基于模糊数学的医学图像边缘处理手指骨检测提取算法.docx
- 文档编号:30572127
- 上传时间:2023-08-16
- 格式:DOCX
- 页数:15
- 大小:220.40KB
基于模糊数学的医学图像边缘处理手指骨检测提取算法.docx
《基于模糊数学的医学图像边缘处理手指骨检测提取算法.docx》由会员分享,可在线阅读,更多相关《基于模糊数学的医学图像边缘处理手指骨检测提取算法.docx(15页珍藏版)》请在冰豆网上搜索。
基于模糊数学的医学图像边缘处理手指骨检测提取算法
基于遗传神经网络的图像分割
--根据指定权值阀值设置一个神经网络
1目的
图像边缘检测是医学图像处理中的一个关键步骤,经典边缘提取算子有Canny、Prewitt、LOG、Roberts、Sobel等等,优点是计算简单、速度较快,缺点是对噪声的干扰都比较敏感[1]。
但由于医学图像本身的特点,导致经典的图像处理算法在医学图像处理领域应用效果并不理想,需要结合具体的领域特点研究相应的算法。
20世纪80年代中期,Pal和King从图像所具有的不确定性是由模糊性引起的观点出发,提出了模糊边缘检测算法,并在模式识别和医学图像处理中获得了良好的应用[2]。
本文在模糊边缘检测思想的指导下,提出了一种新的边缘检测算法。
并与经典的边缘提取算子Canny、Prewitt和LOG算子进行对比,发现本算法检测的边缘效果明显优于以上三种算法,边缘效果质量比较高。
2输入、输出
输入图像:
试验图像1.bmp
输出图像:
边缘检测
3模型
本算法的思想是首先用隶属度函数将图像映射成一个模糊隶属度矩阵;然后进行模糊增强处理,以增强边缘信息;接着进行平滑处理,突出图像的主干部分;最后提取出图像的边缘。
3.1图像模糊特征平面提取
算法第一步是将待处理的图像映射为一个模糊矩阵。
按照模糊子集的概念,可以将一幅M*N维且具有L个灰度等级的图像X看作一个模糊点阵。
该阵可以记做:
(3-1)
若令
表示图像的第(m,n)个象素的灰度级,
表示最大灰度值,则模糊特征
可以表示为:
(3-2)
式中Fd,Fe分别为倒指数型和指数型模糊因子,他们的取值直接影响到p特征平面的模糊性大小。
可以先选定Fe值,再根据上式计算Fd取值。
当
时,
为一个有限正数
(3-3)
3.2图像模糊增强
完成了待处理图像得到模糊矩阵的映射后,第2步是在模糊空间利用增强变换对图像做模糊增强处理,即通过改变像素来增强边缘两侧像素灰度的对比度,减小图像灰度层次。
本实验采用空域法在模糊平面上修改象素达到增强目的。
首先做如下变换:
(3-4)
并将变换后小于
的
均用
代替,其中
(3-5)
对已增强的模糊特征进行反G变换得出已经增强的空域图像。
根据公式(3-2)反计算出
:
=
-
(
-1)(3-6)
3.3图像模糊平滑处理:
用平均法:
(3-7)
试验中取一个点周围8个点的平均作为该点的值。
3.4模糊边缘检测:
首先利用对比度增强算子对图像进行预增强处理;接着对平滑的图像进行Gw变换,得到图像的k个不同区域;最后采用max,min运算对图像作边缘检测。
(3-8)
4流程图
图1流程图
5运行结果
5.1步骤:
5.1.1利用非对称Gs函数得到模糊特征平面X1
5.1.2对X1增强头一个区域对比度
5.1.3运用Gs反变换得到修改后的空间域
5.1.4利用Gs得到模糊特征平面X2
5.1.5对X2增强最后一个区域对比度
5.1.6利用Gs反变换得到修改后的空间域
5.1.7平滑图像
5.1.8利用Gw变换提取上述图像的模糊特征
5.1.9对特征平面运用T1变换增强相继区域对比度
5.1.10对修改后的特征平面运用对称反Gw变换得到对比度增强了的相继区域
5.1.11边缘检测
5.2实验结果及分析
为了对本文算法进行检验,仿真实验采用了Canny算子、Prewitt算子和Log
算子对同一图像进行了边缘提取。
结果图如下所示。
显然本文算法既能提取图像的主干边缘,又能提取出较多细节边缘,且提取的边缘清晰、丰富。
原因在于,在模糊特征平面上对图像中不同目标采用不同的隶属函数,保证细小边缘不会在增强运算中丢失,也保证了低灰度区目标灰度值。
同时在同一目标内,采用对低灰度区大部分像素进行衰减运算而对高灰度区域的大部分像素进行增强运算,这种处理增加了低灰度区域和高灰度区域之间对比度,而图像的边缘恰好处在高灰度区域,所以提取边缘效果较好[3]。
图2Canny算子
图3Prewitt算子
图4LOG算子
图5本算法
附录a源码
EdgeDetect.m文件:
clear;
[X,map]=imread('试验图像1.bmp');%装入原图像
I=double(X);
figure;
image(I);
colormap(map);
title('原始图像');
%求最大值
[m,n]=size(I);
temp=max(max(I))
MaxValue1=temp;
L1=80;
Xc=L1+0.5;
Fe1=2;
Fd1=(255-Xc)/(sqrt
(2)-1);
a1=(1+MaxValue1/Fd1)^(-Fe1);
%模糊变换
fori=1:
m
forj=1:
n
P1(i,j)=(1+(MaxValue1-I(i,j))/Fd1)^(-Fe1);
end
end
%模糊增强
fori=1:
m
forj=1:
n
if(P1(i,j)<=0.5)
P1(i,j)=2*P1(i,j)^2;
end
end
end
fori=1:
m
