基于灰度選擇法的醫(yī)學(xué)圖像可視化算法研究

李曉陽，王明泉，王 玉，王 鵬

（中北大學(xué)a.儀器科學(xué)與動態(tài)測試教育部重點實驗室;b.信息與通信工程學(xué)院，山西太原 030051）

基于灰度選擇法的醫(yī)學(xué)圖像可視化算法研究

李曉陽a，b，王明泉a，b，王 玉a，b，王 鵬a，b

（中北大學(xué)a.儀器科學(xué)與動態(tài)測試教育部重點實驗室;b.信息與通信工程學(xué)院，山西太原 030051）

針對醫(yī)學(xué)融合圖像可視化中存在病灶區(qū)域特征難以分辨這一問題，首先采用灰度閾值選擇法實現(xiàn)對病灶區(qū)域的分割，然后在選定病灶區(qū)域的前提下，對融合圖像做偽彩增強處理。實驗采用的原始圖像為可見光與紅外源圖像，融合是由采用小波變換圖像融合法實現(xiàn)的，實現(xiàn)融合的區(qū)域為灰度圖像。在醫(yī)學(xué)圖像中，由于肉眼對灰度圖像不敏感，不方便清楚地觀察病癥部位，所以需要對病灶區(qū)添加明顯的顏色特征。在對病灶區(qū)域的分割中采用了3種方法做對比，實驗結(jié)果表明使用灰度閾值選擇法得到的圖像最為理想，由于灰度閾值選擇法中閾值的選定比較繁瑣，在該算法基礎(chǔ)上結(jié)合最佳閾值分割迭代解法較準(zhǔn)確地完成了閾值的選定。最后運用MATLAB實現(xiàn)仿真，實驗表明該方法切實有效。

圖像融合;小波變換;灰度閾值法;偽彩色增強

圖像融合是指將不同傳感器所采集到的關(guān)于同一目標(biāo)的圖像綜合成一幅滿足特定應(yīng)用需求的新圖像的過程［1］，以提高圖像信息的利用率，融合后的圖像應(yīng)當(dāng)更適合于計算機的后續(xù)處理或人眼感知。

近些年來醫(yī)學(xué)成像技術(shù)發(fā)展迅速，并且已成為現(xiàn)代醫(yī)學(xué)技術(shù)中不可缺少的一部分，主要用于疾病診斷［2］。目前醫(yī)學(xué)成像分為解剖圖像和功能圖像兩部分，由于不同的成像設(shè)備反映的信息不一，所以將多種成像方式的圖像所反映的信息結(jié)合到同一幅圖像中顯得尤為重要，即為醫(yī)學(xué)圖像融合。本文的融合圖像是可見光與紅外源圖像經(jīng)小波變換實現(xiàn)的，在融合圖像中，由于病灶區(qū)域為灰度圖像，不便于觀察且存在很大的誤差，本文對其展開研究，以便更清晰準(zhǔn)確地觀察和標(biāo)記病灶區(qū)域，其中對病灶區(qū)域的分割為本文闡述的重點和核心，分別采用了全局閾值Otsu法閾值分割、迭代法全局閾值分割和灰度閾值法來實現(xiàn)，并且對這3種分割結(jié)果做了對比，其中在灰度閾值選擇法中，結(jié)合最佳閾值分割迭代解法更準(zhǔn)確簡單地完成分割工作，效果較為理想。

1 小波變換圖像融合法

圖像融合一般分為三類:像素級、特征級和決策級融合［1］。本文采用的小波變換圖像融合法是基于傳統(tǒng)的多分辨金字塔圖像融合方法的直接拓展。

1.1 基于小波分析的醫(yī)學(xué)圖像融合

圖像融合的基本原則［2］是在優(yōu)先保持圖像低頻信息的基礎(chǔ)上盡可能多地提高融合結(jié)果的空間分辨率。小波多分辨率分析能把源圖像的高低頻信息高效地分開，然后針對不同的頻段進(jìn)行不同的處理?；谛〔ㄗ儞Q的圖像融合流程圖如圖1所示。

圖1 基于小波變換的融合流程圖

實現(xiàn)步驟為:首先得到源圖像A和B的邊緣增強和位置信息，通過獲取A、B圖像子矩陣的邊緣信息可實現(xiàn)該步驟;然后，通過該邊緣信息得到區(qū)域圖;最后，利用平均小波系數(shù)表的高頻部分，生成區(qū)域活動表。根據(jù)邊緣、區(qū)域圖和區(qū)域活動表，獲得融合決策圖［2－4］，再通過小波逆變換的方法得到融合結(jié)果圖C。

