基干形态滤波及Sobel算子微钙化簇边缘检测算法.docVIP

基干形态滤波及Sobel算子微钙化簇边缘检测算法 　　摘 要： 以数字化医学X光片为例，检测和确定图像中癌症标志物―微钙化簇（MCC）的位置和数量。在算法上，主要采用“对比度增强―Tophat滤波―边缘检测―确定MCC数量”四个步骤来实现。首先采用限制对比度自适应直方图均衡（CLAHE）算法增强图像对比度，再用Tophat形态学滤波增强图像细节以区分背景区域，然后采用Sobel梯度算子和形态学操作进行边缘检测，最后确定微钙化点的边缘和MCC的数量 关键词： 微钙化簇； 数学形态学； 滤波； 边缘检测； Sobel梯度算子 中图分?号：TP391.7 文献标志码：A 文章编号：1006-8228（2017）03-65-03 Abstract： In this paper， the digital medical image is used as an example to detect and determine the cancer markers micro calcification clusters’ （MCC） position and quantity in an image. The algorithm consists of four steps， contrast enhancement， Tophat filtering， edge detection and the number determination of MCC. Firstly， the image contrast is enhanced by using contrast limited adaptive histogram equalization （CLAHE） algorithm， and next the details of the image are enhanced by using the Tophat morphological filter to distinguish the background area， and then the edges are detected with Sobel gradient operator and morphological operations， finally the edges and the number of MCC are determined. Key words： micro calcification cluster； mathematical morphology； filtering； edge detection； Sobel gradient operator 0 引言 根据《Cancer statistics in China，2015》报告，癌症正成为中国首位的死亡原因和一个重要的公共卫生问题，女性中最普遍的5种癌症依次为：乳腺癌，肺和支气管癌，胃癌，结直肠癌，食道癌，这些占到了所有癌症病例的60%。单是乳腺癌就占到了所有女性癌症的15%[1]。而早期治疗仍然是癌症治愈的关键，因此，癌症的早期确诊和良恶性判断变得尤为重要，以女性乳腺X光片的检测为例，微钙化是癌症标志物，通常，将一平方厘米出现3个以上微钙化点作为恶性诊断的依据。经过多年研究，医学工作者和计算机图像处理技术的专业人员研究了很多医学辅助CAD系统，运用了基于小波、高斯滤波、人工神经网络，以及纹理分析、数学形态学和模糊逻辑[2]等等原理或算法，进行微钙化的检测 本文以数字化乳腺X光片为例，研究主要包含两个方面：第一，将图像中的ROI进行处理为了得到可疑微钙化（MCC）内容；第二，计算可疑微钙化（MCC）的位置和数量 1 主要方法 1.1 对比度增强 由于X光片灰度图像对比度较差，微钙化点经常隐藏于背景图像中，所以图像处理第一步就是对ROI可疑区域先进行对比度增强操作。这里采用限制对比度自适应直方图均衡（CLAHE）算法。尽管自适应直方图均衡化（AHE）算法[3]被证明非常适合于改进图像的局部对比度以获得更多的图像细节，但该算法通常会导致过度放大噪声，会导致诊断假阳性的增多。而CLAHE可以通过限制AHE算法的对比提高程度来克服这个问题。在算法上，在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的，这个斜度与领域的累积直方图的斜度是成比例的。CLAHE算法通过在计算像素周边的累积直方图函数（CDF）前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的[4]。图1（a）和（b）分别是原始ROI图像和CLAHE算法增强后的图像 1.2 TOPHAT滤波 形态学中的Top-Hat算子是一种极好的高通滤波算子，利用该算子通过选择合