forj=1:
n
if(P1(i,j) P1(i,j)=a1; end end end %%%%%增强后在模糊反变换 fori=1: m forj=1: n HM1(i,j)=MaxValue1-Fd1*(log2(1/P1(i,j))-1); end end %figure; %image(HM1); %colormap('gray'); %title('ÔöÇ¿½á¹û'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %模糊特征平面X2———HM2 L2=160; Xcc=L2+0.5; Fe2=2; Fd2=(255-Xcc)/(sqrt (2)-1); a2=(1+MaxValue1/Fd2)^(-Fe2); fori=1: m forj=1: n HM2(i,j)=(1+(MaxValue1-HM1(i,j))/Fd2)^(-Fe2); end end %模糊增强 fori=1: m forj=1: n if(HM2(i,j)>=0.5) HM2(i,j)=1-2*(1-HM2(i,j)); end end end fori=1: m forj=1: n if(HM2(i,j) HM2(i,j)=a2; end end end %%%%%增强后在模糊反变换 fori=1: m forj=1: n PHM2(i,j)=MaxValue1-Fd2*(log2(1/HM2(i,j))-1); end end figure; image(PHM2); colormap(map); title('增强结果'); %%%%%%%%%%%%%平滑(求平均) PM=PHM2; fori=2: m-1 forj=2: n-1 msum=0; forx=-1: 1 fory=-1: 1 msum=msum+PHM2(i+x,j+y); end end PM(i,j)=(msum-PHM2(i,j))/8; end end figure; image(PM); colormap(map); title('平滑结果'); %%%%%%%%%GW变换%%%%%%%%%%%%% L3=120; Xccc=L3+0.5; Fe3=2; Fd3=(255-Xccc)/(sqrt (2)-1)%变换 fori=1: m forj=1: n if(PM(i,j)<=L2&&PM(i,j)>=L1) PGm(i,j)=(1+abs(120-PM(i,j))/Fd3)^(-Fe3);%±ä»» if(PGm(i,j)<=0.5)%增强 PGm(i,j)=2*PGm(i,j)^2; elseif(PGm(i,j)>=0.5) PGm(i,j)=1-2*(1-PGm(i,j)^2); end if(PM(i,j)>=L1&&PM(i,j)<=120)%反变换 PM(i,j)=120-(1-log2(1/PGm(i,j)))*Fd3; elseif(PM(i,j)>=120&&PM(i,j)<=L2) PM(i,j)=120+(1-log2(1/PGm(i,j)))*Fd3; end end end end figure; image(PM); colormap(map); title('GW变换结果'); %%%%%%%%%%%%%%%%%最后计算边缘点 Edge=PM; fori=2: m-1 forj=2: n-1 mRec=PM(i-1: i+1,j-1: j+1); mRec(2,2)=mRec(1,1); MinValue=min(min(mRec)); MaxV=max(max(mRec)); Edge(i,j)=(MaxV-MinValue); end end figure; image(Edge); colormap(map); title('边缘检测'); Prewitt、LOG、Canny算子对图像边缘的检测: I=imread(‘试验图像1.bmp’); BW1=edge(I,’prewitt’,0.04); figure,imshow(BW1),titleI(‘Prewitt’); BW2=edge(I,log’,0.003); figure,imshow(BW2),titleI(‘LOG,σ=2’); BW3=edge(I,’canny’,0.04); figure,imshow(BW3),titleI(‘Canny’); 附录b资源 试验图像1.bmp 附录c参考文献 [1]罗玉玲,唐贤英.基于阈值优化的图像模糊边缘检测算法.微计算机信息,2007,23(23): 286-288. [2]张淑丽,何鹏,穆伟斌.一种改进的医学图像边缘检测算法.中国介入影像与治疗学.2009,Vol6,No1: 87-90. [3]杜亚勤,郭雷,高世伟.基于模糊集的图像边缘检测算法.电子测量与仪器学报.2007,Vol12,No6: 22-24. [4]杨勇,黄淑英.一种改进的Pal和King模糊边缘检测算法.仪器仪表学报.2008,Vol.29,No.9: 1918-1922. [5]吴德刚,张宇波,曹立波.一种改进的模糊边缘检测算法.激光与红外.2010,Vol40,No12: 1374-1377 附录dPPT 附后: 基于模糊数学的医学图像边缘处理——手指骨检测提取算法.ppt
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 模糊 数学 医学 图像 边缘 处理 指骨 检测 提取 算法