專利名稱：：利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法
技術領域：
：本發(fā)明涉及一種數(shù)字圖像識別方法，尤其涉及一種基于腦血管圖像特征及方向記憶的快速邊界跟蹤來實現(xiàn)腦血管的圖像識別的方法，屬于醫(yī)學圖像識別領域。
背景技術：
：近年來，隨著計算機技術的不斷成熟與發(fā)展，數(shù)字圖像處理技術在醫(yī)學領域中得到的了廣泛的應用。將信息技術與醫(yī)學影像技術相結(jié)合而產(chǎn)生的計算機輔助診斷(computer-aideddiagnosis,CAD)系統(tǒng)在檢測和治療各種疾病中發(fā)揮著越來越重要的作用，也成為醫(yī)學影像學中的研究熱點之一。腦血管疾病的診斷和治療是醫(yī)學領域中的一個重大世界難題。腦血管疾病是全球人口死亡和致殘的首要原因，嚴重威脅人類的健康和生命，世界各國都在積極地探索腦血管病的有效防治模式。計算機數(shù)字圖像處理技術的不斷成熟與發(fā)展為人們預防和檢測腦血管疾病提供了一種新的、有效的途徑。利用計算機圖形圖像技術對患者腦血管圖像進行處理，可以得到人體腦血管的一些異常信息，從而可以幫助醫(yī)務工作者更快、更準確地確定腦血管的病變部位和病變類型，大大提高醫(yī)療診斷的準確性和實時性。在腦血管圖像識別的計算機輔助診斷系統(tǒng)中，要想確定腦血管病的病變部位與病變類型就必須得到腦血管圖像的輪廓以及凹凸性等特征，只有得到邊界點序列才能獲得腦血管的這些特征。在圖像識別領域中，為了獲得物體的周長、寬度和髙度及輪廓的凹凸等形狀特征，必須借助邊界點序列或鏈碼。邊界跟蹤算法在圖像識別中能夠很好的提取邊界點序列和鏈碼，是模式識別領域的底層算法，其提取的邊界精度和速度對形狀特征描述及后續(xù)的識別和理解有著很大的影響。邊界跟蹤是以任一與邊界鄰接的像素為起點，以順時針或逆時針方向自動沿圖形的邊界行走并回到起點的算法。在邊界跟蹤算法中，首先要明確當前邊界點的像素與周邊像素的鄰接關系。通常人們采用四鄰域和八鄰域的鄰接點作為下一邊界點的候選邊界點。其中，基于八鄰域邊界跟蹤方法是數(shù)字圖像處理鄰域中一種重要的邊界跟蹤方法，該方法的提出解決了數(shù)字圖像處理領域中的一大類問題。如運動物體檢測、紋理特征識別和醫(yī)學圖像特征提取等。該方法的大致過程如下設點p(x，y)為物體的一個邊界點，則p(x,y)的下一邊界點必在其八鄰域內(nèi)，因此可以根據(jù)八鄰域信息進行外邊界跟蹤。首先找到位于物體區(qū)域左上角的一個邊界點作為搜索起點，按逆時針方向，自上而下、從左至右，搜索其八鄰域，找到下一邊界點，然后以此邊界點為當前點繼續(xù)搜索，這一搜索過程不斷重復下去，直至回到搜索起點。采用上述方法可以實現(xiàn)腦血管的識別，但是，由于腦血管的復雜性，很難保證識別的效果，容易造成血管邊界粗糙、精度不髙等問題。而且由于該算法搜索所有的鄰域點，計算量較大，處理速度較慢。在處理復雜的腦血管圖像時，經(jīng)典的邊界跟蹤算法暴露出邊界精度不髙及邊界不夠平滑，而且速度不盡人意等缺點。有人提出了采用游程的跟蹤算法，該方法首先必須掃描一遍圖像，確定各個游程，然后再對游程進行處理。由于其未能考慮到腦血管圖像的信號分布特征，得到的邊界不夠精確，而且效率較低。
