沈 楠

(淮北師范大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 淮北 235000)

0 前言

醫(yī)學(xué)影像技術(shù)的日益成熟使得各種醫(yī)學(xué)影像設(shè)備在醫(yī)院中大量使用。如何應(yīng)用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行圖像處理和分析，輔助醫(yī)生診斷，具有重大的應(yīng)用前景。生物大分子圖像處理是指對(duì)獲得的生物大分子圖像施加一系列圖像處理達(dá)到預(yù)期的結(jié)果，包括多種格式的圖像的讀取和存儲(chǔ)、圖像的線性和非線性變換、效果增強(qiáng)和重建，然后實(shí)現(xiàn)圖像的目標(biāo)分割和特征提取，最終實(shí)現(xiàn)圖像的目標(biāo)識(shí)別或者是實(shí)現(xiàn)目標(biāo)的測(cè)量等。按照生物大分子圖像對(duì)象的處理目的不同可以將這些關(guān)鍵技術(shù)分為三個(gè)主要層面，即獲取的生物大分子圖像的降噪處理、圖像的生物大分子分割和目標(biāo)分析、圖像的醫(yī)學(xué)相關(guān)目標(biāo)的理解和識(shí)別。[1]

對(duì)生物大分子圖像預(yù)處理的目是消除圖像的冗余信息，增加圖像信息的可檢性，簡(jiǎn)化要處理的數(shù)據(jù)或者改善圖像的可視性，提高圖像分割和特征抽取的準(zhǔn)確性，降低圖像處理的數(shù)據(jù)運(yùn)算量，為后面的模式識(shí)別和醫(yī)學(xué)目標(biāo)理解奠定基礎(chǔ)。常用的圖像預(yù)處理算法包括圖像的線性或非線性變換、圖像降維、多種插值算法等。圖像預(yù)處理是圖像識(shí)別的必須步驟，但圖像預(yù)處理只是涉及圖像的基本性質(zhì)，目的是為后續(xù)操作除去冗余信息，簡(jiǎn)化運(yùn)算，不涉及對(duì)圖像的理解。

圖像分析側(cè)重于對(duì)圖像中感興趣的目標(biāo)進(jìn)行有效分割，其目的是獲取醫(yī)學(xué)大分子圖像的特征數(shù)據(jù)，并在提取特征的基礎(chǔ)上對(duì)特征進(jìn)行有效的描述。圖像分析在圖像識(shí)別中屬于最重要的操作，因?yàn)橹挥型ㄟ^(guò)分析圖像獲取有效的圖像特征，才能實(shí)現(xiàn)圖像的正確理解，才能探索圖像特征數(shù)據(jù)的屬性和屬性之間的聯(lián)系，從而實(shí)現(xiàn)醫(yī)學(xué)大分子圖像內(nèi)容所代表的醫(yī)學(xué)信息的理解和分析。圖像理解主要是為完成特定的任務(wù)，基于獲取的圖像特征數(shù)據(jù)進(jìn)行深入分析，得到有用的信息。例如通過(guò)數(shù)據(jù)庫(kù)技術(shù)將獲取的待檢測(cè)的圖像特征數(shù)據(jù)和和已有的醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)進(jìn)行對(duì)比，包括相似度匹配和相似性評(píng)估，并依據(jù)特征數(shù)據(jù)和標(biāo)準(zhǔn)數(shù)據(jù)的近似程度來(lái)推定待檢測(cè)的醫(yī)學(xué)圖像的特性和相關(guān)分類(lèi)。圖像理解是圖像識(shí)別過(guò)程中的高層次操作，但最終對(duì)醫(yī)學(xué)圖像的分析并得出有效結(jié)論需要借助醫(yī)學(xué)相關(guān)知識(shí)和醫(yī)學(xué)專(zhuān)家積累的經(jīng)驗(yàn)。[2]

