專利名稱：基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)的方法，屬于圖 像處理領(lǐng)域。
背景技術(shù)：
數(shù)據(jù)、公式、圖表和圖像等是描述事物或現(xiàn)象特性與特征的重要手段和方法，從圖 像中提取特征是模式識別的重要內(nèi)容之一，從獲取的特征中實(shí)現(xiàn)物理參數(shù)的自動測量可以 達(dá)到從定性到定量分析的目的。從宏觀的天體圖像，到實(shí)用的醫(yī)學(xué)圖像，再到微觀的顯微圖 像，對圖像進(jìn)行分析、理解和特征提取，可以從中獲取很多有用信息。以實(shí)用的醫(yī)學(xué)圖像為 例，醫(yī)學(xué)成像技術(shù)已經(jīng)成為當(dāng)前一種流行的診斷技術(shù)，比如CT圖像、MRI圖像以及超聲圖像 等，它們通過不同的成像手段獲得人體器官成像和軟組織結(jié)構(gòu)的詳細(xì)資料，進(jìn)而診斷多種 疾病。如CT成像，利用X射線進(jìn)行斷層成像，得到人體切面的解剖結(jié)構(gòu)；一般CT圖像的分 辨率高，診斷結(jié)果可信度高，但是X射線對人體有害，所以只有在必要的情況下才進(jìn)行CT成 像；與CT成像不同，超聲成像具有無創(chuàng)、便攜式、多功能等優(yōu)點(diǎn)，而且不產(chǎn)生任何有害輻射。 因此，不同的成像方式對于不同的診斷有著一定的適應(yīng)性。對于不同的成像模式來說，雖然成像手段不同，但是最終都是以圖像為介質(zhì)來描 述事物或現(xiàn)象特性與特征的，醫(yī)學(xué)圖像即為病灶，從醫(yī)學(xué)圖像中實(shí)現(xiàn)物理參數(shù)的測量是醫(yī) 學(xué)診斷的重要依據(jù)，醫(yī)生可以通過自動測量技術(shù)獲得必要的物理參數(shù)信息，進(jìn)而實(shí)現(xiàn)疾病 診斷。比如超聲圖像中對于血管內(nèi)膜厚度(IMT)的測量就是一種重要的醫(yī)療診斷技術(shù)，醫(yī) 生通過測量IMT的異常變化來判斷血管疾病的發(fā)生；再如肝硬化CT圖像中通過對肝實(shí)質(zhì)進(jìn) 行形態(tài)分級，并結(jié)合CT肝脾容積測量，可以對肝硬化進(jìn)行定量診斷。醫(yī)學(xué)圖像的定量測量， 需要依據(jù)圖像特征，通過對醫(yī)學(xué)圖像特征的分割及提取進(jìn)行物理參數(shù)的自動測量。如今國內(nèi)外通過圖像分割提取圖像特征的方法主要包括基于模式識別技術(shù)、基于 模型的方法、基于跟蹤的方法、基于人工智能的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、復(fù)雜管狀結(jié)構(gòu) 檢測方法等六大類。但很多圖像由于其成像機(jī)制的限制，圖像質(zhì)量不高，特別是由于成像對 象的不均勻性以及圖像噪聲帶來的一般圖像特征，如醫(yī)學(xué)成像中器官或組織結(jié)構(gòu)的不均勻 性，一些微小的變化不能為圖像所分辨，使得無法分離特征層，對圖像的分割和處理更加困 難，提取圖像特征及測量相關(guān)參數(shù)的精度低。

發(fā)明內(nèi)容
本發(fā)明目的是為了解決現(xiàn)有通過圖像分割提取圖像特征的方法由于成像對象不均勻 性以及圖像噪聲，無法分離特征層，導(dǎo)致提取圖像特征及測量相關(guān)參數(shù)的精度低的問題，提 供了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法。本發(fā)明包括如下步驟
步驟一、對圖像進(jìn)行自適應(yīng)灰度拉伸，形成高對比度的圖像，
步驟二、對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲取一階本征模態(tài)函數(shù)分