發(fā)明內(nèi)容本發(fā)明的目的是提供一種利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，以解決現(xiàn)有的邊界跟蹤算法對腦血管圖像進行跟蹤帶來的邊界精度不髙、邊界不夠平滑及處理速度不盡人意等缺點，使提取出來的腦血管邊緣信息不僅在精度上而且在速度上更符合計算機輔助診斷系統(tǒng)的要求。為達到上述目的，本發(fā)明采用的技術方案是一種利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，首先獲取所需識別的原始腦血管圖像并進行預處理，然后對腦血管圖像作梯度化處理，將梯度化后圖像中梯度值最大的像素點作為起始像素點，進行邊界點跟蹤判斷，最后將得到的所有邊界點重新繪制成一幅圖像，即為所需的處理后的腦血管圖像；所述邊界點跟蹤判斷方法為，在確定起始像素點后，按下列步驟處理(l)選取待測鄰接點，首次選擇時，選擇起始像素點周圍相鄰的8個點為候選邊界點，否則，選擇當前點周圍相鄰點中遠離上一邊界點的3個點為候選邊界點(2)將各候選邊界點的梯度分別乘以對應的權(quán)值，獲得梯度比較值，所述權(quán)值的設定條件為，當前點垂直方向上的相鄰點的權(quán)值>當前點斜角方向上的相鄰點的權(quán)值>當前點水平方向上的相鄰點的權(quán)值；(3)梯度比較值最大的候選邊界點即為下一邊界點；(4)取下一邊界點作為當前邊界點，判斷其是否為起始像素點，如果不是，重復上述步驟(1)至(4),以獲取其它邊界點；(5)上述獲得的所有邊界點的集合，即為腦血管的邊界點，由此完成邊界點的跟蹤判斷。上述技術方案中，所述原始腦血管圖像的獲取通過讀取模塊經(jīng)造影儀獲得，采用BMP格式存儲，所述預處理包括平滑和去噪；通常，根據(jù)識別要求，通過讀取模塊讀取由硬件設備(造影儀)攝取的腦血管圖片文件，通過醫(yī)學圖像處理與開發(fā)平臺提供的接口函數(shù)，將其轉(zhuǎn)化為BMP格式的圖像。優(yōu)選的技術方案，所述步驟(2)中的權(quán)值設定為，當前點垂直方向上的相鄰點的權(quán)值為1/2,當前點斜角方向上的相鄰點的權(quán)值為1/3,當前點水平方向上的相鄰點的權(quán)值為1/4。由于腦血管圖像具有"腦血管部位在整個圖像中成垂直分布，腦血管圖像的主要信號表現(xiàn)為垂直方向，水平信號比較少"的特點，選擇上述權(quán)值對梯度值進行處理后再比較，能夠有效降低圖像噪音造成的影響，保證邊界識別的清晰度。上述技術方案中，所述步驟(l)中，當前點周圍相鄰點中遠離上一邊界點的3個點的選擇方式為下列8種情形之一①上一邊界點在當前點的左側(cè)，選擇當前點右上、右、右下3個相鄰點；②上一邊界點在當前點的左下，選擇當前點的上、右上、右3個相鄰點；③上一邊界點在當前點的下方，選擇當前點左上、上、右上3個相鄰點；④上一邊界點在當前點的右下，選擇當前點左、左上、上3個相鄰點；上一邊界點在當前點的右方，選擇當前點左上、左、左下3個相鄰點；⑥上一邊界點在當前點的右上，選擇當前點左、左下、下3個相鄰點；⑦上一邊界點在當前點的上方，選擇當前點左下、下、右下3個相鄰點;⑧上一邊界點在當前點的左上，選擇當前點下、右下、右3個相鄰點。采用八鄰域方法對當前點的八個鄰接點進行搜索是現(xiàn)有技術，但上述技術方案中，選取當前點和上一點的垂直、斜角、水平方向的三個點為候選邊界點，搜索范圍減少到原來的3/8,大大減少了計算量。由于上述技術方案的運用，本發(fā)明與現(xiàn)有技術相比具有下列優(yōu)點1.