一种脊柱内镜影像自动增强方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种脊柱内镜影像自动增强方法。

背景技术

X光成像技术是目前临床上常见的一种影像学辅助检查手段，其中所使用的X射线属于一种电磁波。由于X射线可以穿透人体组织，而人体的不同组织对X光有不同的吸收程度，可以呈现出不同颜色的影像的特征，所以用于临床各类疾病的检查和诊断。而由于X光图像在其形成过程中往往会受到各种因素的影响，出现图像模糊、亮度暗淡等质量下降的现象，因此需要对X光图像进行图像增强。

常用的图像增强方法为全局直方图均衡化，由于X光图像中目标区域与非目标区域的对比度分布不平衡，导致对于整幅图像的全局直方图均衡化经常会过度增强非目标区域的对比度，从而无法使目标区域的细节达到理想的增强效果。而对于脊柱内镜影像，脊柱区域是目标区域，本发明通过图像处理技术，对X光图像进行边缘检测，根据脊柱区域特征将脊柱区域分割出来的前景区域和背景区域分别进行不同程度的直方图均衡化增强，达到对图像精准增强的目的。

发明内容

本发明提供一种脊柱内镜影像自动增强方法，以解决现有的问题。

本发明的一种脊柱内镜影像自动增强方法采用如下技术方案：

本发明一个实施例提供了一种脊柱内镜影像自动增强方法，该方法包括以下步骤：

获取脊柱X光图像，对其进行灰度化得到灰度图像；

根据灰度图像进行边缘检测得到边缘检测图像；根据边缘检测图像得到连通域；根据连通域的像素点数量得到每个连通域的边缘像素点数量指标；根据弗里曼链码对连通域进行方向统计，得到每个连通域的最大理论半径；根据最小包围圆半径与理论最大半径得到每个连通域的线形程度指标；根据边缘像素点数量指标与线形程度指标得到每个连通域的目标程度；

根据目标程度对每个连通域进行阈值筛选得到初始连通域；根据初始连通域得到每两个初始连通域之间的相关性；根据相关性对初始连通域进行阈值筛选得到脊柱初始连通域对；根据初始连通域对得到灰度图像中的前景区域与背景区域；

根据前景区域与背景区域进行不同程度直方图均衡化得到增强图像。

优选的，所述根据连通域的像素点数量得到每个连通域的边缘像素点数量指标，具体的获取方法为：

将边缘检测图像中的所有的灰度值不为0的像素点记为边缘像素点，将每个连通域中边缘像素点的数量记为第一数量；将第一数量作为反正切三角函数的自变量的计算结果记为第一结果；将第一结果与

优选的，所述根据弗里曼链码对连通域进行方向统计，得到每个连通域的最大理论半径，具体的获取方法为：

若弗里曼链码存在偶数数值与奇数数值时，将偶数数值的边缘像素点全部记为沿0方向分布的边缘像素点，奇数数值的边缘像素点全部记为沿3方向分布的边缘像素点，则沿着两个方向分布的边缘像素点所构成的最大欧式距离的一半距离长度记为每个连通域的最大理论半径；若弗里曼链码仅存在偶数数值时，则将偶数数值的边缘像素点记为沿0方向分布的边缘像素点，其边缘像素点所构成的最大欧式距离的一半距离长度记为每个连通域的最大理论半径；若弗里曼链码仅存在奇数数值时，则将奇数数值的边缘像素点记为沿3方向分布的边缘像素点，其边缘像素点所构成的最大欧式距离的一半距离长度记为每个连通域的最大理论半径，得到每个连通域的最大理论半径。

优选的，所述根据最小包围圆的半径与理论最大半径得到每个连通域的线形程度指标，具体的获取方法为：

将每个连通域的最小包围圆半径与最大理论半径的比值记为每个连通域的线形程度指标。

优选的，所述每个连通域的最小包围圆半径，具体的获取方法为：

将每个连通域中欧式距离取最大值时对应的两个边缘像素点记为初始像素点对，并将对应的欧式距离的一半距离长度记为第一半径；然后将第一直径上的中点记为初始圆心点；然后将每个连通域中与初始圆心点形成的欧式距离最大的边缘像素点记为第一外点，并将对应的欧式距离记为第二半径；若第二半径大于第一半径，则以初始圆心点为最小包围圆心，第二半径为最小包围圆半径的圆记为每个连通域的最小包围圆；若第二半径小于或等于第一半径，则以初始圆心点为最小包围圆心，第一半径为最小包围圆半径的圆记为每个连通域的最小包围圆，得到每个连通域的最小包围圆半径。