量，步驟三、對所述一階本征模態(tài)函數(shù)分量進(jìn)行梯度變換和分水嶺分割，以得到封閉連續(xù) 的特征輪廓曲線，所述特征輪廓曲線圍成封閉特征區(qū)域，
步驟四、對所述封閉特征區(qū)域進(jìn)行兩次掃描，獲取所述封閉特征區(qū)域上邊界的采樣點(diǎn) 和下邊界的采樣點(diǎn)，
步驟五、用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)分別進(jìn) 行擬合，以去除特征區(qū)域邊界的錯誤的多余采樣點(diǎn)，進(jìn)而得到精確的特征區(qū)域的邊緣曲線， 完成被測圖像的特征層的提取，
步驟六、對擬合后的邊緣曲線進(jìn)行橫向掃描，均勻取多個采樣點(diǎn)，計算每個相同橫向坐 標(biāo)處的上、下邊界采樣點(diǎn)的縱向坐標(biāo)之差，并計算多個所述縱向坐標(biāo)之差的平均值，進(jìn)而獲 取上、下邊界差值這一物理參數(shù)。本發(fā)明的優(yōu)點(diǎn)
1)本發(fā)明的目的在于提出一種基于圖像經(jīng)驗(yàn)?zāi)B(tài)分解(ImageEmpiricalModeDecompo sition，IEMD)的目標(biāo)分割特征提取及重要物理參數(shù)測量方法，它解決了當(dāng)前有些圖像特征 提取方法無法分離特征層以改善提取精度的問題。2)它對斑點(diǎn)噪聲和對比度的不規(guī)則具有很強(qiáng)的抑制作用和可靠性，同時全自動運(yùn) 行，不需要人為參與。適用于不同尺寸、形狀和斑塊圖像的特征提取與參數(shù)測量。


圖1為基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征方法流程圖； 圖2為經(jīng)驗(yàn)?zāi)B(tài)分解的流程圖3和圖4為二次掃描確定特征區(qū)域； 圖5至圖7為三幅頸動脈圖像； 圖8為圖5所述頸動脈圖像的直方圖統(tǒng)計結(jié)果； 圖9為圖6所述頸動脈圖像的直方圖統(tǒng)計結(jié)果； 圖10為圖7所述頸動脈圖像的直方圖統(tǒng)計結(jié)果； 圖11為圖5所述頸動脈圖像在[20130]閾值時的圖像拉伸結(jié)果； 圖12為圖6所述頸動脈圖像在[30210]閾值時的圖像拉伸結(jié)果； 圖13為圖7所述頸動脈圖像在[30200]閾值時的圖像拉伸結(jié)果； 圖14為待處理的頸動脈內(nèi)膜原圖； 圖15為經(jīng)過灰度拉伸后的效果圖； 圖16為一階IMF分量； 圖17為二階IMF分量； 圖18為三創(chuàng)IMF分量；
圖19至圖22為對一階IMF分量進(jìn)行梯度變換和分水嶺分割，得到的封閉連續(xù)的特征 輪廓曲線的全過程；
圖23為第一次粗定位掃描獲得的圖； 圖24為第二次精定位掃描獲得的圖； 圖25為頸動脈內(nèi)膜上下邊界的50對采樣點(diǎn)； 圖26為擬合的曲線；
5圖27至圖29為將一組具體的圖像數(shù)據(jù)實(shí)驗(yàn)作為原圖像的圖27按本發(fā)明方法提取， 中間過程為圖28，特征層結(jié)果為圖29 ；
圖30至圖32為將另一組具體的圖像數(shù)據(jù)實(shí)驗(yàn)作為原圖像的圖30按本發(fā)明方法提 取，中間過程為圖31，特征層結(jié)果為圖32。
具體實(shí)施例方式具體實(shí)施方式
一下面結(jié)合圖1和圖2說明本實(shí)施方式，
經(jīng)驗(yàn)?zāi)B(tài)分解(EmpiricalModeDecomposition，簡稱EMD)方法是由美國NASA的黃鍔博 士提出的一種信號分析方法。它依據(jù)數(shù)據(jù)自身的時間尺度特征來進(jìn)行信號分解，無須預(yù)先 設(shè)定任何基函數(shù)。這一點(diǎn)與建立在先驗(yàn)性的諧波基函數(shù)和小波基函數(shù)上的傅里葉分解與小 波分解方法具有本質(zhì)性的差別。正是由于這樣的特點(diǎn)，EMD方法在理論上可以應(yīng)用于任何 類型的信號的分解，因而在處理非平穩(wěn)及非線性數(shù)據(jù)上，具有非常明顯的優(yōu)勢。