位置；将所述曲线下方像素灰度全部设置为一个灰度常量；执行所述搜索目标区域轮廓的过程和所述检验轮廓搜索结果的过程，若搜索过程的形状异常指数小于或等于所述预设阈值，则接受此次搜索过程的结果，并将此次搜索过程的结果作为此次左横膈膜矫正处理的结果；否则，保留左横膈膜矫正之前的结果。
14. 根据权利要求9所述的方法，其特征在于，所述步骤B中，若拒绝轮廓搜索过程的结果，则利用方向导数滤波求极值检测目标区域的特征边界，其过程包括如下步骤沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积；提取巻积后图像中与导数相同方向的极值点位置和极值取值；将所述极值点在一预设范围内进行边界连接；进行逐行扫描，搜索满足预设边界检测条件的曲线作为特征边界；对确定的各个特征边界进行预知走向的延伸，使得目标区域的相邻特征边界出现交叉；组合延伸后的特征边界、以及填充得到封闭的目标区域。
15. 根据权利要求4所述的方法，其特征在于，所述步骤C中还包括根据检验结果进行局部分割处理的过程，该过程包括以下步骤Cll、将提取的轮廓进行插值得到封闭轮廓，作为已分割的轮廓；C12、对已分割的轮廓建立顺序轮廓索引；C13、以预设采样间隔对所述轮廓采样，将采样点作为局部区域中心建立感兴趣区域；C14、对所述感兴趣区域采用自适应阈值算法进行分割，分割结果与局部分割之前的结果合并；C15、对合并的结果进行二值图像修整，该修整过程包括腐蚀、最大区域保留、膨胀、区域填充中至少两个操作；C16、提取填充后的区域。
16. 根据权利要求4所述的方法，其特征在于，所述步骤C还包括对图像进行平滑处理的过程，该过程包括以下步骤C21、记录至少两个所述目标的特征点坐标；C22、根据所述特征点的坐标，将特征边界分成若干曲线片断，并用一个向量记录每个曲线片断的走向；C23、对所述每个曲线片断以预设的采样间隔进行采样，并根据所述片断的走向进行插值运算；C24、连接特征边界，使轮廓封闭。
17. 根据权利要求4所述的方法，其特征在于，所述步骤A的预处理过程包括将图像的灰度映射到同一灰度区间，以及对图像进行对比度增强处理的过程。
18. 根据权利要求4所述的方法，其特征在于，若对所述胸片图像的肺部区域进行分割处理，则在所述预处理过程与所述步骤B之间还包括胸片前后后前位自动区分的过程，其过程包括以下步骤Vl、利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征边界；V2、分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离；V3、根据所述最大水平距离判断图像中心脏在胸片中的位置，若所述最大水平距离大于或等于一预设距离值，且所述右纵膈特征边界到所述胸腔中心线的最大水平距离大于所述左纵膈到所述胸腔中心线的最大水平距离，则心脏位于胸片的右侧。
19. 一种利用方向导数滤波求极值检测图像特征边界的方法，其特征在于，所述方法依次包括以下步骤沿目标特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积；提取巻积后图像中与导数相同方向的极值点位置和极值取值；将所述极值点在一预设范围内进行边界连接；进行逐行扫描，搜索满足预设边界检测条件的曲线作为目标特征边界。
20. —种图像分割装置，其特征在于，所述装置包括用于对输入图像进行预处理的预处理模块，用于对预处理后的图像搜索目标区域轮廓及检验所述轮廓搜索结果的最佳匹配轮廓搜索模块，以及用于根据检验结果提取目标区域的分割模块；所述最佳匹配轮廓搜索模块包括轮廓搜索单元，用于对图像进行多次目标区域的轮廓搜索过程；检验单元，用于判断每次目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值，及输出接受搜索过程的结果或拒绝搜索过程的结果。
21. 根据权利要求20所述的装置，其特征在于，所述装置还包括用于对所述检验单元输出拒绝搜索过程的结果进行倒置判断的倒置判断模块，该模块包括迭代单元，用于分别以两个上下相互颠倒的初始轮廓进行迭代过程，并输出两个迭代过程的形状异常指数；判断单元，用于判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓为初始轮廓迭代结果的形状异常指数；若满足上述条件时输出所述输入图像为倒置图像的判定结果。
22. 根据权利要求21所述的装置，其特征在于，所述装置还包括校正单元，该单元连接所述判断单元的输出端，用于根据所述图像倒置判断步骤的结果纠正图像，获得第三图像，及将该第三图像送入至所述轮廓搜索单元。
23. 根据权利要求20所述的装置，其特征在于，所述装置还包括利用灰度梯度和方向导数滤波极值对所述检验单元输出的图像进行特征边界矫正处理的矫正处理模块，该模块位于所述局部分割模块的输入端与所述检验单元用于输出接受搜索过程结果的端口之间。