本發(fā)明利用上一邊界點與當前邊界點的關系進行待測鄰接點的選擇，加入了帶有方向記憶的跟蹤準則及基于梯度權(quán)值分配的方法，并且根據(jù)腦血管圖片本身的一些特性，在算法的執(zhí)行過程中做了優(yōu)化，更適合腦血管圖像的邊界跟蹤；2.實驗證明，本發(fā)明的基于腦血管圖像特征的快速邊界跟蹤方法是可行的，并且具有較髙的精度，提取的腦血管邊界不僅精度高而且邊界平滑；3.將本發(fā)明應用于腦血管的邊界跟蹤系統(tǒng)中，算法的時間復雜度大大降低，同時該算法獲得邊界點序列及邊界鏈碼，為腦血管形狀特征描述提供了數(shù)據(jù)準備及腦血管識別和理解提供了基礎；應用于計算機輔助診斷腦血管病的系統(tǒng)中，提髙了計算機判斷腦血管病變部位與病變類型的準確性。附圖1本發(fā)明實施例中基于腦血管圖像特征的快速邊界跟蹤方法流程圖；附圖2實施例中一幅圖像的3X3大小的區(qū)域及Sobel梯度算子模板；附圖3實施例中權(quán)值分配示意附圖4實施例中帶有方向記憶的邊界跟蹤內(nèi)部狀態(tài)集合示意圖；附圖5實施例中以狀態(tài)1-8為起始狀態(tài)的狀態(tài)遷移示意圖。具體實施例方式為了更好的理解本發(fā)明的技術方案，下面結(jié)合附圖及實施例對本發(fā)明作進一步描述實施例圖1為本發(fā)明實施的基于腦血管圖像特征的快速邊界跟蹤方法的流程圖，數(shù)據(jù)文件(圖片文件)是符合BMP格式的腦血管圖片。方法如下(1)腦血管圖像的獲取根據(jù)邊緣提取的要求，通過文件讀取模塊讀取由硬件設備造影儀攝取的DSA圖片文件，并通圖像轉(zhuǎn)換模塊將其轉(zhuǎn)換為標準的BMP圖片。本實施例中取單張腦血管圖片，單張圖片的分辨率為1024x1024。最后對腦血管圖片進行必要的預處理工作，包括平滑和去噪等；(2)腦血管圖像的梯度化一幅數(shù)字圖像的一階倒數(shù)是基于各種二維梯度的近似值。圖像f(x,y)在位置(x,y)的梯度定義為下列向量<formula>formulaseeoriginaldocumentpage8</formula>梯度向量指向在坐標U,y)的f最大變化率方向。在邊緣檢測中，一個重要的量是這個向量的大小，用Vf表示，這里，<formula>formulaseeoriginaldocumentpage8</formula>這個量給出了在Vf方向上每增加單位距離后f(x，y)值增大的最大變化率。VF就是梯度。圖2(a)顯示的是一幅3X3大小的區(qū)域中的灰度級。得到Z5點處的一階偏導數(shù)我們用Sobel算子，公式如下Gx=(Z7+2Z8+Z9)-(Z,2Z2+Z3)和Gy=(Z3+2Z6+Z9)-(Z,+2Z4+Z7)權(quán)值2用于通過增加中心點的重要性而實現(xiàn)某種程度的平滑效果。Sobel算子是效果比較好的一種算子，圖2(b)和2(c)分別為3x3模板的水平Sobel算子和垂直Sobel算子。本例中圖2(b)用所示的3x3模板的Sobel算子(水平Sobel算子對垂直邊緣有較強的響應)對腦血管圖像進行梯度化處理，可以看出腦血管邊界信息的信號分布特征；(3)確定起始像素點基于梯度算子的八鄰域邊界跟蹤算法在探測過程和跟蹤過程中均使用梯度方向作為準則。找到圖像經(jīng)過步驟2得到的圖像中梯度值最大點，作為邊界跟蹤的開始點；(4)確定下一邊界點利用循環(huán)程序設計獲取下一邊界點的位置，本發(fā)明采用帶有方向記憶的邊界跟蹤準則。