优选的，所述根据边缘像素点数量指标与线形程度指标得到每个连通域的目标程度，具体的获取方法为：

将每个连通域的线性程度指标与边缘像素点数量指标相乘，得到的相乘结果记为每个连通域的目标程度。

优选的，所述根据初始连通域得到每两个初始连通域之间的相关性，具体的获取方法为：

将第j个初始连通域与第j+1个初始连通域的目标程度的相乘结果记为第一乘积；将第j个初始连通域与第j+1个初始连通域的边缘像素点数量的求和结果记为第二数量；将第一乘积与第二数量的乘积结果记为第二乘积；将第j个初始连通域与第j+1个初始连通域之间最近两点的欧式距离记为第一分母；将第二乘积与第一分母的比值记为第j个初始连通域与第j+1个初始连通域的相关性，得到所有初始连通域中任意两初始两连通域之间的相关性。

本发明的技术方案的有益效果是：通过对边缘检测图像中边缘连续性以及线性程度的分析，以较小的计算量获取到更加准确脊柱边缘对图像进行分割。通过对前景区域和背景区域进行不同程度的直方图均衡化实现了对X光图像中前景区域的增强和背景区域的减弱，达到了更好的增强效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种脊柱内镜影像自动增强方法的步骤流程图；

图2为本发明的脊柱X光图像的灰度图像；

图3为本发明的脊柱X光图像在一种边缘检测强度下的边缘检测图像；

图4为本发明的线形程度示意图；

图5为本发明的弗里曼链码方向序列示意图；

图6为本发明的最大理论半径示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种脊柱内镜影像自动增强方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种脊柱内镜影像自动增强方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种脊柱内镜影像自动增强方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取脊柱X光图像，对其进行灰度化得到灰度图像。

需要说明的是，X光成像技术是目前临床上常见的一种影像学辅助检查手段，其中所使用的X射线属于一种电磁波。由于X射线可以穿透人体组织，而人体的不同组织对X光有不同的吸收程度，可以呈现出不同颜色的影像的特征，所以用于临床各类疾病的检查和诊断。而由于X光图像在其形成过程中往往会受到各种因素的影响，出现图像模糊、亮度暗淡等质量下降的现象，因此需要对X光图像进行图像增强。

常用的图像增强方法为全局直方图均衡化，由于X光图像中目标区域与非目标区域的对比度分布不平衡，导致对于整幅图像的全局直方图均衡化经常会过度增强非目标区域的对比度，从而无法使目标区域的细节达到理想的增强效果。对于脊柱内镜影像，脊柱区域往往是更需要关注的部分，即目标区域。本实施例通过图像处理技术，对X光图像进行边缘检测，根据脊柱区域特征将脊柱区域进行分割得到前景区域与背景区域，然后对前景区域和背景区域分别进行不同程度的直方图均衡化增强，达到对图像精准增强的目的。而X光图像一般可采用界面截图的方式，进行位图转换的数字化图像。将得到的数字化图像进行灰度化得到灰度图像，转化为灰度图像能够大幅降低内存消耗，简化操作，后续的图像操作均是在灰度图像进行。

具体的，获取脊柱X光图像的灰度图像的具体过程为：对实验人员使用X光机进行拍摄，捕捉相应的X光影像数据，然后将数据传送至计算机系统生成脊柱X光图像的原图像，然后通过线性灰度变换，得到脊柱X光图像的灰度图像，请参阅图2，其示出了脊柱X光图像的灰度图像。

至此，得到脊柱X光图像的灰度图像。

步骤S002：对灰度图像进行边缘检测，根据图像边缘的连通性得到目标程度。

需要说明的是，由于脊柱内镜影像的脊柱区域在灰度图像中存在更加明显的边缘区域范围，因此对灰度图像进行边缘检测，可以得到相对明显的脊柱区域，而其他区域不会存在像脊柱区域这样明显的边缘。又因脊柱区域相对其他区域的边缘区域部分保留较完整，脊柱区域边缘区域的边缘像素点之间的连通性较好，因此可以通过对边缘检测图像中边缘像素点的连通性和连通域之间的相关性可以获取较为完整的脊柱区域分割图像。

1、根据灰度图像得到边缘检测图像的所有连通域。

需要说明的是，相比与其他核大小为

具体的，获取边缘检测图像以及对应的所有连通域的具体过程为：预设一个边缘检测强度T1，其中本实施例以T1=0.05为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定。对灰度图像进行边缘检测强度T1的Roberts算子边缘检测，得到灰度图像对应的边缘检测图像，请参阅图3，其示出了本发明一个实施例中脊柱X光图像在一种边缘检测强度下的边缘检测图像，即边缘检测强度设置为0.05。然后对边缘检测图像进行洪水填充法得到边缘检测图像的所有连通域。