本文通過(guò)研究醫(yī)學(xué)圖像預(yù)處理算法和分割算法，提高學(xué)生對(duì)數(shù)字圖像處理的理解。首先,應(yīng)用基于邊緣定向增強(qiáng)的各向異性擴(kuò)散抑噪法和彩色圖像增強(qiáng)方法對(duì)冷凍電子斷層掃描生物大分子圖像進(jìn)行降噪和數(shù)據(jù)清洗；然后，采用參數(shù)自整定的區(qū)域生長(zhǎng)的圖像分割算法和邊緣檢測(cè)算法對(duì)冷凍電子斷層掃描生物大分子圖像進(jìn)行分割處理和生物大分子提??；最終，通過(guò)大量的實(shí)驗(yàn)得出的數(shù)據(jù)計(jì)算出生物大分子的提取率。

1 圖像預(yù)處理

對(duì)醫(yī)學(xué)圖像采集，圖像來(lái)源于多種醫(yī)學(xué)影像設(shè)備。采集過(guò)程中由于不同傳感器的熱噪聲、光源和環(huán)境光的光照等原因的影響了圖像質(zhì)量，影響圖像處理和分析的結(jié)果。因此，對(duì)圖像進(jìn)行分析之前，圖像的降噪、圖像的多種集合變換、顏色分解和清洗等步驟非常關(guān)鍵。對(duì)于由于圖像亮度、曝光和對(duì)比度造成的圖像分辨率不足，需要進(jìn)行圖像對(duì)比度增強(qiáng)，一般采用圖像灰度均衡化、自動(dòng)白平衡和均值濾波等方法增強(qiáng)圖像的對(duì)比度。而對(duì)于噪聲的影響，一般都是高頻噪聲，通過(guò)對(duì)圖像進(jìn)行降噪處理，一般采用邊緣定向增強(qiáng)的各向異性擴(kuò)散抑噪方法來(lái)實(shí)現(xiàn)。

1.1 基于圖像邊緣增強(qiáng)的多向異性定向擴(kuò)散的圖像降噪方法

圖像邊緣增強(qiáng)和圖像相干增強(qiáng)擴(kuò)散算法主要基于圖像邊緣方向較大擴(kuò)散和垂直方向擴(kuò)散較小的思路來(lái)實(shí)現(xiàn)邊緣數(shù)據(jù)的提取。邊緣增強(qiáng)雖然有合理的擴(kuò)散特征根，但不能對(duì)邊緣進(jìn)行有效定向。采用相干增強(qiáng)擴(kuò)散技術(shù)彌補(bǔ)了上述缺點(diǎn)，但其擴(kuò)散張量特征值忽略了光滑區(qū)域與邊緣區(qū)域的差別，在光滑區(qū)域會(huì)產(chǎn)生假性邊緣，影響圖像的質(zhì)量。[3]本文針對(duì)冷凍電鏡生物大分子圖像的噪聲信息建立了一個(gè)邊緣定向增強(qiáng)的降噪方法，降噪后效果如圖1所示。

圖1 邊緣定向增強(qiáng)的各向異性擴(kuò)散降噪方法的實(shí)驗(yàn)結(jié)果(a)生物大分子圖像;(b)降噪后的效果

對(duì)比圖1中(a)和(b)，原圖像中的圓形生物大分子的邊緣處出現(xiàn)輕度模糊狀態(tài)，經(jīng)過(guò)降噪處理后的邊緣較為清晰分明，圖像的背景部分區(qū)域也變得更加清晰。原因是降噪后圖像的各向異性擴(kuò)散方程在降噪過(guò)程中對(duì)邊緣有更好的保護(hù)作用，得到的圖像更加清晰逼真。同時(shí)，該方法對(duì)圖像有一定的增強(qiáng)作用，有利于下一步的圖像增強(qiáng)和生物大分子的提取。

1.2 圖像灰度均衡化和中值濾波

灰度均衡化的目的是增強(qiáng)醫(yī)學(xué)圖像的全局明暗的層次，特別是當(dāng)圖像像素的明暗程度比較接近的時(shí)候。通過(guò)灰度均衡化，可以提高圖像局部的明暗對(duì)比度而不影響整體的明暗程度。這種方法對(duì)一些醫(yī)學(xué)圖像的背景亮度和前景亮度很明亮或者非常暗時(shí)效果很好，[4]這種方法尤其對(duì)本次實(shí)驗(yàn)中的生物大分子圖像，能夠彌補(bǔ)曝光過(guò)度或者曝光不足的影響，使圖像呈現(xiàn)更多的細(xì)節(jié)，而且該方法是一個(gè)可逆操作，能夠無(wú)損地恢復(fù)原始圖像，計(jì)算量也不大。圖像灰度均衡化后如圖2(a)所示。