利用信號內(nèi)部時間尺度的變化做能量與頻率的解析，將信號展開成數(shù)個本征模 態(tài)函數(shù)(IntrinsicModeFunction，IMF)，再利用希爾伯特變換(HilbertTransform，HT)獲 得IMF的瞬時頻率和振幅，上述過程總稱為希爾伯特黃轉(zhuǎn)換(Hilbert-HuangTransform， HHT)。EMD是HHT算法的重要步驟，不同于使用固定形態(tài)窗口為分界基底函數(shù)的傳統(tǒng)方 法，EMD的基底函數(shù)是從信號中提取得到的，即使用IMF作基底。而IMF必須滿足下列條件
1)在整個函數(shù)中，極值點(diǎn)的數(shù)目與穿越零點(diǎn)的數(shù)目相等或者相差1；
2)在任何時刻，由局部極值包絡(luò)線所定義的包絡(luò)線局部均值為零。其中，第一個條件與傳統(tǒng)高斯平穩(wěn)過程中窄頻寬的要求類似。第二個條件是一個 新的想法將整體性要求改變?yōu)榫植啃砸螅沟盟矔r頻率不會因?yàn)椴粚ΨQ波形的存在而 導(dǎo)致不必要的晃動。依托這兩個條件構(gòu)建起來的EMD及HHT被認(rèn)為是強(qiáng)有力地求解非線性、 非平穩(wěn)信號的自適應(yīng)方法，是近年來對以傅立葉變換為基礎(chǔ)的線性及穩(wěn)態(tài)譜分析的重大突 破，并得到了廣泛的應(yīng)用。HHT從瞬時頻率的定義和解法出發(fā)，定義了 EMD方法和IMF的概念，通過EMD方法 可以將任意信號分解為從高頻到低頻的IMF分量的信號疊加，對于圖像信號相當(dāng)于將信號 分解成由不同頻率信號組成的圖像層。通過篩選得到所要的圖像特征層為圖像的特征提取 以及提高提取精度提供了新思路。本實(shí)施方式方法通過以下技術(shù)方案實(shí)現(xiàn)的首先對圖像進(jìn)行自適應(yīng)灰度拉伸后對 經(jīng)過圖像拉伸的圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到擴(kuò)展的圖像特征函數(shù)，用本征模態(tài)函數(shù)表示， 對通過篩選出的能表征圖像特征的像素層進(jìn)行梯度變換和分水嶺分割，以得到特征輪廓曲 線，通過對特征區(qū)域的二次掃描來進(jìn)行區(qū)域特征定位，用最小二乘法對特征曲線進(jìn)行擬合 得到精確的目標(biāo)輪廓曲線，具體方法包括以下步驟
步驟一、對圖像進(jìn)行自適應(yīng)灰度拉伸，形成高對比度的圖像，
步驟二、對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲取一階本征模態(tài)函數(shù)分
量，
步驟三、對所述一階本征模態(tài)函數(shù)分量進(jìn)行梯度變換和分水嶺分割，以得到封閉連續(xù) 的特征輪廓曲線，所述特征輪廓曲線圍成封閉特征區(qū)域，步驟四、對所述封閉特征區(qū)域進(jìn)行兩次掃描，獲取所述封閉特征區(qū)域上邊界的采樣點(diǎn) 和下邊界的采樣點(diǎn)，
步驟五、用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)分別進(jìn) 行擬合，以去除特征區(qū)域邊界的錯誤的多余采樣點(diǎn)，進(jìn)而得到精確的特征區(qū)域的邊緣曲線， 完成被測圖像的特征層的提取，
步驟六、對擬合后的邊緣曲線進(jìn)行橫向掃描，均勻取多個采樣點(diǎn)，計算每個相同橫向坐 標(biāo)處的上、下邊界采樣點(diǎn)的縱向坐標(biāo)之差，并計算多個所述縱向坐標(biāo)之差的平均值，進(jìn)而獲 取上、下邊界差值這一物理參數(shù)。步驟一中對圖像進(jìn)行自適應(yīng)灰度拉伸，分別搜索從低灰度級到高灰度級以及反向 從高灰度級到低灰度級的灰度水平。將第一個最大像素灰度級記為背景灰度級，第二個最 大灰度級作為前景灰度級。對經(jīng)過圖像拉伸的圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)(IEMD)分解，得到擴(kuò)展的 圖像特征函數(shù)，用本征模態(tài)函數(shù)表示；