需要补充说明的是，Roberts算子边缘检测与洪水填充法均为现有技术，本实施例不再进行叙述。

至此，通过上述方法可以得到边缘检测图像的所有连通域。

2、根据连通域中边缘像素点数量指标与连通域的线性程度得到属于脊柱区域的连通域。

需要说明的是，在上述获取的边缘检测图像的所有连通域中，由于属于脊柱区域的连通域中的边缘像素点数量较多且连通域的形状趋近于线形，而不属于脊柱区域的连通域中的边缘像素点数量较少且连通域的形状呈不规则形状表现。所以可以根据连通域中边缘像素点的数量与所在连通域的形状来得到属于脊柱区域的连通域。

1）获得边缘像素点数量指标。

具体的，获取连通域中边缘像素点数量指标的具体过程为：将边缘检测图像中的所有的灰度值不为0的像素点记为边缘像素点，将每个连通域中边缘像素点的数量记为第一数量；将第一数量作为反正切三角函数的自变量的计算结果记为第一结果；将第一结果与

至此，通过上述方法可以得到每个连通域的边缘像素点数量指标。

2）获得线形程度指标。

需要说明的是，只有在连通域的边缘像素点数量指标达到一定程度时，对应连通域的形状越接近线形才更有可能是脊柱区域；反之，则极有可能是噪声区域干扰。请参阅图4，其示出了线形程度示意图。

在图4中，在两个连通域包含的边缘像素点数量相同的情况下，由于边缘像素点分布越趋近于一条直线，则这些边缘像素点所构成的最小包围圆的半径越大；反之，则半径越小。所以可以根据最小包围圆的半径得到每个连通域的线形程度。

进一步需要说明的是，对于图像中的各个连通域，通过分析其连通情况计算获取其理论最大半径。弗里曼链码是一种所需计算量小、能够良好地反映边缘连通情况的边缘链码，通过提取边缘的弗里曼链码获取边缘内部的连通情况。请参阅图5，其示出了弗里曼链码方向序列示意图；请参阅图6，其示出了最大理论半径示意图。

在图5中，将连通域整体均匀分为八个方向，即图5中数字0到7分别表示对应的八个方向，其中奇数数值表示斜向分布的边缘像素点，偶数数值表示纵向或横向的分布的边缘像素点。在图6中Co表示弗里曼链码中奇数的数量，Ce表示弗里曼链码偶数的数量，通过弗里曼链码中奇数和偶数的数量如图6所示构建三角形，即可获得最大理论半径。

具体的，以第i个连通域为当前连通域进行叙述，获取连通域的最大理论半径的具体过程：若弗里曼链码存在偶数数值与奇数数值时，将偶数数值的边缘像素点全部记为沿0方向分布的边缘像素点，奇数数值的边缘像素点全部记为沿3方向分布的边缘像素点，则沿着两个方向分布的边缘像素点所构成的最大欧式距离的一半距离长度记为当前连通域的最大理论半径；若弗里曼链码仅存在偶数数值时，则将偶数数值的边缘像素点记为沿0方向分布的边缘像素点，其边缘像素点所构成的最大欧式距离的一半距离长度记为当前连通域的最大理论半径；若弗里曼链码仅存在奇数数值时，则将奇数数值的边缘像素点记为沿3方向分布的边缘像素点，其边缘像素点所构成的最大欧式距离的一半距离长度记为当前连通域的最大理论半径。另外需要说明的是，欧式距离与弗里曼链码是现有技术，本实施例不再进行叙述。

至此，通过上述方法得到当前连通域的最大理论半径，得到每个连通域的最大理论半径。

进一步，获取连通域的最小包围圆的具体过程为：将当前连通域中欧式距离取最大值时对应的两个边缘像素点记为初始像素点对，并将对应的欧式距离的一半距离长度记为第一半径；然后将第一直径上的中点记为初始圆心点；然后将当前连通域中与初始圆心点形成的欧式距离最大的边缘像素点记为第一外点，并将对应的欧式距离记为第二半径；若第二半径大于第一半径，则以初始圆心点为最小包围圆心，第二半径为最小包围圆半径的圆记为当前连通域的最小包围圆；若第二半径小于或等于第一半径，则以初始圆心点为最小包围圆心，第一半径为最小包围圆半径的圆记为当前连通域的最小包围圆。