圖像均值濾波法是一種有效的信號(hào)處理技術(shù)，它通過(guò)非線性擬合的方式將單一像素點(diǎn)的灰度值設(shè)置為鄰域周?chē)邢袼攸c(diǎn)平均灰度值來(lái)實(shí)現(xiàn)。均值濾波的原理是把序列中一點(diǎn)的值用該點(diǎn)周邊鄰域中各點(diǎn)的均值替換，目的是消除隨機(jī)的噪聲。[5]中值濾波后的圖像如圖2(b)所示。

圖2 生物大分子圖像灰度均衡化和中值濾波的實(shí)驗(yàn)結(jié)果(a)灰度均衡化效果;(b)中值濾波效果

2 基于區(qū)域生長(zhǎng)方法的圖像閾值分割

區(qū)域生長(zhǎng)(region growing)按照預(yù)定的規(guī)則將圖像通過(guò)聚類(lèi)方法，將單一像素發(fā)展到子區(qū)域，再發(fā)展成更大區(qū)域的過(guò)程。[6]區(qū)域生長(zhǎng)的具體實(shí)現(xiàn)步驟是由圖像某一像素區(qū)域作為種子生長(zhǎng)點(diǎn)，生長(zhǎng)點(diǎn)可以是單個(gè)像素，可以是一個(gè)小的像素區(qū)域，將具有相似特征如圖像的亮度、對(duì)比度、紋理顏色等的單個(gè)種子點(diǎn)的鄰像素整合為種子的生長(zhǎng)點(diǎn)。基本思路體現(xiàn)了迭代的過(guò)程，通過(guò)圖像中所有種子的像素點(diǎn)的迭代生長(zhǎng)成區(qū)域，這些區(qū)域通過(guò)閉合邊界的多邊形來(lái)定義。

區(qū)域生長(zhǎng)將圖像中具有相似性質(zhì)的像素集合起來(lái)構(gòu)成大的區(qū)域。首先需要從待分割的區(qū)域找到一個(gè)像素點(diǎn)作為生長(zhǎng)的種子，將種子鄰域中與該像素有相似性質(zhì)的像素合并到種子像素的區(qū)域。將形成的新的區(qū)域作為新的種子重復(fù)上面的過(guò)程，直到所有滿(mǎn)足條件的像素加入生長(zhǎng)區(qū)域。[7]這樣，一個(gè)區(qū)域就長(zhǎng)成了。

對(duì)圖像進(jìn)行閾值分割的目的是實(shí)現(xiàn)基于圖像的色彩信息和生物大分子細(xì)胞形態(tài)特征提取生物大分子。分割系統(tǒng)以生物大分子為種子，基于生物大分子與背景之間顏色的不同，以HIS顏色空間中的顏色分量H(飽和度)的值為基礎(chǔ)，采用區(qū)域生長(zhǎng)的方法得到生物大分子。但是由于生物大分子顏色的不均勻性和模糊性，使得區(qū)域生長(zhǎng)的結(jié)果中生物大分子邊緣部分不清晰，與真實(shí)的生物大分子輪廓有一定差異，因此，需要對(duì)大分子白細(xì)胞輪廓作修正。其主要算法流程如圖4所示，包括初始化和循環(huán)兩個(gè)模塊。初始化模塊選取初始種子，然后初始化堆棧，將種子點(diǎn)壓入隊(duì)列。循環(huán)模塊確定當(dāng)隊(duì)列為空時(shí)為循環(huán)結(jié)束條件，從隊(duì)列中取出頂元素的鄰域點(diǎn)，對(duì)于二維圖像，取八鄰域，對(duì)于三維圖像，取六鄰域。采用比較簡(jiǎn)單的方法定義相似度條件：假設(shè)隊(duì)列頂端元素的灰度值為gc，當(dāng)前相鄰點(diǎn)灰度值為gn，種子點(diǎn)的灰度值為gs，nv、cv為用戶(hù)設(shè)定的值，定義當(dāng)│gc-gn│≤nv且│gs-gn│≤cv時(shí)，滿(mǎn)足相似度條件。最后，當(dāng)相鄰點(diǎn)滿(mǎn)足相似度條件，則將其壓入堆棧繼續(xù)循環(huán)，如果不滿(mǎn)足則跳出循環(huán)，結(jié)束程序。

