图5. 区域生长流程图
Figure.5 Flow diagram of adaptive threshold
经过区域生长再分割和反色变换后得到的图像如图 6(a) 所示。除了大部分肺部组织外，气管、支气管因内部充满空气，也显示为低密度影区，而原本属于肺部组织的部分血管、结节、纤维化等则显示为高密度影区。我们分别对图像的两个密度区域进行连通域标记，测得各连通区域的面积，同时选取合适的面积阈值，并对面积小于相应阈值的区域内的像素值取反，从而弥补二值化过程带来的分类误差。处理结果如图 6(b) 所示。
 
(a) 区域生长结果 (b) 小面积消除结果
图6. 去除无关信息的结果
Figure.6 Images after adaptive threshold
通过上述一系列的处理， 肺部模板已经基本成形， 但是，对图 6(b) 进行分析可以看到，由于肺实质边缘密度和周围组织非常相近，在肺部区域预分割时常常将其误分为背景，因此，本文利用形态学的闭运算对模板进行细化。图7(a) 为利用闭运算细化得到的最终模板，将原图与模板做减运算即得到了肺部区域的完整图像，如图 7(b) 所示。
 
(a) 模板细化结果 (b) 肺部区域像
(a) Image after the morphology process （b）Image of Lung region
图7. 分割最终结果
Figure7. Image result
2.1.2 初步定位并剔除粗血管
先通过直方图均衡化提高上面得到的肺部区域图像的对比度，然后将图片二值化，就得到了粗血管，如图8（a）。通过图8（a）找出的粗血管图，映射到原图，将粗血管区域剔除掉。图8（b）为剔除粗血管后的肺部区域。
 
（a）找出的粗血管图 （b）剔除粗血管后的图像
（a）the vessels （b）Lung region without vessels
图8.剔除肺部区域粗血管
Figure 9. Lung region image without big vessels
把最后对得到的图片进行分割，如图9所示，分成若干个25*25（单位：像素）的子区域。接下来的工作只对肺部区域占70%以上的小区域进行处理。在接下来的步骤中，没有粗血管的肺部区域被分成子区域。对于每个子区域，我们计算了基于灰度的NLBP值后计算梯度方向差,以得出条件概率密度函数，进行6个纹理特征量的计算。最后，根据6个纹理特征量使用支持向量机（SVM）对子区域进行分类 。
图9. 对没有粗大血管的肺部区域进行分割
Figure 9. Sub-regions of the lung without big vessels
2.2 肺部纹理特征提取
NLBP能够描述中心像素与其邻边区域灰度值的关系，但是它不能说明这些血管像素光滑的局部结构信息。图10（a）和（b）是样品图像中两个3 × 3的局部区域模型。我们可以看到这两种模式的NLBP值是相同的,然而这两种模式的局部构造是不同的。
描述血管像素光滑的局部结构，提取纹理特征的有效性方面,统计家族GLCM方法是公认的有效方法,具有较强的适应能力和鲁棒性。该方法是建立在估计图像的二阶组合条件概率密度基础上的。GLCM是描述在θ方向上, 相隔d像元距离的一对像元分别具有灰度层i和j的出现概率。显然GLCM是一个对称矩阵,是距离和方向的函数, 其阶数由图像中的灰度级Ng 决定。尽管由GLCM提取的纹理特征具有较好的鉴别能力,但是这个方法在正确率依赖角度θ的选择。
本文对GLCM方法进行改进，提出新的不依赖角度具有旋转不变性的一致性法。
（a）
（b）
图10. 中心点的梯度方向
Figure 10.The center gradient orientation
设图像强度函数为S（x，y），计算点P（x，y）梯度方向如下：
 （10）
如公式（10）所示，梯度方向表示点P（x，y）的局部结构。图10（a）和（b）表示两个中心点梯度方向。可以看出梯度方向取决于中心点周围的局部结构。在这种情况下，尽管这两中心点的NLBP值相同，但其梯度方向是不同的。因此，本文提出计算两点之间的梯度方向的差异，以评估其局部结构的相似性。图11中箭头表示模型各点的梯度方向的差异。
 
图11. 梯度方向的差异
Figure 11. Gradient orientation differences
因此，点P（x，y） 和它的各邻点 P (xn, yn)之间的梯度差可通过以下计算得到： （11）
可知点P（x，y）的灰度值表示它的亮度，NLBP值表示点P（x，y）周围的亮度均匀性，以及梯度方向差异表示点P（x，y）局部结构的均匀性。假设邻点的个数为N，半径为R，邻点坐标分别为P（x1，y1），P（x2，y2），…，P（xn，yn），定义一个基于给定点P（x，y）与它的邻点P（x1，y1）之间的一致性如下：
 （12）
其中gc是点P（x，y）的灰度值。同理， 以P（x1，y1），P（x2，y2），…，P（xn，yn）的值为基础通过公式（12）求得一致性。GNLBP是灰度值和NLBP的组合。因此，如果P（x，y）周围点灰度值均匀，那么GNLBP值较低。通过公式（12）定义条件概率密度函数f（GNLBP，GOD|N，R），其中0≤GNLBP 2/2 首页 上一页 1 2 |