在當前的八鄰域跟蹤時，不僅考慮其八鄰域的梯度大小，還要考慮上一個邊界點與當前點的位置關系。圖4既是當前點與其上一個邊界點的8種位置關系，其中C為當前點，P為上一個邊界點，陰影部分則是跟蹤方向。其中標號l-8表示邊界跟蹤時的八種中間狀態(tài)。在根據(jù)當前邊界點和上一個邊界點來確定下一邊界點的過程中，根據(jù)候選邊界點的位置重要性不同賦予各個像素不同的權(quán)值。(4-l)選取待測鄰接點假設當前狀態(tài)為圖如圖4中的狀態(tài)1,如圖3在本例中根據(jù)當前邊界點C和上一邊界點P的位置關系以及腦血管圖像的信號分布特征，我們選取xl，x2,x3三點所組成的集合A:"l,x2,x3l為下一邊界點的候選邊界點集合；(4-2)根據(jù)位置信息重要性的不同賦予鄰接點不同權(quán)值并計算其梯度值如果C與候選跟蹤方向點的位置關系分別為垂直、斜角、水平，則賦予權(quán)值分別為Q1,Q2,Q3，本例中考慮到腦血管圖像的特征，結(jié)合實際經(jīng)驗將Q1,Q2，Q3分別取該點梯度值的1/2，1/3和1/4;(4-3)得到梯度值最大點作為下一邊界點例如C和P的方向關系如圖3,則其下一個邊界點的選擇依據(jù)為取MAX(G1ql,G2q2，G3q3)的值所對應的像素點，其中Gl,G2，G3分別為候選跟蹤點xl,x2,x3的梯度，ql=l/3xGl,q2=l/4xG2,q3=l/3xG3;(5)狀態(tài)轉(zhuǎn)換判斷當前邊界點是否為起始點，若當前點不是起始點，則根據(jù)下述推理準則進行狀態(tài)的轉(zhuǎn)換。如圖5(a)所示，若當前狀態(tài)為1,當MAX(G1ql,G2q2,G3q3)值所對應的最大像素點為點l時，則狀態(tài)按箭頭l所示轉(zhuǎn)換為狀態(tài)2。當MAX(G1ql，G2q2,G3q3)值所對應的最大像素點為點2時，則狀態(tài)按箭頭2所示轉(zhuǎn)換為狀態(tài)1。當MAX(G1ql,G2q2，G3q3)值所對應的最大像素點為點3時，則狀態(tài)按箭頭3所示轉(zhuǎn)換為狀態(tài)8。若當前狀態(tài)為2-8時，狀態(tài)的遷移示意圖見圖5(b-h)。各狀態(tài)遷移情況如表1所示。<table>tableseeoriginaldocumentpage10</column></row><table>表1若當前邊界點不是起始點時，轉(zhuǎn)至步驟(4)，若當前邊界點為起始點，則轉(zhuǎn)至步驟(6);(6)顯示腦血管圖像的邊緣圖像將得到的所有邊界點重新繪制成一幅圖像，即為所需的最終圖像；上述具體實施方式中，對單幅腦血管圖像進行邊界提取。其中P為上一個邊界點，C為當前邊界點。權(quán)值Q1,Q2,Q3分別取值為1/2，1/3和1/4。這是根據(jù)圖像位置的信息的重要性而確定的經(jīng)驗值。權(quán)利要求1.