圖3 區(qū)域生長(zhǎng)算法流程

經(jīng)區(qū)域生長(zhǎng)算法進(jìn)行圖像分割處理后的生物大分子圖像如圖4所示。

圖4 區(qū)域生長(zhǎng)分割圖

圖4中，圖像中的大分子已經(jīng)較明顯分割出來(lái)，但背景較暗，得到的大分子圖像不是連通區(qū)域，不能看出生物大分子的細(xì)節(jié)，特別是原本比較模糊的分子不易識(shí)別。因此，需要進(jìn)一步處理才能提取大分子。

3 基于Sobel模板邊緣檢測(cè)的生物大分子圖像二次分割

圖像邊緣檢測(cè)的目的是對(duì)圖像中一些像素亮度變化較大的點(diǎn)進(jìn)行標(biāo)注。因?yàn)閳D像的亮度、色度等參數(shù)的變化反映了圖像代表的重要信息的變化，包括某些顏色分量的數(shù)據(jù)變化較大，呈現(xiàn)強(qiáng)度、方向上的不連續(xù)，體現(xiàn)圖像的屬性變化。[8]邊緣檢測(cè)技術(shù)是機(jī)器視覺(jué)和圖像處理領(lǐng)域一個(gè)重要的研究方向。

3.1 應(yīng)用Sobel模板進(jìn)行邊緣檢測(cè)的算法分析

Sobel算子屬于對(duì)應(yīng)一階導(dǎo)數(shù)的正交梯度算子。對(duì)一個(gè)在x和y都連續(xù)的函數(shù)f(x,y)，兩個(gè)分量分別是沿X和Y方向的一階導(dǎo)數(shù)：

(1)

這個(gè)矢量的幅度和方向角分別為：

mag(f)=|

(2)

φ(x,y)=arctan(Gy/Gx)

(3)

對(duì)每個(gè)像素需要應(yīng)用以上的計(jì)算公式進(jìn)行計(jì)算，包括采用對(duì)應(yīng)較小區(qū)域的卷積模板進(jìn)行近似計(jì)算。(3)式中的Gx和Gy分別用對(duì)應(yīng)的模板，兩個(gè)模板結(jié)合成一個(gè)有效的梯度算子。Sobel的模板是3×3的模板，通過(guò)類(lèi)似卷積的方式將3×3模板對(duì)圖像上每個(gè)位置的像素進(jìn)行計(jì)算得到中心像素的梯度值，[9]其二次分割效果如圖5。

圖5 Sobel模板邊緣檢測(cè)后的圖像結(jié)果

由圖5中可知，生物大分子被準(zhǔn)確地提取出來(lái)了，并且成為連通區(qū)域，背景明顯減弱，生物大分子能夠較為明顯的顯示出來(lái)，成功提取出了生物大分子。

4 結(jié)論

本文研究了基于圖像預(yù)處理和圖像分割的實(shí)驗(yàn)過(guò)程，并應(yīng)用于生物醫(yī)學(xué)圖像，通過(guò)對(duì)冷凍電子斷層掃描的生物大分子圖像進(jìn)行圖像預(yù)處理和圖像分割，有效降低了冷凍電鏡圖像中的冰粒對(duì)生物大分子的影響，提高了生物大分子的提取率及醫(yī)學(xué)圖像信息提取的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)，學(xué)生掌握了圖像預(yù)處理和圖像分割的方法，認(rèn)識(shí)到圖像處理在其他領(lǐng)域的重要性，增強(qiáng)了學(xué)習(xí)圖像處理的興趣。