一种基于二值形态学原理的肺部轮廓提取算法

一种基于二值形态学原理的肺部轮廓提取算法文章编号：1671-7104(2010)05-0413-05【作 者】【摘 要】【关 键 词】【中图分类号】【文献标识码】【 Writers 】【 Abstract 】【Key words 】李露1，马艺馨1，吴华伟21 上海交通大学电子信息与电气工程学院仪器科学与工程系，上海，2002402 上海交通大学医学院附属仁济医院放射科，上海，200127结合二值形态学原理，对人体胸腔横截面的CT图像通过标记、搜索连通域等处理，提取胸腔的轮廓和肺及食管的轮廓。

将处理图像复原与原图像进行对比表明，本文所采用的方法能准确地提取人体胸腔和肺及食管的轮廓，误差小于人眼的辨别能力。

医学图像处理；边缘检测；二值形态学；对象标记R445A doi:10.3969/j.isnn.1671-7104.2010.06.007Li Lu 1, Ma Yixin 1, Wu Huawei 21 Department of Instrument Science and Engineering, School of Electronics, Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240；2 Department of Radiology, Renji Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai 200240)A method is presented in this paper which processes the human chest CT image with binary morphology theory, thenmarks and searches each connected domain to find chest contour and boundaries of lung and esophagus. Comparing with original CT image, the extracted boundaries have sufficient accuracy and human eyes cannot distinguish the error.medical image processing, edge detection, binary morphology, object tag收稿日期：2010-05-09基金项目：上海市浦江人才计划（08PJ1406900），上海交通大学医工(理) 交叉基金项目（YG2009MS52）通讯作者：马艺馨，E-mail: y.ma@Lung Boundary Detection Method Based onBinary Morphology Theory图像分割与边缘检测技术是将图像划分成若干具有特定意义的区域,并将区域的边界提取出来的图像处理技术，是对图像中的目标进行识别和理解等后续过程的必要前提。

在医学临床实践和研究中，为得到某一特定组织的病理或功能方面的重要信息，常常需要对特定组织或器官的形状、面积、边界等进行测量，这就先要分割出其中特性不同的区域，后再对分割得到的区域进行识别和研究[1]。

实现图像分割和边缘检测的方法很多。

早期的图像分割方法有二值化、分水岭、区域增长和Snakes 等,但每一类方法都有自身的缺陷。

早期的边缘检测方法有Sobel 算子，Prewitt 算子和高斯Laplacian 算子，这些方法都属于高通滤波类方法。

在实际应用中，图像噪声和图像边缘都在高频范围内，这些算法很难把目标区域的边界从噪声中提取出来[2]。

目前用得最多的图像分割与边缘检测方法是基于Canny 算子的边缘检测和基于二值形态学原理的边缘轮廓提取，但Canny 算子的阈值选取比较复杂，而且得到的边界不连续，需要根据先验知识将分段的边界连接起来。

1998年，Matthew S. Brown [3]曾报道了从X 射线胸片提取肺的纵向轮廓用于气胸、心脏扩大症和肺结节等疾病诊断。

他们用Canny 算子在不同阈值时提取分段的边界信息，根据边界曲线的连续性判据将分段边界连接起来，得到5-10个可选边界，后根据先验知识和边界强度、方向、位置及长度等判据选取最优的边界估计。

该方法需要丰富的先验知识，且计算较为复杂，所得到的边界是一种最优估计，而不是根据图像灰度的直接处理结果。

郭圣文[4]等人应用基于全局阈值的自动分割方法，对肺部CT 图像进行分割，根据分割结果,应用自动轮廓跟踪方法获取肺区轮廓，但是文中没有给出所提取的轮廓与原图像的对比结果。

蒋平[5]等人通过对CT 图像进行预处理，去除气管与支气管，提取肺区等几个步骤进行肺区分割，并针对有缺陷的肺区进行修补。

本文结合二值形态学原理，采用膨胀、腐蚀、闭合运算以及基于对象标记的连通域搜索的方法，对人体胸腔横截面的CT 图像进行处理，提取了人体胸腔的外轮廓和肺区、食管等的轮廓。

本方法提取结果准确，为采用物理方法无创地对胸腔内器官的病变进行跟踪治疗以及有限元建模等提供一种可靠有效的图像检测方法。

1 二值形态学原理 数学形态学是一种新的图像处理方法。

其基本理念是利用具有一定形态的结构元素从图像中测量和提取相应的形状[6]。

使用数学形态学方法检测边缘优于微分处理方法，因为它对噪声不敏感，且提取到的边缘相对平滑。

而二值图像即黑白图像，能从背景中很容易地识别出物体。

本文采用二值图像和数学形态学相结合的方法进行边缘检测。

膨胀和腐蚀运算是形态学图像处理的基础。

开运算、闭运算、bwmorph 函数等都是基于这两种算法的组合来实现的许多有用的操作。

膨胀是在二值图像中“加长”或“变粗”的操作。

这种特殊的方式和变粗的程度由一个称为结构元素的集合控制。

数学上，膨胀定义为集合运算。

假设A 为一简单二值图像，B 为一结构元素，A 被B 膨胀记为A ⊕[7]：其中为空集，其几何解释是结构B 的映像经过平移后与A 相交不为空的所有B 的映像的原点的集合。

