论文部分内容阅读
摘要受图像学和视觉注意机制研究成果的启发,本文提出了一种基于图像感兴趣区域的一种检测方法:首先通过度量统计每一个像素点的属性,使用判断像素值与其均值偏离程度的角度,对图像进行分割,通过对显著点的扩充达到对医学病灶图像更好的分析效果,该方法已应用于多幅医学图像的实验,其结果证实该模型的检测效果较好,较能达到相关专业人士预期的效果,为医学界的研究和发展提供了帮助。
中图分类号:TP39文献标识码:A
0 引言
数字图像和互联网的飞速发展,人们对图像信息的检索需求不断扩大,基于内容的图像信息提取是目前国内外的一个研究热点,图像作为重要的信息载体,一方面对于传递信息给我们带来了很大的方便,但另一方面其与日俱增的庞大的数据量,给图像的人工分析带来了很大的困难,所以人们想到使用计算机自动处理图像信息,在该领域的研究中,研究者们发现,图像的观察者只对图像的某一部分感兴趣,在医学中,医生只对病变部位感兴趣,如果能提取出这些区域将大大提高图像处理和分析的效率与准确度,所以ROVC(Regions of Interest CC)技术因此应运而生,本算法研究的重点在于如何根据图像本身的信息找出图像中的重要部分,本文首先对ROVC进行深入探讨,然后对ROVC技术的应用前景进行了展望。
1 感兴趣区域自动提取
文献2用显著点的分布情况作为判断感兴趣区域的依据,显著点主要分布在图像中灰度变化明显的地方,对于浅景图像和简单背景图像来说,显著点能够比较集中地分布在图像中的物体边缘,以及物体内部灰度变换剧烈的地方,而背景区域的显著点很少,因而可以根据显著点的分布来判断图像的感兴趣区域,从而提取有用的信息。
本文就在文献2的基础上为了更好的对医学病灶图像进行分析和处理,提出了基于视觉注意的ROVC检测方法;该方法主要通过像素属性分析从而提取感兴趣部分,图1给出了整个感兴趣区检测方法的框图。
本文主要针对医学图像中,某些器官局部部位或者某些病灶的信息进行处理,如图2所示因为这些图像相对来讲感兴趣区域范围比较小,所以根据每一个像素点的属性,采用扩充并均衡化的方法,是像素点密度增强,从而能够更好的达到医学类图片信息的提取
2 本文算法
2.1 对感兴趣区域的自动提取方法的改进
本文算法用由显著点扩展而来的标记点作为感兴趣区域的判断依据,主要由像素点属性分析、区域均值计算及判断像素点的偏离程度来扩充像素点三部分组成。文章在文献ii的基础上提取图像的感兴趣区域,因为图像中每一个像素点与图像均值的偏离程度不同,通过仿真实验设置出一个ROVC参数K,只要像素点的像素值小于ROVC参数,就自动在此像素点增强,滤波处理,颜色空间转换,设置阈值,感兴趣区域提取,图像复原
2.2 算法流程
A原始图像增强
①计算出图像中每一个像素点的像素值 f (x,y);
②假设图像中像素点的个数为n,计算出整幅图像的像素均值m;
③根据均值m和像素点f(x,y)的像素值,可以均衡出图像中每一个像素点与其均值的偏离程度,
④iff(i,j) f’(i+1,j+1) = f(i,j) + m(1,1)/10;
B图像显著图
① 将增强后的图像转换成分辨率为512*512的图像以方便可视化及其专业处理。
②滤波任何图像都会有噪声和失真,本文采用中值滤波以避免图像细节的模糊同时也保护图像边缘,滤除随机脉冲噪声,滤波后的图像轮廓比较清晰。
③颜色空间转换 由于HIS颜色空间是从人的视觉角度出发,色调饱和度及其亮度来描述颜色,它比RGB颜色空间更具有可视性,因此处理后的图像本文将RGB颜色空间转换到HIS颜色空间。
④显著图的生成。(下转第125页)(上接第96页)
C感兴趣区域提取
①阈值分割
f(x)=0S(x) f(x)=1S(x)≥threshold(6)
threshold=E(S)
②显著图锁定
③图像恢复
将2.2-A算法逆转,去掉扩充像素信息,回复原始像素点。
3 实验结果和结论
4 结论
(1)可以看出,对于医学图像本文算法还能较好的显示出图像中的感兴趣区域,尤其是是对于类似这种简单的背景图像,本文方法更加明显,当然,本文所提方法还比较初步,主要解决的是针对背景图像较为简单的图像,对于图像复杂度较高的图像还需要进一步改进,如何使用颜色信息、如何进一步提高感兴趣区域和背景的区分度等。
(2)同区域增长算法提取显著区域运行时间的比较:
基于像素的区域生长法:8.5369375
基于子区域的区域生长算法:5.0584375
本文算法:4.57162
参考文献
[1]张红梅,卞正中,郭佑民.感兴趣区域高效提取算法[J].软件学报,2005.16(1): 77-88.
