生物医学图像预处理和分割算法实验研究

沈 楠

(淮北师范大学 计算机科学与技术学院，安徽 淮北 235000)

0 前言

医学影像技术的日益成熟使得各种医学影像设备在医院中大量使用。如何应用计算机图像处理技术进行图像处理和分析，辅助医生诊断，具有重大的应用前景。生物大分子图像处理是指对获得的生物大分子图像施加一系列图像处理达到预期的结果，包括多种格式的图像的读取和存储、图像的线性和非线性变换、效果增强和重建，然后实现图像的目标分割和特征提取，最终实现图像的目标识别或者是实现目标的测量等。按照生物大分子图像对象的处理目的不同可以将这些关键技术分为三个主要层面，即获取的生物大分子图像的降噪处理、图像的生物大分子分割和目标分析、图像的医学相关目标的理解和识别。[1]

对生物大分子图像预处理的目是消除图像的冗余信息，增加图像信息的可检性，简化要处理的数据或者改善图像的可视性，提高图像分割和特征抽取的准确性，降低图像处理的数据运算量，为后面的模式识别和医学目标理解奠定基础。常用的图像预处理算法包括图像的线性或非线性变换、图像降维、多种插值算法等。图像预处理是图像识别的必须步骤，但图像预处理只是涉及图像的基本性质，目的是为后续操作除去冗余信息，简化运算，不涉及对图像的理解。

图像分析侧重于对图像中感兴趣的目标进行有效分割，其目的是获取医学大分子图像的特征数据，并在提取特征的基础上对特征进行有效的描述。图像分析在图像识别中属于最重要的操作，因为只有通过分析图像获取有效的图像特征，才能实现图像的正确理解，才能探索图像特征数据的属性和属性之间的联系，从而实现医学大分子图像内容所代表的医学信息的理解和分析。图像理解主要是为完成特定的任务，基于获取的图像特征数据进行深入分析，得到有用的信息。例如通过数据库技术将获取的待检测的图像特征数据和和已有的医学图像数据库进行对比，包括相似度匹配和相似性评估，并依据特征数据和标准数据的近似程度来推定待检测的医学图像的特性和相关分类。图像理解是图像识别过程中的高层次操作，但最终对医学图像的分析并得出有效结论需要借助医学相关知识和医学专家积累的经验。[2]

本文通过研究医学图像预处理算法和分割算法，提高学生对数字图像处理的理解。首先,应用基于边缘定向增强的各向异性扩散抑噪法和彩色图像增强方法对冷冻电子断层扫描生物大分子图像进行降噪和数据清洗；然后，采用参数自整定的区域生长的图像分割算法和边缘检测算法对冷冻电子断层扫描生物大分子图像进行分割处理和生物大分子提取；最终，通过大量的实验得出的数据计算出生物大分子的提取率。

1 图像预处理

对医学图像采集，图像来源于多种医学影像设备。采集过程中由于不同传感器的热噪声、光源和环境光的光照等原因的影响了图像质量，影响图像处理和分析的结果。因此，对图像进行分析之前，图像的降噪、图像的多种集合变换、颜色分解和清洗等步骤非常关键。对于由于图像亮度、曝光和对比度造成的图像分辨率不足，需要进行图像对比度增强，一般采用图像灰度均衡化、自动白平衡和均值滤波等方法增强图像的对比度。而对于噪声的影响，一般都是高频噪声，通过对图像进行降噪处理，一般采用边缘定向增强的各向异性扩散抑噪方法来实现。

1.1 基于图像边缘增强的多向异性定向扩散的图像降噪方法

图像边缘增强和图像相干增强扩散算法主要基于图像边缘方向较大扩散和垂直方向扩散较小的思路来实现边缘数据的提取。边缘增强虽然有合理的扩散特征根，但不能对边缘进行有效定向。采用相干增强扩散技术弥补了上述缺点，但其扩散张量特征值忽略了光滑区域与边缘区域的差别，在光滑区域会产生假性边缘，影响图像的质量。[3]本文针对冷冻电镜生物大分子图像的噪声信息建立了一个边缘定向增强的降噪方法，降噪后效果如图1所示。

图1 边缘定向增强的各向异性扩散降噪方法的实验结果(a)生物大分子图像;(b)降噪后的效果

对比图1中(a)和(b)，原图像中的圆形生物大分子的边缘处出现轻度模糊状态，经过降噪处理后的边缘较为清晰分明，图像的背景部分区域也变得更加清晰。原因是降噪后图像的各向异性扩散方程在降噪过程中对边缘有更好的保护作用，得到的图像更加清晰逼真。同时，该方法对图像有一定的增强作用，有利于下一步的图像增强和生物大分子的提取。

1.2 图像灰度均衡化和中值滤波

灰度均衡化的目的是增强医学图像的全局明暗的层次，特别是当图像像素的明暗程度比较接近的时候。通过灰度均衡化，可以提高图像局部的明暗对比度而不影响整体的明暗程度。这种方法对一些医学图像的背景亮度和前景亮度很明亮或者非常暗时效果很好，[4]这种方法尤其对本次实验中的生物大分子图像，能够弥补曝光过度或者曝光不足的影响，使图像呈现更多的细节，而且该方法是一个可逆操作，能够无损地恢复原始图像，计算量也不大。图像灰度均衡化后如图2(a)所示。