本步驟首先采用灰度自適應(yīng)拉伸法來提高關(guān)注區(qū)域的灰度動態(tài)范圍，灰色拉伸又稱為 對比度擴(kuò)展，它是圖像增強(qiáng)過程中一種基本方法。給出的具體實(shí)施像中提出了直方圖統(tǒng)計 的方法。通常情況下，處于某一灰度級別的圖像像素越多，該灰度級越重要，影響越大。因 此，可以分別搜索從低灰度級到高灰度級以及反向從高灰度級到低灰度級的灰度水平。將 第一個最大像素灰度級記為背景灰度級，第二個最大灰度級作為前景灰度級。步驟二對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解獲取一階本征模態(tài)函數(shù) 分量的具體過程為
設(shè)定高對比度圖像輸入信號為,
步驟21、IMF分解過程初始化 = 1，且滿足關(guān)系式成立，其中
欠分解后剩余的殘差函數(shù)； 步驟22、篩選過程初始化，4=1，且滿足關(guān)系式" “—”(/) =成立，其中
h<k 為第》次本征模態(tài)函數(shù)分解中經(jīng)過第(i ^次篩選后的剩余函數(shù)；
步驟23、根據(jù)篩選程序獲取殘差函數(shù)中經(jīng)過第4次篩選后的剩余函數(shù)h^Jf),
所述殘差函數(shù)是輸入的待處理曲線經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余的殘差 函數(shù)；
步驟24、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷步驟23獲得的剩余函數(shù)Z^tG)是否滿足本征
模態(tài)函數(shù)的條件，即
/(0是否小于閾值， 0.2<Hsd<03 ；
判斷結(jié)果為是，執(zhí)行步驟25，判斷結(jié)果為否，則A = i + l，然后執(zhí)行步驟23，步驟25、提取一階本征模態(tài)函數(shù)分量IMF= ftlt(0 ；和獲取高對比度圖像輸入
信號經(jīng)過第1次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)/；(0 = x(t} - ct (0。其中，步驟23根據(jù)篩選程序獲取輸入信號戲/)經(jīng)過第H次本征模態(tài)函數(shù)分解的 剩余趨勢函數(shù)中經(jīng)過第4次篩選后的剩余函數(shù)的過程為
步驟31、利用三次樣條函數(shù)獲取輸入信號x(f)經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余 趨勢函數(shù)中經(jīng)過第j次篩選后的剩余函數(shù)fcy^Af)的上、下包絡(luò)，
步驟32、計算所述剩余函數(shù)fcu^dO上、下包絡(luò)曲線在各個f的均值, 步驟33、獲取輸入信號經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第 jt次篩選后的剩余函數(shù)^(0 = WO_m (t-i)(t)。步驟二提取的一階本征模態(tài)函數(shù)分量IMF即是我們要用的能表征圖像特征的像素層。步驟三中的梯度變換采用Sobel算子。在眾多圖像處理算法中，梯度變換算法可以減少斑點(diǎn)噪聲的影響，產(chǎn)生更好的分 割結(jié)果，常用于圖像增強(qiáng)中。其中作為梯度變換算法中的一種，Sobel算子在邊緣檢測的過 程中是一種常用的方法。它具有兩種形式。我們一方面可以檢測橫向水平的邊緣，另一方 面可以用于檢測垂直邊緣。相對于其他一些算子，Sobel算子由于沿水平和垂直方向和噪 聲平滑效果更好，所以是一種邊緣檢測常用的方法。同時，和諸如拉普拉斯和對數(shù)算子相比 Sobel算子具有更好的方向保持性。同時，采用分水嶺分割用于準(zhǔn)確提取圖像特征邊緣。分水嶺算法對微弱邊緣反應(yīng) 靈敏，同時能夠保證連續(xù)封閉邊緣。此外，分水嶺算法能獲得了一塊封閉的區(qū)域，這為圖像 的區(qū)域特征分析提供了便利。步驟四中對所述封閉特征區(qū)域進(jìn)行兩次掃描，獲取所述封閉特征區(qū)域上邊界的采 樣點(diǎn)和下邊界的采樣點(diǎn)的過程為