2 醫(yī)學(xué)圖像灰度閾值分割和偽彩增強

式中:標(biāo)記為1的像素對應(yīng)于目標(biāo)區(qū)域;標(biāo)記為0的區(qū)域為背景區(qū)域。

圖像的閾值還可以選取多個，設(shè)圖像的灰度區(qū)間為［A，B］，K閾值為A＜T0＜T1＜…＜TK－1＜B，則分割的方法為

實驗采用的圖片為注射過麻醉劑的醫(yī)用小白鼠的可見光和紅外圖片。由于人的視覺系統(tǒng)對色彩特別敏感，一般能區(qū)分的灰度等級只有二十多個，但是能區(qū)分出有不同亮度、色度和飽和度的幾千種顏色。因此需要對融合圖像的部分區(qū)域進(jìn)行偽彩色增強處理。首先需要對融合圖像進(jìn)行分割處理［5－6］，通過全局閾值Otsu法閾值分割、迭代法全局閾值分割和灰度閾值法的實驗對比，灰度閾值法獲得的圖像效果最理想?；叶乳撝捣ㄉ婕暗交叶确秶倪x定，本文采用最佳閾值分割迭代解法來實現(xiàn)，然后對分割完成的圖像做偽彩增強處理，偽彩色處理就是將圖像中的黑白灰度級變成不同的彩色，如果分層越多，人眼所能提取的信息也越多，從而達(dá)到圖像增強的效果，可以突出顯示原始圖像中并不明顯的地方，方便肉眼觀察。

2.1 閾值分割原理

首先在圖像灰度取值范圍內(nèi)選擇一個灰度值作為閾值，分別記輸入和輸出圖像為g（i，j）和G（i，j），則使用一個閾值的分割算法，即單閾值分割算法為

式中:0，1，…，K是（K+1）個區(qū)域的代表。

分割過程中采用的灰度區(qū)間為［m，255］，上限255是不變的，重點是m的選取，如果m選取過小，則會提取圖像的多余部分;如果m過大，則又會丟失所需要的部分。因此閾值的選取對圖像的分割具有非常重要的作用。通過對灰度閾值的大量實驗可以得出最佳的閾值范圍，但這樣工作量太大，需要一次次地更換數(shù)據(jù)才能得到。本文提出結(jié)合最佳閾值分割迭代解法來實現(xiàn)閾值的選取，實驗結(jié)果顯示該方法得到的閾值比較理想。

2.2 最佳閾值分割迭代解法

下面是該算法的實現(xiàn)步驟:

1）計算圖像的最大灰度值和最小灰度值Fmax和Fmin，令閾值T的初始值為

2）根據(jù)閾值Tk（k=0，1，…，K）將圖像分割成目標(biāo)和背景兩部分，計算兩部分的平均灰度值F0和FB，即

式中:f（i，j）是圖像在（i，j）處的灰度值;w（i，j）是灰度值f（i，j）的權(quán)重系數(shù)，一般取w（i，j）=1.0。

3）計算新閾值為

4）如果TK=TK+1，程序結(jié)束，得到最后的Tk即為最佳閾值T;否則，k←k+1，返回步驟2）。

3 實驗結(jié)果及分析

本實驗共采用兩組圖片，其中原始圖像分別為可見光與紅外源圖像。圖2a和圖2b為本實驗采用的可見光和紅外源圖像。圖2c是在MATLAB中使用小波變換融合實現(xiàn)的融合圖像。從圖中可以觀察出融合效果較好，保留了可見光和紅外圖像中的特征，較好地完成了融合。圖2d、圖2e、圖2f為分別使用全局閾值Otsu法閾值分割、迭代法全局閾值分割和灰度閾值法實現(xiàn)的，由圖2d可看出其分割的病灶區(qū)域變小，且邊緣分割不明顯，通過對圖2e的觀察可看出其分割的區(qū)域范圍明顯變大，也不能滿足實驗需求。圖2f為使用灰度閾值分割實現(xiàn)的分割圖像，由圖中可看出其分割效果比較理想，其中灰度選擇的范圍為［m，255］，通過大量實驗得到的最佳m值范圍為128～131，由于通過大量實驗來得出最佳灰度選擇范圍的方法較為繁瑣，本文結(jié)合最佳閾值分割迭代解法來實現(xiàn)，實驗證明該方法切實有效，本實驗結(jié)合最佳閾值分割迭代解法的計算得出的閾值為129，符合最佳的閾值范圍。融合完成的圖2c為RGB圖像，圖2g是在選定分割圖2f的基礎(chǔ)上對其做偽彩增強處理實現(xiàn)的，即為本實驗最終的圖片?？捎纱送卣沟结t(yī)學(xué)領(lǐng)域?qū)τ胁“Y的區(qū)域進(jìn)行標(biāo)記，并且能清楚地用肉眼看到，以便醫(yī)生更好地處理和解決。