[2]桂长青,宋余庆,陈健美.基于环形分割的医学图像检索[J].江苏大学学报(自然科学版), 2008.29(2):155-159.
[3]HIRANO S, TSUMOTO S. Rough representation of a region of interest inmedical images[J].International Journal of Approxmi ate Reasoning,2005.24(4):23-34.
中图分类号:TP39文献标识码:A
0 引言
数字图像和互联网的飞速发展,人们对图像信息的检索需求不断扩大,基于内容的图像信息提取是目前国内外的一个研究热点,图像作为重要的信息载体,一方面对于传递信息给我们带来了很大的方便,但另一方面其与日俱增的庞大的数据量,给图像的人工分析带来了很大的困难,所以人们想到使用计算机自动处理图像信息,在该领域的研究中,研究者们发现,图像的观察者只对图像的某一部分感兴趣,在医学中,医生只对病变部位感兴趣,如果能提取出这些区域将大大提高图像处理和分析的效率与准确度,所以ROVC(Regions of Interest CC)技术因此应运而生,本算法研究的重点在于如何根据图像本身的信息找出图像中的重要部分,本文首先对ROVC进行深入探讨,然后对ROVC技术的应用前景进行了展望。
1 感兴趣区域自动提取
文献2用显著点的分布情况作为判断感兴趣区域的依据,显著点主要分布在图像中灰度变化明显的地方,对于浅景图像和简单背景图像来说,显著点能够比较集中地分布在图像中的物体边缘,以及物体内部灰度变换剧烈的地方,而背景区域的显著点很少,因而可以根据显著点的分布来判断图像的感兴趣区域,从而提取有用的信息。
本文就在文献2的基础上为了更好的对医学病灶图像进行分析和处理,提出了基于视觉注意的ROVC检测方法;该方法主要通过像素属性分析从而提取感兴趣部分,图1给出了整个感兴趣区检测方法的框图。
本文主要针对医学图像中,某些器官局部部位或者某些病灶的信息进行处理,如图2所示因为这些图像相对来讲感兴趣区域范围比较小,所以根据每一个像素点的属性,采用扩充并均衡化的方法,是像素点密度增强,从而能够更好的达到医学类图片信息的提取
2 本文算法
2.1 对感兴趣区域的自动提取方法的改进
本文算法用由显著点扩展而来的标记点作为感兴趣区域的判断依据,主要由像素点属性分析、区域均值计算及判断像素点的偏离程度来扩充像素点三部分组成。文章在文献ii的基础上提取图像的感兴趣区域,因为图像中每一个像素点与图像均值的偏离程度不同,通过仿真实验设置出一个ROVC参数K,只要像素点的像素值小于ROVC参数,就自动在此像素点增强,滤波处理,颜色空间转换,设置阈值,感兴趣区域提取,图像复原
2.2 算法流程
A原始图像增强
①计算出图像中每一个像素点的像素值 f (x,y);
②假设图像中像素点的个数为n,计算出整幅图像的像素均值m;
③根据均值m和像素点f(x,y)的像素值,可以均衡出图像中每一个像素点与其均值的偏离程度,
④iff(i,j)
B图像显著图
① 将增强后的图像转换成分辨率为512*512的图像以方便可视化及其专业处理。
②滤波任何图像都会有噪声和失真,本文采用中值滤波以避免图像细节的模糊同时也保护图像边缘,滤除随机脉冲噪声,滤波后的图像轮廓比较清晰。
③颜色空间转换 由于HIS颜色空间是从人的视觉角度出发,色调饱和度及其亮度来描述颜色,它比RGB颜色空间更具有可视性,因此处理后的图像本文将RGB颜色空间转换到HIS颜色空间。
④显著图的生成。(下转第125页)(上接第96页)
C感兴趣区域提取
①阈值分割
f(x)=0S(x)
threshold=E(S)
②显著图锁定
③图像恢复
将2.2-A算法逆转,去掉扩充像素信息,回复原始像素点。
3 实验结果和结论
4 结论
(1)可以看出,对于医学图像本文算法还能较好的显示出图像中的感兴趣区域,尤其是是对于类似这种简单的背景图像,本文方法更加明显,当然,本文所提方法还比较初步,主要解决的是针对背景图像较为简单的图像,对于图像复杂度较高的图像还需要进一步改进,如何使用颜色信息、如何进一步提高感兴趣区域和背景的区分度等。
(2)同区域增长算法提取显著区域运行时间的比较:
基于像素的区域生长法:8.5369375
基于子区域的区域生长算法:5.0584375
本文算法:4.57162
参考文献
[1]张红梅,卞正中,郭佑民.感兴趣区域高效提取算法[J].软件学报,2005.16(1): 77-88.
[2]桂长青,宋余庆,陈健美.基于环形分割的医学图像检索[J].江苏大学学报(自然科学版), 2008.29(2):155-159.
[3]HIRANO S, TSUMOTO S. Rough representation of a region of interest inmedical images[J].International Journal of Approxmi ate Reasoning,2005.24(4):23-34.