基于灰度选择法的医学图像可视化算法研究

李晓阳，王明泉，王 玉，王 鹏

（中北大学a.仪器科学与动态测试教育部重点实验室;b.信息与通信工程学院，山西太原 030051）

基于灰度选择法的医学图像可视化算法研究

李晓阳a，b，王明泉a，b，王 玉a，b，王 鹏a，b

（中北大学a.仪器科学与动态测试教育部重点实验室;b.信息与通信工程学院，山西太原 030051）

针对医学融合图像可视化中存在病灶区域特征难以分辨这一问题，首先采用灰度阈值选择法实现对病灶区域的分割，然后在选定病灶区域的前提下，对融合图像做伪彩增强处理。实验采用的原始图像为可见光与红外源图像，融合是由采用小波变换图像融合法实现的，实现融合的区域为灰度图像。在医学图像中，由于肉眼对灰度图像不敏感，不方便清楚地观察病症部位，所以需要对病灶区添加明显的颜色特征。在对病灶区域的分割中采用了3种方法做对比，实验结果表明使用灰度阈值选择法得到的图像最为理想，由于灰度阈值选择法中阈值的选定比较繁琐，在该算法基础上结合最佳阈值分割迭代解法较准确地完成了阈值的选定。最后运用MATLAB实现仿真，实验表明该方法切实有效。

图像融合;小波变换;灰度阈值法;伪彩色增强

图像融合是指将不同传感器所采集到的关于同一目标的图像综合成一幅满足特定应用需求的新图像的过程［1］，以提高图像信息的利用率，融合后的图像应当更适合于计算机的后续处理或人眼感知。

近些年来医学成像技术发展迅速，并且已成为现代医学技术中不可缺少的一部分，主要用于疾病诊断［2］。目前医学成像分为解剖图像和功能图像两部分，由于不同的成像设备反映的信息不一，所以将多种成像方式的图像所反映的信息结合到同一幅图像中显得尤为重要，即为医学图像融合。本文的融合图像是可见光与红外源图像经小波变换实现的，在融合图像中，由于病灶区域为灰度图像，不便于观察且存在很大的误差，本文对其展开研究，以便更清晰准确地观察和标记病灶区域，其中对病灶区域的分割为本文阐述的重点和核心，分别采用了全局阈值Otsu法阈值分割、迭代法全局阈值分割和灰度阈值法来实现，并且对这3种分割结果做了对比，其中在灰度阈值选择法中，结合最佳阈值分割迭代解法更准确简单地完成分割工作，效果较为理想。

1 小波变换图像融合法

图像融合一般分为三类:像素级、特征级和决策级融合［1］。本文采用的小波变换图像融合法是基于传统的多分辨金字塔图像融合方法的直接拓展。

1.1 基于小波分析的医学图像融合

图像融合的基本原则［2］是在优先保持图像低频信息的基础上尽可能多地提高融合结果的空间分辨率。小波多分辨率分析能把源图像的高低频信息高效地分开，然后针对不同的频段进行不同的处理。基于小波变换的图像融合流程图如图1所示。

图1 基于小波变换的融合流程图

实现步骤为:首先得到源图像A和B的边缘增强和位置信息，通过获取A、B图像子矩阵的边缘信息可实现该步骤;然后，通过该边缘信息得到区域图;最后，利用平均小波系数表的高频部分，生成区域活动表。根据边缘、区域图和区域活动表，获得融合决策图［2－4］，再通过小波逆变换的方法得到融合结果图C。

2 医学图像灰度阈值分割和伪彩增强

式中:标记为1的像素对应于目标区域;标记为0的区域为背景区域。

图像的阈值还可以选取多个，设图像的灰度区间为［A，B］，K阈值为A＜T0＜T1＜…＜TK－1＜B，则分割的方法为

实验采用的图片为注射过麻醉剂的医用小白鼠的可见光和红外图片。由于人的视觉系统对色彩特别敏感，一般能区分的灰度等级只有二十多个，但是能区分出有不同亮度、色度和饱和度的几千种颜色。因此需要对融合图像的部分区域进行伪彩色增强处理。首先需要对融合图像进行分割处理［5－6］，通过全局阈值Otsu法阈值分割、迭代法全局阈值分割和灰度阈值法的实验对比，灰度阈值法获得的图像效果最理想。灰度阈值法涉及到灰度范围的选定，本文采用最佳阈值分割迭代解法来实现，然后对分割完成的图像做伪彩增强处理，伪彩色处理就是将图像中的黑白灰度级变成不同的彩色，如果分层越多，人眼所能提取的信息也越多，从而达到图像增强的效果，可以突出显示原始图像中并不明显的地方，方便肉眼观察。