一種利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，首先獲取所需識別的原始腦血管圖像并進行預處理，然后對腦血管圖像作梯度化處理，將梯度化后圖像中梯度值最大的像素點作為起始像素點，進行邊界點跟蹤判斷，最后將得到的所有邊界點重新繪制成一幅圖像，即為所需的處理后的腦血管圖像；其特征在于所述邊界點跟蹤判斷方法為，在確定起始像素點后，按下列步驟處理(1)選取待測鄰接點，首次選擇時，選擇起始像素點周圍相鄰的8個點為候選邊界點，否則，選擇當前點周圍相鄰點中遠離上一邊界點的3個點為候選邊界點；(2)將各候選邊界點的梯度分別乘以對應的權(quán)值，獲得梯度比較值，所述權(quán)值的設定條件為，當前點垂直方向上的相鄰點的權(quán)值>當前點斜角方向上的相鄰點的權(quán)值>當前點水平方向上的相鄰點的權(quán)值；(3)梯度比較值最大的候選邊界點即為下一邊界點；(4)取下一邊界點作為當前邊界點，判斷其是否為起始像素點，如果不是，重復上述步驟(1)至(4)，以獲取其它邊界點；(5)上述獲得的所有邊界點的集合，即為腦血管的邊界點，由此完成邊界點的跟蹤判斷。2.根據(jù)權(quán)利要求1所述的利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，其特征在于所述步驟(2)中的權(quán)值設定為，當前點垂直方向上的相鄰點的權(quán)值為1/2,當前點斜角方向上的相鄰點的權(quán)值為1/3,當前點水平方向上的相鄰點的權(quán)值為1/4。3.根據(jù)權(quán)利要求1所述的利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，其特征在于所述步驟(l)中，當前點周圍相鄰點中遠離上一邊界點的3個點的選擇方式為下列8種情形之一①上一邊界點在當前點的左側(cè)，選擇當前點右上、右、右下3個相鄰點；②上一邊界點在當前點的左下，選擇當前點的上、右上、右3個相鄰點；③上一邊界點在當前點的下方，選擇當前點左上、上、右上3個相鄰點④上一邊界點在當前點的右下，選擇當前點左、左上、上3個相鄰點；⑤上一邊界點在當前點的右方，選擇當前點左上、左、左下3個相鄰點；⑥上一邊界點在當前點的右上，選擇當前點左、左下、下3個相鄰點；⑦上一邊界點在當前點的上方，選擇當前點左下、下、右下3個相鄰點;⑧上一邊界點在當前點的左上，選擇當前點下、右下、右3個相鄰點。4.根據(jù)權(quán)利要求1所述的利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法,其特征在于所述原始腦血管圖像的獲取通過讀取模塊經(jīng)造影儀獲得，采用BMP格式存儲，所述預處理包括平滑和去噪。全文摘要本發(fā)明公開了一種利用快速邊界跟蹤實現(xiàn)腦血管圖像識別的方法，獲取所需識別的原始腦血管圖像并進行預處理，再作梯度化處理，將梯度化后圖像中梯度值最大的像素點作為起始像素點，進行邊界點跟蹤判斷，將得到的所有邊界點重新繪制成一幅圖像，即為所需的處理后的腦血管圖像；其特征在于選取遠離上一點的當前點的三個鄰接點為候選節(jié)點。并根據(jù)這些節(jié)點位置信息的重要性不同分配不同的權(quán)值，以確定下一鄰接點，從而得到腦血管圖像的邊界跟蹤圖。本發(fā)明提取出的邊緣圖片輪廓清晰、噪聲較小、精度高，邊界平滑，提高了邊緣提取的質(zhì)量，計算時間大大減少；應用于計算機輔助診斷腦血管病的系統(tǒng)中，提高了計算機判斷腦血管病變部位與病變類型的準確性。文檔編號A61B6/00GK101393607SQ20081019583公開日2009年3月25日申請日期2008年9月3日優(yōu)先權(quán)日2008年9月3日發(fā)明者健吳,孫曉平,崔志明,翟海濤,趙朋朋申請人:崔志明;吳健;翟海濤