24. 根据权利要求23所述的装置，其特征在于，所述矫正处理模块包括利用垂直与目标特征边界预知走向的灰度梯度计算初始特征边界种子点的第一单元、以及利用方向导数滤波求极值检测特征边界的第二单元；所述第一单元包括执行在接受的轮廓中，提取至少两个特征边界的特征点，并将此特征点之间的任一点坐标作为初始点的单元；用于计算所述初始点处垂直于目标特征边界预知走向的灰度差分向量的单元；用于计算所述灰度差分向量的最大值和位置，将此位置作为初始特征边界的种子点的单元；所述第二单元包括用于沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积的单元；用于提取巻积后图像中与导数相同方向的极值点位置和极值取值的单元；用于将所述极值点在一预设范围内进行边界连接的单元；用于进行逐行扫描，搜索满足预设边界检测条件的曲线作为特征边界的单元。
25. 根据权利要求20所述的装置，其特征在于，所述装置还包括利用方向导数滤波求极值检测目标区域特征边界的特征边界检测模块，该模块位于所述局部分割模块的输入端与所述检验单元用于输出拒绝搜索过程结果的端口之间；所述特征边界检测模块包括执行沿特征边界预知走向的垂直方向计算高斯模版的方向导数与待处理图像的巻积的单元；执行提取巻积后图像中与导数相同方向的极值点位置和极值取值的单元；执行将所述极值点在一预设范围内进行边界连接的单元；执行逐行扫描，搜索满足预设边界检测条件的曲线的单元；用于对确定的各个特征边界进行预知走向的延伸，使得目标区域的相邻特征边界出现交叉的单元；用于组合延伸后的特征边界、以及填充得到封闭的目标区域的单元。
26. 根据权利要求23或24所述的装置，其特征在于，若所述矫正处理模块对胸片中的左横膈膜进行矫正，则所述矫正处理模块还包括轮廓再次搜索单元，该单元用于将所述第二单元输出的结果送入至所述最匹配轮廓搜索模块中，根据所述检验单元的输出结果，接受搜索结果或者保留左横膈膜矫正之前的结果。
27. 根据权利要求20所述的装置，其特征在于，所述装置用于对胸片的肺部区域进行分割时，在所述预处理模块与最佳匹配轮廓搜索模块之间增加胸片前后后前位自动区分模块，该模块包括执行利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征边界的单元；执行分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离的单元；用于根据所述最大水平距离判断图像中心脏在胸片中位置的单元，若所述最大水平距离大于或等于一预设距离值，且所述右纵膈特征边界到所述胸腔中心线的最大水平距离大于所述左纵膈到所述胸腔中心线的最大水平距离，则该单元输出心脏位于胸片右侧的判定结果。
28. —种非对称图像的倒置判断方法，其特征在于，其过程依次包括以下步骤Tl、分别以两个上下相互颠倒的初始轮廓进行迭代过程，并输出两个迭代过程的形状异常指数；T2、判断以倒置轮廓为初始轮廓迭代结果的形状异常指数是否小于以正常轮廓为初始轮廓迭代结果的形状异常指数，若是，则判定输入的图像为倒置图像。
29. 根据权利要求28所述的方法，其特征在于，若对所述胸片图像的肺部区域进行分割处理，则所述步骤T2中还包括以下步骤计算位于图像最上端和最下端预设行或者若干行的行平均灰度累加和； 判断是否至少满足下面两个条件之一条件一 最上端预设行或者若干行的行平均累加灰度大于最下端预设行或者若干行的 行平均累加灰度，并且差值大于一预先设定的常数；条件二 最上端预设行或者若干行的行平均累加灰度与最下端预设行或者若干行的行 平均累加灰度之差的绝对值小于所述常数；若满足上述两个条件之一，则判定所述输入的图像为倒置图像。
30. —种胸片图像的前后后前位自动区分方法，其特征在于，其过程包括以下步骤 Wl、利用方向导数滤波求极值的方法分别检测胸腔中心线、左纵膈及右纵膈特征边界；W2、分别计算所述左纵膈和右纵膈特征边界到所述胸腔中心线的最大水平距离； W3、根据所述最大水平距离判断图像中心脏在胸片中的位置，若所述最大水平距离大 于或等于一预设距离值，且所述右纵膈特征边界到所述胸腔中心线的最大水平距离大于所 述左纵膈到所述胸腔中心线的最大水平距离，则心脏位于胸片的右侧。
31. 根据权利要求30所述的方法，其特征在于，所述检测胸腔中心线的过程包括以下 步骤第一步，将图像的每列像素相加得到一个向量，该向量反映了图像的水平灰度分布，求 出该向量预设两个分量之间的第一个最大值位置，将以该位置为水平坐标的垂直直线作为 搜索中心线的基准轴；第二步，对图像计算与二维高斯模板的滤波结果，沿水平方向检测滤波后图像的局部 极大值和极小值位置，生成极值点图像；第三步，对极值点图像进行纵向极值点连接；第四步，对极值点图像进行逐行扫描，搜索满足下述条件的曲线该曲线处于极大值位 置，纵向高度大于预设像素值，并且与基准轴的最小距离为最小；将搜索到的曲线作为胸腔 的中心线，否则，将所述基准轴作为胸腔的中心线。
全文摘要
本发明公开了一种图像分割方法及装置、图像倒置判断及胸片前后区分方法，其图像分割方法包括以下步骤A、对输入图像进行预处理；B、搜索目标区域的轮廓，及检验所述轮廓的搜索结果；所述检验轮廓搜索结果的过程包括判断目标区域轮廓搜索过程的形状异常指数是否小于或等于一预设阈值；若是，则接受此次搜索过程的结果；若否，则拒绝此次搜索过程的结果；C、根据检验结果，提取目标区域。本发明通过增加检验步骤，使得能够对输入的图像进行合理判别，解决了图像存在异常而影响分割的问题。
文档编号A61B6/02GK101727666SQ20081017686
公开日2010年6月9日 申请日期2008年11月21日 优先权日2008年11月3日
发明者刘炎, 孙文武 申请人:深圳迈瑞生物医疗电子股份有限公司