2.1 阈值分割原理

首先在图像灰度取值范围内选择一个灰度值作为阈值，分别记输入和输出图像为g（i，j）和G（i，j），则使用一个阈值的分割算法，即单阈值分割算法为

式中:0，1，…，K是（K+1）个区域的代表。

分割过程中采用的灰度区间为［m，255］，上限255是不变的，重点是m的选取，如果m选取过小，则会提取图像的多余部分;如果m过大，则又会丢失所需要的部分。因此阈值的选取对图像的分割具有非常重要的作用。通过对灰度阈值的大量实验可以得出最佳的阈值范围，但这样工作量太大，需要一次次地更换数据才能得到。本文提出结合最佳阈值分割迭代解法来实现阈值的选取，实验结果显示该方法得到的阈值比较理想。

2.2 最佳阈值分割迭代解法

下面是该算法的实现步骤:

1）计算图像的最大灰度值和最小灰度值Fmax和Fmin，令阈值T的初始值为

2）根据阈值Tk（k=0，1，…，K）将图像分割成目标和背景两部分，计算两部分的平均灰度值F0和FB，即

式中:f（i，j）是图像在（i，j）处的灰度值;w（i，j）是灰度值f（i，j）的权重系数，一般取w（i，j）=1.0。

3）计算新阈值为

4）如果TK=TK+1，程序结束，得到最后的Tk即为最佳阈值T;否则，k←k+1，返回步骤2）。

3 实验结果及分析

本实验共采用两组图片，其中原始图像分别为可见光与红外源图像。图2a和图2b为本实验采用的可见光和红外源图像。图2c是在MATLAB中使用小波变换融合实现的融合图像。从图中可以观察出融合效果较好，保留了可见光和红外图像中的特征，较好地完成了融合。图2d、图2e、图2f为分别使用全局阈值Otsu法阈值分割、迭代法全局阈值分割和灰度阈值法实现的，由图2d可看出其分割的病灶区域变小，且边缘分割不明显，通过对图2e的观察可看出其分割的区域范围明显变大，也不能满足实验需求。图2f为使用灰度阈值分割实现的分割图像，由图中可看出其分割效果比较理想，其中灰度选择的范围为［m，255］，通过大量实验得到的最佳m值范围为128～131，由于通过大量实验来得出最佳灰度选择范围的方法较为繁琐，本文结合最佳阈值分割迭代解法来实现，实验证明该方法切实有效，本实验结合最佳阈值分割迭代解法的计算得出的阈值为129，符合最佳的阈值范围。融合完成的图2c为RGB图像，图2g是在选定分割图2f的基础上对其做伪彩增强处理实现的，即为本实验最终的图片。可由此拓展到医学领域对有病症的区域进行标记，并且能清楚地用肉眼看到，以便医生更好地处理和解决。

图2 实验结果1

由于图2中采用的图像相对比较简单，并不能较好地反映复杂的人体器官存在的问题。图3为注射麻醉剂解剖的小白鼠内脏器官的图像，其中图3a和图3b为本实验采用的可见光和红外源图像，图3c、图3d、图3e、图3f的实现与图2方法一致，通过观察图3d、图3e、图3f这3幅图片可看出采用灰度阈值分割的方法最为理想，其中实验中得出的最佳阈值范围为49～52，结合最佳阈值分割迭代解法得出的最佳阈值为50。从得到的最终图像（图3g）中可看出融合效果较好，也能较好地反映到医学中对于人体器官病症部位的观察。

4 结论

图3 实验结果2

本文对可见光与红外图像进行了融合，为了实现对融合图像中病灶区域的准确标记和观察，首先采用全局阈值Otsu法阈值分割、迭代法全局阈值分割和灰度阈值法方法分别对其进行分割，由实验对比得出灰度阈值选择法最为理想，在此分割方法的基础上，提出结合最佳阈值迭代解法获取阈值，使实验更为便捷，分割效果更佳。在分割处理中，边缘的分割效果还有待改进，这将是下一步主要研究的内容。

:

［1］康晶磊，何东健.小波变换在医学图像融合中的应用［J］.医学信息学，2007，20（1）:1－3.

［2］周朋，奚日晖.基于小波变换的医学图像融合技术的实现［J］.中国图象图形学报，2006，11（11）:1720－1723.

［3］赵英男，文学志.基于稀疏表征的可见光和近红外人脸图像融合快速识别算法［J］.计算机科学，2012，39（6）:270－272.

［4］杜军慧，韩应征，叶鸿瑾.基于提升小波和形态学融合的图像边缘检测［J］.电视技术，2013，37（7）:13－15.

［5］蒋宏，任章.红外与可见光图像配准和融合中的关键技术［J］.红外与激光工程，2006，10（35）:7－12.

［6］赵高鹏，薄煜明.基于区域分割的红外与可见光图像融合方法［J］.计算机工程与应用，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

【本文献信息】李晓阳，王明泉，王玉，等.基于灰度选择法的医学图像可视化算法研究［J］.电视技术，2014，38（3）.

国家自然科学基金项目（6171177）;山西省青年科技研究基金项目（2012021011－1）

责任编辑:时 雯

2013－05－15