腐蚀可以“收缩”或“细化”二值图像中的对象。

收缩的方式和程度由一个结构元素控制。

设A 被B 腐蚀，记为A ΘB ，则腐蚀运算定义为[7]：其几何解释是结构算子B 平移后与A 的补集相交为空的所有B 平移后的原点的集合。

腐蚀运算可以实现对图像内部的滤波处理，把小于结构元素的物体或噪声去除，选取不同大小的结构元素就可以去除不同大小的物体和噪声[8]。

在实际的图像处理应用中，更多地是将膨胀与腐蚀结合起来使用，使用相同或不同的结构元素对图像进行一系列膨胀或腐蚀运算，以实现不同的处理目的，比如形态学中的开运算和闭运算。

形态学的开运算是指A 先被B 腐蚀，然后再被B 膨胀的结果，记为 即：或者表述为：其几何解释是B 在A 内完全匹配的平移的并集。

开运算通常用来去除图像中的小目标而保持大目标的形状和大小不变。

而形态学闭合运算是开运算的对偶运算，描述的是A 先被B 膨胀然后再被B 腐蚀，数学表述为：闭运算也能平滑对象的轮廓，但一般会将狭窄的缺口连接起来形成细长的弯口，并填充比结构元素小的洞。

闭运算能很好地去除图像的前景噪声[8]。

对二值图像进行腐蚀、膨胀、闭运算等操作后，图像将被划分成多个连通区域，可以采用4邻接或8邻接判据对图像中的连通域进行搜索、标定。

4邻接连通区域的概念是该区域中每个象素，其上下左右的4个相邻像素中至少有一个像素仍然属于该区域；8邻接连通区域的定义是该区域中每个像素，其所有8个方向的8个相邻像素中至少有一个像素仍然属于该区域。

以8邻接连通域判据对图像进行处理，可以将图像划分成比4邻接判据数目少的连通区域[9]。

2 基于Matlab 的处理过程本研究中所采用的人体肺部的CT 图片，由上海交通大学医学院附属仁济医院放射科提供。

它们是以Jpeg 格式存储的在原始的灰度CT 图片上用彩色标注了病人信息文字的RGB 图像，大小为M*N*3。

为保护病人隐私，用RGB 相减色原理，把大于给定阈值的像素值置为0，即让它成为黑色背景，如图1所示。

2.1 二值化处理本研究采用二值形态学对图1所示的灰度图像进行边缘检测。

首先选择一个合适的阈值，本研究采用经验阈值10，将灰度图像转换为黑白两色的二值图像，如图2所示，增强图像的对比度，以便采用二值形态学原理进行处理。

该图像在处理过程中保持尺寸与图1相同，在文中为表述清楚起见，经裁减后只保留与后续算法相关的躯干区域（后续图像类同）。

2.2 胸腔外轮廓的提取为了从图2中提取图像的边缘轮廓，采用Matlab 提供的基于二值形态学原理的bwmorph 函数，操作算子是(1)(2)(5)(3)(4)图1 采用RGB 相减色原理去除文字后的灰度图像Fig.1 Gray Image Obtained from RGB Imageremove ，Matlab 语句如下： bw2=bwmorph(bw1,'remove',Inf); %去除内点，提取图像中各区域轮廓该函数将膨胀和腐蚀运算进行不同的组合，去掉没有与背景像素相邻的前景像素，即去除图像的内点，初步得到各个连通区域的边界轮廓，如图3所示。

该算法优于边缘检测中的canny 算子，速度快。

在图3中，胸腔外轮廓周围有许多白色的小颗粒为噪声，外轮廓有狭窄的缺口且不平滑。

若直接对图3进行胸腔外轮廓边界的提取，则会出现边界不完全连通的现象，且那些不构成连通域的白色小颗粒仍然存在，如图4所示。

本文选用Matlab 提供的bwlabel 函数按照8连通标准对图3所示二值图像中的连通区域进行标记，其返回的是与输入图像相同的数据矩阵，矩阵中第一个连通区域的像素全部标记为1，第二个连通区域的像素全部标记为2，依次类推。

而采用Matlab 的find 函数就可以得到属于特定连通域的所有象素的行索引和列索引。

胸腔外轮廓是具有最多像素的连通域，通过判断每个连通域象素的多少，很容易找到胸腔外轮廓。

最后用二值形态学中的闭合运算将断开的邻近目标连接起来，结果如图5所示。

闭合运算中结构元素的选取决定着图像的效果和精度，是二值形态学的关键。

这里采用Matlab 提供的Strel 函数创建半径为20的圆盘型结构元素，能很好地去除图像上胸腔以外小颗粒噪声。

上述处理过程的具体实现的程序如下：[L,num]=bwlabel(bw2,8); % 8邻域搜索连通域，对不同对象的连通域进行标记 x=zeros(1,num); for k=1:num S=find(L==k); len(k)=length(S); %计算每个连通域的长度 end [maxlen,maxname]=max(len); %寻找最长边，胸腔外轮廓 Bw3 = L==maxname; [row col]=size(bw1); se=strel('disk',20); %创建半径为20的圆盘型结构元素 bw4 = imclose(BW3,se); %闭合运算，去除胸图2 采用阈值10进行二值化处理的结果Fig.2 Binarized Image with Threshold of 10图4初始的不完全的胸腔外轮廓Fig.4 Initial Non-Completed Chest Boundary图3 运用bwmorph 函数提取的各连通域的边界Fig.3 Edges Obtained by bwmorph Function图5 闭合运算的结果Fig.5 Result Image from Close Operation腔轮廓外的白色小颗粒噪声 为了得到细窄的外轮廓线，对目标图像进行填充修补运算（如图6所示）和再次二值形态学运算，提取外轮廓，结果如图7所示。