至此，通过上述方法得到当前连通域的最小包围圆以及最小包围圆半径，得到每个连通域的最小包围圆半径。

具体的，根据当前连通域的最小包围圆半径与最大理论半径得到当前连通域的线形程度指标的具体过程为：将当前连通域的最小包围圆半径与最大理论半径的比值记为当前连通域的线形程度指标。

至此，通过上述方法得到当前连通域的线形程度指标，得到每个连通域的线形程度指标。

进一步需要说明的是，若第i个连通域的线形程度指标较大时，仅能说明当前连通域的形状趋近于线形。在此基础上，若当前连通域的边缘像素点数量指标较小时，则说明当前连通域所包含的边缘像素点数量较少，当前连通域虽有可能是脊柱区域的连通域，但更有可能是噪声点区域；若当前连通域的边缘像素点数量指标较大时，则说明当前连通域所包含的边缘像素点数量较多，当前连通域是脊柱区域的连通域的可能性较大，属于其他区域的连通域可能性较小。因此，需要根据连通域的边缘像素点数量指标得到连通域属于脊柱区域的目标程度。

具体的，获取连通域属于脊柱区域的目标程度的具体过程为：将当前连通域的线性程度指标与边缘像素点数量指标相乘，得到的相乘结果记为当前连通域的目标程度。

至此，通过上述方法得到当前连通域的目标程度，得到每个连通域的目标程度。

步骤S003：根据目标程度得到初始连通域，根据初始连通域得到脊柱区域。

需要说明的是，根据步骤S002所述的目标程度，可以初步得到属于脊柱区域的初始连通域。在这些初始连通域中，大部分初始连通域呈较为紧密地分布，小部分初始连通域是较为分散地分布，其中这些较为紧密分布的初始连通域是目标连通域，这些较为分散分布的初始连通域是干扰连通域，因此可以根据初始连通域之间的距离通过分析初始连通域的相关性得到真正属于脊柱区域的脊柱连通域。

具体的，预设一个目标程度阈值T2，其中本实施例以T2=0.5为例进行叙述，本实施例不进行具体限定，其中T2可根据具体实施情况而定。若当前连通域的目标程度大于T2，则当前连通域为初始连通域。

至此，通过上述方法得到边缘检测图像中所有的初始连通域。

进一步，以第j个初始连通域与第j+1个初始连通域为例进行叙述，获取两个初始连通域之间的相关性的具体过程为：将第j个初始连通域与第j+1个初始连通域的目标程度的相乘结果记为第一乘积；将第j个初始连通域与第j+1个初始连通域的边缘像素点数量的求和结果记为第二数量；将第一乘积与第二数量的乘积结果记为第二乘积；将第j个初始连通域与第j+1个初始连通域之间最近两个边缘像素点的欧式距离记为第一分母；将第二乘积与第一分母的比值记为第j个初始连通域与第j+1个初始连通域的相关性，得到所有初始连通域中任意两初始连通域之间的相关性。预设一个相关性阈值T3，其中本实施例以T3=1为例进行叙述，本实施例不进行具体限定，其中T3可根据具体实施情况而定。若第j个初始连通域与第j+1个初始连通域之间的相关性大于T3，则第j个初始连通域与第j+1个初始连通域为一对脊柱初始连通域对。

至此，通过上述方法得到边缘检测图像中所有的脊柱初始连通域对。

将所有脊柱初始连通域对所构成的并集记为第一并集，将第一并集中包含的所有初始连通域记为脊柱连通域。

至此，通过上述方法得到由脊柱连通域围成的脊柱区域。

步骤S004：根据脊柱区域得到图像前景区域和图像背景区域，并进行不同程度直方图均衡化得到增强图像。

需要说明的是，步骤S003所述的脊柱区域在灰度图像中存在相对应的区域，该区域是需要增强的区域，为了提高脊柱区域的灰度值对比，压缩背景区域的显示效果，可通过调整直方图均衡化的灰度值范围将脊柱区域和背景区域进行不同程度的增强。

具体的，调整直方图均衡化的具体过程为：将获取的脊柱区域在灰度图像中对应的区域记为前景区域，将灰度图像中剩余的区域记为背景区域；将前景区域直方图均衡化的灰度值范围调整为初始灰度范围的1.5倍，然后在前景区域进行调整灰度值范围后的局部直方图均衡化；将背景区域直方图均衡化的灰度值范围调整为初始灰度范围的0.8倍，然后在背景区域进行调整灰度值范围后的局部直方图均衡化。

至此，通过上述方法得到增强图像。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。