发布时间 : 星期日 文章图像处理在医学上的应用更新完毕开始阅读6b41a078b4daa58da0114abf
数字图像处理在医学上的应用
徐 胜 632081101020 控制理论与控制工程
摘 要: 本文介绍了数字图像处理技术在医学中的应用。并且举例采用显微光学放大系统及CCD数字图像采集系统拍摄人体微血管图像在对采集的图像进行二值化。图像处理技术也是医学影像学的重要组成部分，在人体信息可视化的基础上,进一步分析、识别、分割、理解、分类等,以便医生更加直观利用信息做出临床诊断。 在医学教学、研究中具有广阔的应用价值。 关键词: 数字图像处理; 二值化; CCD数字图像采集;
1 引言
自伦琴1895年发现X射线以来,在医学领域可以用图像的形式揭示更多有用的医学信息,医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展,现代医学已越来越离不开医学图像的信息处理, 医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。但是由于医学成像设备的成像机理、获取条件和显示设备等因素的限制, 使得人眼对某些图像很难直接做出准确的判断。计算机技术的应用可以改变这种状况，通过图像变换和增强技术来改善图像的清晰度, 突出重要的内容，抑制不重要的内容,以适应人眼的观察和机器的自动分析，这无疑大大提高了医生临床诊断的准确性和正确性。
数字图像处理的基本方法就是图像复原与图像增强。图像复原就是尽可能恢复原始图像的信息量,尽量保真。数字化的一个基本特征是它所固有的噪声。噪声可视为围绕真实值的随机波动, 是降低图像质量的主要因素。图像复原的一个基本问题就是消除噪声。图像增强就是通过利用人的视觉系统的生理特性更好地分辨图像细节。
与其他领域的应用相比较，医学影像等卫生领域信息更具独特性，医学图像较普通图像纹理更多，分辨率更高，相关性更大，存储空间要更大，并且为严格确保临床应用的可靠性，其压缩、分割等图像预处理、图像分析及图像理解等要求更高。医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。
在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性，例举了基于图像处理技术的人体手指甲襞处微血管管袢直径的测量方法。
2人体微血管显微图像的采集
人体微血管显微图像的采集采用了如图1所示的显微光学系统和图像采集系统主要由透镜模组滤镜模组光源系统电荷耦合器件以及图像采集卡等构成。
1
图1显微光学系统与图像采集系统示意图
为实现人体微小血管显微图像的血管直径测量整个系统图像采集和处理的具体流程如下图像采集预处理二值化提取中心线直径。。
2.1图像采集
通过显微光学放大系统及CCD数字图像采集系统拍摄人体手指甲襞处微血管图像如图2所示.图2中浅色部分为周边组织深色弯曲部分为微循环血管。
图2人体手指甲襞处微血管图像
2.2预处理
由于采集到的图像因试验测量系统和测量者个人因素存在较多噪声,通过预处理将采集到的人体手指甲襞处微血管图像进行去噪处理和灰度变换增强处理
2
可增加图像的对比度利用图像灰度直方图可以直观看出图像中的像素亮度分布情况大多数自然图像由于其灰度分布集中在较窄区间引起图像细节不够清晰采用直方图修正后可使图像的灰度间距拉开或使灰度分布均匀从而增加反差使图像细节更加清晰以达到增强的目的[1-3],由图3可见采集的图像经灰度变换增强处理后明显变清晰。预处理完成后再利用中心路径提取算法对所获取的图像进行进一步处理。
（a）增强处理前
（b）增强处理后
图3增强处理前后图像灰度变化
3图像处理
3.1微血管图像的二值化
二值形态学的运算对象是集合给出一个图像集合和一个结构元素集合利用结构元素对图像进行操作 其中结构元素是一个用来定义形态操作中所用到的邻域的形状和大小的矩阵该矩阵仅由0和1组成可以具有任意的大小和维数数值1代表邻域内的像素在MATLAB图像处理工具箱中进行膨胀操作时输出像素值是输入图像相应像素邻域内所有像素的最大值 在二进制图像中如果任何一个像素
3
值为1那么对应的输出像素值也为1而在腐蚀操作中输出像素值是输入图像相应像素邻域内所有像素的最小值 在二进制图像中如果任何一个像素值为0那么其对应的输出像素值也为09，在合适阈值的基础上选取适当结构因素合理利用膨胀填充滤波腐蚀等操作逐步处理从而得到最终二值化后的微血管图像如图4所示。
图4二值化后的微血管图像
3.2中心线的提取
基于Hessian矩阵的中心线提取理论依据为：令I(x，y)表示在(x，y)坐标系下的灰度值，那么微血管图像I(x，y)可以看作是一个三维曲面[4] 即:
{(x，y，z）｜z=I(x，y)} (1)
这个三维曲面的曲率可以用Hessian矩阵来定义:
?Ixx(x,y)Ixy(x,y)?H(P)???I(x,y)I(x,y)yxyy?? (2)
由于血管截面的灰度值呈高斯分布为了提取微血管的灰度信息便于进行计算笔者采用高斯函数对图像的二阶微分做卷积，即：
Iab(x,y)?hab(x,y)I
(3) 式中a，b表示x，y的某一个取值。对于血管中心线上的点，其绝对值较小的特征值对应的特征向量表示曲面曲率小的强度和方向；而绝对值较大的特征值对应的特征向量表示曲面曲率大的强度和方向，这两个特征向量正交。 利用Hessian矩阵跟踪二维微血管图像中心线主要包括以下步骤：
(1)设微血管上的任意一点P，其坐标为(x，y)，将其Hessian矩阵的两个特征值按照从小到大的顺序排列，即?1??2，并且不同特征值对应的特征向量为
v1?v2，则v1与v2决定了与中心线垂直的横断方向。
(2)如果点P满足以下条件,则P点为微血管中心线上的
22??v??I?(v??I)?0.001,其中?I为点P的梯度; ??1??2?0。据此构12点:?
4