图像均值滤波法是一种有效的信号处理技术，它通过非线性拟合的方式将单一像素点的灰度值设置为邻域周围所有像素点平均灰度值来实现。均值滤波的原理是把序列中一点的值用该点周边邻域中各点的均值替换，目的是消除随机的噪声。[5]中值滤波后的图像如图2(b)所示。

图2 生物大分子图像灰度均衡化和中值滤波的实验结果(a)灰度均衡化效果;(b)中值滤波效果

2 基于区域生长方法的图像阈值分割

区域生长(region growing)按照预定的规则将图像通过聚类方法，将单一像素发展到子区域，再发展成更大区域的过程。[6]区域生长的具体实现步骤是由图像某一像素区域作为种子生长点，生长点可以是单个像素，可以是一个小的像素区域，将具有相似特征如图像的亮度、对比度、纹理颜色等的单个种子点的邻像素整合为种子的生长点。基本思路体现了迭代的过程，通过图像中所有种子的像素点的迭代生长成区域，这些区域通过闭合边界的多边形来定义。

区域生长将图像中具有相似性质的像素集合起来构成大的区域。首先需要从待分割的区域找到一个像素点作为生长的种子，将种子邻域中与该像素有相似性质的像素合并到种子像素的区域。将形成的新的区域作为新的种子重复上面的过程，直到所有满足条件的像素加入生长区域。[7]这样，一个区域就长成了。

对图像进行阈值分割的目的是实现基于图像的色彩信息和生物大分子细胞形态特征提取生物大分子。分割系统以生物大分子为种子，基于生物大分子与背景之间颜色的不同，以HIS颜色空间中的颜色分量H(饱和度)的值为基础，采用区域生长的方法得到生物大分子。但是由于生物大分子颜色的不均匀性和模糊性，使得区域生长的结果中生物大分子边缘部分不清晰，与真实的生物大分子轮廓有一定差异，因此，需要对大分子白细胞轮廓作修正。其主要算法流程如图4所示，包括初始化和循环两个模块。初始化模块选取初始种子，然后初始化堆栈，将种子点压入队列。循环模块确定当队列为空时为循环结束条件，从队列中取出顶元素的邻域点，对于二维图像，取八邻域，对于三维图像，取六邻域。采用比较简单的方法定义相似度条件：假设队列顶端元素的灰度值为gc，当前相邻点灰度值为gn，种子点的灰度值为gs，nv、cv为用户设定的值，定义当│gc-gn│≤nv且│gs-gn│≤cv时，满足相似度条件。最后，当相邻点满足相似度条件，则将其压入堆栈继续循环，如果不满足则跳出循环，结束程序。

图3 区域生长算法流程

经区域生长算法进行图像分割处理后的生物大分子图像如图4所示。

图4 区域生长分割图

图4中，图像中的大分子已经较明显分割出来，但背景较暗，得到的大分子图像不是连通区域，不能看出生物大分子的细节，特别是原本比较模糊的分子不易识别。因此，需要进一步处理才能提取大分子。

3 基于Sobel模板边缘检测的生物大分子图像二次分割

图像边缘检测的目的是对图像中一些像素亮度变化较大的点进行标注。因为图像的亮度、色度等参数的变化反映了图像代表的重要信息的变化，包括某些颜色分量的数据变化较大，呈现强度、方向上的不连续，体现图像的属性变化。[8]边缘检测技术是机器视觉和图像处理领域一个重要的研究方向。

3.1 应用Sobel模板进行边缘检测的算法分析

Sobel算子属于对应一阶导数的正交梯度算子。对一个在x和y都连续的函数f(x,y)，两个分量分别是沿X和Y方向的一阶导数：

(1)

这个矢量的幅度和方向角分别为：

mag(f)=|

(2)

φ(x,y)=arctan(Gy/Gx)

(3)

对每个像素需要应用以上的计算公式进行计算，包括采用对应较小区域的卷积模板进行近似计算。(3)式中的Gx和Gy分别用对应的模板，两个模板结合成一个有效的梯度算子。Sobel的模板是3×3的模板，通过类似卷积的方式将3×3模板对图像上每个位置的像素进行计算得到中心像素的梯度值，[9]其二次分割效果如图5。

图5 Sobel模板边缘检测后的图像结果

由图5中可知，生物大分子被准确地提取出来了，并且成为连通区域，背景明显减弱，生物大分子能够较为明显的显示出来，成功提取出了生物大分子。

4 结论

本文研究了基于图像预处理和图像分割的实验过程，并应用于生物医学图像，通过对冷冻电子断层扫描的生物大分子图像进行图像预处理和图像分割，有效降低了冷冻电镜图像中的冰粒对生物大分子的影响，提高了生物大分子的提取率及医学图像信息提取的准确性。通过实验，学生掌握了图像预处理和图像分割的方法，认识到图像处理在其他领域的重要性，增强了学习图像处理的兴趣。