第一次掃描為粗定位，用于確定所述封閉特征區(qū)域的基本區(qū)域，所述基本區(qū)域的邊界 包括整個目標(biāo)邊界以及一些多余的組織邊緣，
第二次掃描為精細(xì)定位，對所述基本區(qū)域進(jìn)行重新掃描，用于定位目標(biāo)邊界的上限和 下限，進(jìn)而獲得基本區(qū)域的上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)。通過之前步驟的圖像檢測后，圖像中目標(biāo)組織邊緣和其他多余的邊緣被保留了下 來。我們通過接下來的階段來消除多余的邊緣同時得到分割出的輪廓的確切位置。雖然一般的掃描方式可以通過得到一系列的采樣點(diǎn)來計算被分割目標(biāo)的邊緣，但 如果圖像中還有一些其他組織邊緣，這樣采樣的最高點(diǎn)將遠(yuǎn)遠(yuǎn)偏離目標(biāo)的上限或下限范 圍，導(dǎo)致不準(zhǔn)確的測量結(jié)果。因此，一種改進(jìn)掃描方式被提了出來，共包括兩次掃描。第一 次是用來確定基本區(qū)域，它包括了整個目標(biāo)邊界以及一些多余的組織邊緣如圖3所示，我 們把它叫做粗定位。第二次對基本區(qū)域進(jìn)行重新掃描，用于定位目標(biāo)邊界的上限和下限，如
84所示。由于第二次掃描是在第一次掃描得到的基本區(qū)域上進(jìn)行處理，得到了上邊界和下邊 界的采樣點(diǎn)，因此，稱之為精細(xì)定位。經(jīng)過兩次掃描，目標(biāo)邊界得到完全的確定。通過掃描，可以提取得到整個被分割目標(biāo)邊緣的多對樣本采樣點(diǎn)。但由于整個掃 描過程可能會有一些錯誤采樣點(diǎn)，有些不屬于目標(biāo)上邊界和下邊界錯誤樣本點(diǎn)會被提取出 來。因此，我們在這里通過對若干對采樣點(diǎn)進(jìn)行擬合從而建立目標(biāo)的一個連續(xù)的邊界。在 我們的方法中采用多項(xiàng)式擬合法，通過最小二乘法對數(shù)據(jù)進(jìn)行擬合。具體為步驟五所述。步驟五中的用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣 點(diǎn)分別進(jìn)行擬合的過程相同，上邊界的采樣點(diǎn)擬合出特征區(qū)域上邊界，下邊界的采樣點(diǎn)擬 合出特征區(qū)域下邊界，以下將上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)統(tǒng)稱為采樣點(diǎn)X，按如下公 式獲取特征區(qū)域的邊緣曲線
其中，％、巧和巧為系數(shù)。假設(shè)給定數(shù)據(jù)m和
其中
是一個階次不超過n
的多項(xiàng)式函數(shù)。系數(shù)ak和擬合多項(xiàng)式由下面的最小二乘法確定。
在我們的方法中，我們采樣二次多項(xiàng)式進(jìn)行擬合，多項(xiàng)式$“；!)可以寫為具體實(shí)施方式
二，下面結(jié)合圖1至圖32進(jìn)行說明，本實(shí)施方式為了評估利用經(jīng)驗(yàn) 模態(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)的方法，以頸動脈醫(yī)學(xué)超聲圖像的特征提取 和內(nèi)膜厚度測量為例進(jìn)行說明