圖2 實驗結(jié)果1

由于圖2中采用的圖像相對比較簡單，并不能較好地反映復(fù)雜的人體器官存在的問題。圖3為注射麻醉劑解剖的小白鼠內(nèi)臟器官的圖像，其中圖3a和圖3b為本實驗采用的可見光和紅外源圖像，圖3c、圖3d、圖3e、圖3f的實現(xiàn)與圖2方法一致，通過觀察圖3d、圖3e、圖3f這3幅圖片可看出采用灰度閾值分割的方法最為理想，其中實驗中得出的最佳閾值范圍為49～52，結(jié)合最佳閾值分割迭代解法得出的最佳閾值為50。從得到的最終圖像（圖3g）中可看出融合效果較好，也能較好地反映到醫(yī)學(xué)中對于人體器官病癥部位的觀察。

4 結(jié)論

圖3 實驗結(jié)果2

本文對可見光與紅外圖像進(jìn)行了融合，為了實現(xiàn)對融合圖像中病灶區(qū)域的準(zhǔn)確標(biāo)記和觀察，首先采用全局閾值Otsu法閾值分割、迭代法全局閾值分割和灰度閾值法方法分別對其進(jìn)行分割，由實驗對比得出灰度閾值選擇法最為理想，在此分割方法的基礎(chǔ)上，提出結(jié)合最佳閾值迭代解法獲取閾值，使實驗更為便捷，分割效果更佳。在分割處理中，邊緣的分割效果還有待改進(jìn)，這將是下一步主要研究的內(nèi)容。

:

［1］康晶磊，何東健.小波變換在醫(yī)學(xué)圖像融合中的應(yīng)用［J］.醫(yī)學(xué)信息學(xué)，2007，20（1）:1－3.

［2］周朋，奚日暉.基于小波變換的醫(yī)學(xué)圖像融合技術(shù)的實現(xiàn)［J］.中國圖象圖形學(xué)報，2006，11（11）:1720－1723.

［3］趙英男，文學(xué)志.基于稀疏表征的可見光和近紅外人臉圖像融合快速識別算法［J］.計算機科學(xué)，2012，39（6）:270－272.

［4］杜軍慧，韓應(yīng)征，葉鴻瑾.基于提升小波和形態(tài)學(xué)融合的圖像邊緣檢測［J］.電視技術(shù)，2013，37（7）:13－15.

［5］蔣宏，任章.紅外與可見光圖像配準(zhǔn)和融合中的關(guān)鍵技術(shù)［J］.紅外與激光工程，2006，10（35）:7－12.

［6］趙高鵬，薄煜明.基于區(qū)域分割的紅外與可見光圖像融合方法［J］.計算機工程與應(yīng)用，2009，45（26）:169－171.

Medical Image Visualization Algorithm Based on Gray Level Choice Method Research

LI Xiaoyanga，b，WANG Mingquana，b，WANG Yua，b，WANG Penga，b

（a.Key Laboratory of Instrumentation Science＆ Dynamic Measurement;b.School of Information and Communication Engineering，North University of China，Taiyuan 030051，China）

There is problem that lesion area feature is difficult to distinguish in the medical image fusion visualization.Firstly，using the gray threshold selection method realize the segmentation of lesion area.Then，do false color enhancement processing to fusion image after selecting lesion area.The original images used in this paper are visible light and infrared images.The fusion of gray image is realized by using wavelet transform image fusion method.In the medical image，because of the naked eye is not sensitive to gray image and not convenient to observe lesion area clearly.So need to add clear color features to lesion area.Three methods are used in the segmentation of lesion area.The experimental results show that image which obtained by using gray level threshold selection method is most ideal.It is complicated to selecting threshold value of gray level threshold selection method，so combined optimum threshold segmentation iterative method to complete the selection of threshold value accurately.The simulation of MATLAB shows that this method is effective.

image fusion;wavelet transform;Gray threshold method;pseudo－color enhancement

TN919.8

B

【本文獻(xiàn)信息】李曉陽，王明泉，王玉，等.基于灰度選擇法的醫(yī)學(xué)圖像可視化算法研究［J］.電視技術(shù)，2014，38（3）.

國家自然科學(xué)基金項目（6171177）;山西省青年科技研究基金項目（2012021011－1）

責(zé)任編輯:時 雯

2013－05－15