執(zhí)行步驟一對圖5至圖7所示的三幅頸動脈血管內(nèi)膜彩色超聲圖像進(jìn)行圖像拉伸處 理，分別搜索從低灰度級到高灰度級以及反向從高灰度級到低灰度級的灰度水平。將第一 個最大像素灰度級記為背景灰度級，第二個最大灰度級作為前景灰度級，圖8至圖10顯示 了三副動脈超聲圖像和相應(yīng)的直方圖統(tǒng)計結(jié)果。圖11為圖5所述頸動脈圖像在[20130] 閾值時的圖像拉伸結(jié)果；圖12為圖6所述頸動脈圖像在[30210]閾值時的圖像拉伸結(jié)果； 圖13為圖7所述頸動脈圖像在[30200]閾值時的圖像拉伸結(jié)果。從圖11至圖13可以看 出，頸動脈內(nèi)膜中層超聲圖像區(qū)域已經(jīng)得到了加強(qiáng)，背景灰度與前景灰度得到明顯區(qū)分。執(zhí)行步驟二、對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲取一階本征模 態(tài)函數(shù)分量。圖14為待處理的頸動脈內(nèi)膜原圖；圖15為經(jīng)過灰度拉伸后的效果圖；圖16為經(jīng)過圖像拉伸的圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)(IEMD)分解，獲取一階本征模態(tài)函數(shù)分量IMFl ；如進(jìn) 行多次分解可獲取多個IMF分量，圖17為二階IMF分量；圖18為三創(chuàng)IMF分量，可以看出 血管內(nèi)膜區(qū)域得到了很好的加強(qiáng)和銳化，輪廓清晰可見。執(zhí)行步驟三對通過篩選出的能表征圖像特征的像素層(IMFl)進(jìn)行梯度變換和 分水嶺分割，以得到頸動脈血管內(nèi)膜的特征輪廓曲線。圖19至圖22所示為頸動脈內(nèi)膜的 檢測分割全過程。執(zhí)行步 驟四通過對特征區(qū)域的兩次掃描來進(jìn)行區(qū)域特征定位，用最小二乘法對 特征曲線進(jìn)行擬合得到精確的頸動脈血管內(nèi)膜曲線。通過之前步驟二和三的圖像檢測后，內(nèi)膜組織和其他多余的邊緣被保留了下來。 我們通過接下來的階段來消除多余的邊緣同時得到內(nèi)膜的確切位置。圖23為第一次粗定 位掃描獲得的圖；顯示了區(qū)域定位方式。掃描方向設(shè)置為從上到下。每次掃描過程中，沿掃 描方向挑選前兩個采樣點(diǎn)。同時，以橫坐標(biāo)作為掃描位置灰度強(qiáng)度作為縱坐標(biāo)繪制灰度強(qiáng) 度曲線，如圖24所示。執(zhí)行步驟五、用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣 點(diǎn)分別進(jìn)行擬合，以去除特征區(qū)域邊界的錯誤的多余采樣點(diǎn)，進(jìn)而得到精確的特征區(qū)域的 邊緣曲線，完成被測圖像的特征層的提取。步驟六、對擬合后的曲線進(jìn)行橫向掃描，均勻取多個采樣點(diǎn)，計算每個相同橫向坐 標(biāo)處的上、下邊界采樣點(diǎn)的縱向坐標(biāo)之差，并計算多個所述縱向坐標(biāo)之差的平均值，進(jìn)而獲 取上、下邊界差值這一物理參數(shù)。圖25顯示了頸動脈內(nèi)膜上下邊界的50對采樣點(diǎn)；圖26為擬合的曲線，從圖 25-26可以看出，整個擬合過程可為我們的應(yīng)用提供準(zhǔn)確動脈內(nèi)膜邊緣。為了更加清晰的顯示經(jīng)過處理后的效果，我們將處理圖像與原圖像進(jìn)行對比。同 時進(jìn)行了多幅圖像的測試。圖27至圖29為將一組具體的圖像數(shù)據(jù)實(shí)驗(yàn)作為原圖像的圖 27按本發(fā)明方法提取，中間過程為圖28，特征層結(jié)果為圖29 ；圖30至圖32為將另一組具 體的圖像數(shù)據(jù)實(shí)驗(yàn)作為原圖像的圖30按本發(fā)明方法提取，中間過程為圖31，特征層結(jié)果 為圖32?？梢钥闯鲆桓笔怯忻鞔_的邊界的，另一幅邊界不是很明顯。無論是圖像的質(zhì)量如 何，我們提出的方法可以產(chǎn)生很好的效果。圖像質(zhì)量的優(yōu)劣對超聲圖像的分割影響很大。這使得完成圖像分割的任務(wù)變的很 復(fù)雜。表1顯示了整個實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計結(jié)果。在實(shí)驗(yàn)中，樣品的采樣點(diǎn)對數(shù)設(shè)置為50，即每 重新掃描一張圖片需掃描50對采樣點(diǎn)。通過整個圖像數(shù)據(jù)結(jié)果可以得出，無論圖像的質(zhì)量 如何，我們可以得到準(zhǔn)確的膜厚度測量結(jié)果。在最后一欄我們列出所用的時間不到0.6s，它 能滿足實(shí)時性的要求。表1圖像數(shù)據(jù)分析結(jié)果
權(quán)利要求
基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法，其特征在于，它包括如下步驟 步驟一、對圖像進(jìn)行自適應(yīng)灰度拉伸，形成高對比度的圖像，步驟二、對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲取一階本征模態(tài)函數(shù)分量，步驟三、對所述一階本征模態(tài)函數(shù)分量進(jìn)行梯度變換和分水嶺分割，以得到封閉連續(xù)的特征輪廓曲線，所述特征輪廓曲線圍成封閉特征區(qū)域，步驟四、對所述封閉特征區(qū)域進(jìn)行兩次掃描，獲取所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)，步驟五、用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)分別進(jìn)行擬合，以去除特征區(qū)域邊界的錯誤的多余采樣點(diǎn)，進(jìn)而得到精確的特征區(qū)域的邊緣曲線，完成被測圖像的特征層的提取，步驟六、對擬合后的邊緣曲線進(jìn)行橫向掃描，均勻取多個采樣點(diǎn)，計算每個相同橫向坐標(biāo)處的上、下邊界采樣點(diǎn)的縱向坐標(biāo)之差，并計算多個所述縱向坐標(biāo)之差的平均值，進(jìn)而獲取上、下邊界差值這一物理參數(shù)。
2.根據(jù)權(quán)利要求1所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法， 其特征在于，步驟二對步驟一形成的高對比度圖像進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解獲取一階本征模態(tài)函 數(shù)分量的具體過程為設(shè)定高對比度圖像輸入信號為:<0 , f = \2”_ ，步驟21、IMF分解過程初始化n = i，且滿足關(guān)系式 成立，其中 rw_,(/> m ( -1)次分解后剩余的殘差函數(shù)；步驟22、篩選過程初始化，k=r且滿足關(guān)系式 。(/)成立，其中 為第n次本征模態(tài)函數(shù)分解中經(jīng)過第次篩選后的剩余函數(shù)步驟23、根據(jù)篩選程序獲取殘差函數(shù)中經(jīng)過第^次篩選后的剩余函數(shù)Kt、,所述殘差函數(shù)是輸入的待處理曲線均)經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余的殘差 函數(shù)；步驟24、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷步驟23獲得的剩余函數(shù)^^<0是否滿足本征 模態(tài)函數(shù)的條件，即 是否小于閾值丑皿，0.2 <0.3 ；判斷結(jié)果為是，執(zhí)行步驟25，判斷結(jié)果為否，則= + 1，然后執(zhí)行步驟23，步驟25、提取一階本征模態(tài)函數(shù)分量IMF1 ；和獲取高對比度圖像輸入信號經(jīng)過第1次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)
3.根據(jù)權(quán)利要求2所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法， 其特征在于，步驟23根據(jù)篩選程序獲取輸入信號經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第jt次篩選后的剩余函數(shù)hmk(t)的過程為步驟31、利用三次樣條函數(shù)獲取輸入信號經(jīng)過第H次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k-1次篩選后的剩余函數(shù)ha(k-1((t)的上、下包絡(luò)，步驟32、計算所述剩余函數(shù)上、下包絡(luò)曲線在各個_的均值,步驟33、獲取輸入信號經(jīng)過第B次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第jt次篩選后的剩余函數(shù)
4.根據(jù)權(quán)利要求2所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法， 其特征在于，步驟24的中丑皿=0.25。
5.根據(jù)權(quán)利要求1所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法， 其特征在于，步驟三中的梯度變換采用Sobel算子。
6.根據(jù)權(quán)利要求1所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法， 其特征在于，步驟四中對所述封閉特征區(qū)域進(jìn)行兩次掃描，獲取所述封閉特征區(qū)域上邊界 的采樣點(diǎn)和下邊界的采樣點(diǎn)的過程為第一次掃描為粗定位，用于確定所述封閉特征區(qū)域的基本區(qū)域，所述基本區(qū)域的邊界 包括整個目標(biāo)邊界以及一些多余的組織邊緣，第二次掃描為精細(xì)定位，對所述基本區(qū)域進(jìn)行重新掃描，用于定位目標(biāo)邊界的上限和 下限，進(jìn)而獲得基本區(qū)域的上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)。
7.根據(jù)權(quán)利要求1或6所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方 法，其特征在于，步驟五中的用最小二乘法對所述封閉特征區(qū)域上邊界的采樣點(diǎn)和下邊界 的采樣點(diǎn)分別進(jìn)行擬合的過程相同，上邊界的采樣點(diǎn)擬合出特征區(qū)域上邊界，下邊界的采 樣點(diǎn)擬合出特征區(qū)域下邊界，以下將上邊界的采樣點(diǎn)和下邊界的采樣點(diǎn)統(tǒng)稱為采樣點(diǎn)X，按 如下公式獲取特征區(qū)域的邊緣曲線 其中，ao、a1和a2為系數(shù)。
全文摘要
基于經(jīng)驗(yàn)?zāi)B(tài)分解獲取圖像特征并測量相應(yīng)物理參數(shù)方法，屬于圖像處理領(lǐng)域，本發(fā)明為解決現(xiàn)有通過圖像分割提取圖像特征的方法由于成像對象不均勻性以及圖像噪聲，無法分離特征層，導(dǎo)致提取圖像特征及測量相關(guān)參數(shù)的精度低的問題，本發(fā)明一、對圖像進(jìn)行自適應(yīng)灰度拉伸，形成高對比度的圖像，二、進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲取IMF1，三、對IMF1進(jìn)行梯度變換和分水嶺分割，以得到封閉連續(xù)的特征輪廓曲線，四、兩次掃描，獲取上邊界和下邊界的采樣點(diǎn)，五、用最小二乘法擬合，完成被測圖像的特征層的提取，六、根據(jù)對擬合后的曲線進(jìn)行橫向掃描，均勻取多個采樣點(diǎn)，獲取上、下邊界差值這一物理參數(shù)。
文檔編號G06T7/00GK101872425SQ20101024008
公開日2010年10月27日 申請日期2010年7月29日 優(yōu)先權(quán)日2010年7月29日
發(fā)明者馮乃章, 沈毅, 金晶, 高欣 申請人:哈爾濱工業(yè)大學(xué)