基于改進Canny算子的醫(yī)學圖像邊緣檢測算法

錢紅瑩

摘 要：邊緣檢測作為圖像分割的一部分，能夠用于醫(yī)學圖像診斷。在醫(yī)學圖像獲取過程中不可避免地會出現(xiàn)一些高頻噪聲，從而對屬于高頻分量的邊緣產(chǎn)生干擾。傳統(tǒng)Canny算子在高斯濾波去噪時會濾除一些邊緣信息，且需要人為設(shè)定高斯濾波方差及高低閾值，缺乏自適應性。通過采用自適應中值濾波去噪，以及采用Sobel算子計算梯度幅值方向，并利用非極大值抑制對圖像進行細化，最后利用Otsu計算圖像高低閾值，從而對Canny算子進行改進，并在醫(yī)學圖像上進行實驗。結(jié)果證明，該方法能更準確地檢測邊緣信息，且具備較強的自適應性。

關(guān)鍵詞：Canny算法;自適應中值濾波;邊緣檢測;Otsu;醫(yī)學圖像

DOI：10. 11907/rjdk. 181912

中圖分類號：TP312文獻標識碼：A文章編號：1672-7800（2019）002-0045-04

Abstract： As a part of image segmentation， edge detection can be applied to medical image diagnosis. Inevitably， there will be some high-frequency noises in the acquisition of medical images. Thus it will interferes the edge which belongs to the high frequency component.The traditional Canny operator will filter some edge information when use Gauss filter， and need to determine the variance of Gauss filtering and the high and low threshold by artificial setting， there is no self-adaptive. By using the adaptive median filter for denoising， sobel operator to calculate gradient amplitude direction， non maximum value suppression of thinning image， otsu calculate the high and low threshold to improve the Canny operator， and do experiments on the medical image. Experiments show that the proposed algorithm can detect edge information more accurately and has stronger adaptability.

Key Words： Canny algorithm; adaptive median filter; edge detection; Otsu; medical image

0 引言

邊緣檢測是圖像分割中一種可用于識別灰度圖像中亮度變化明顯的界限，剔除無關(guān)信息，保留圖像整體結(jié)構(gòu)屬性的方法。邊緣檢測技術(shù)應用十分廣泛，可以從遙感圖像中檢測出湖泊邊界，以了解海洋、河流、湖泊等水量變化[1];可以對道路標線進行自動識別及定位，以消除橫向定位誤差;能夠進行運動目標檢測與跟蹤，以及人臉識別與指紋識別等[2-6]。醫(yī)學數(shù)字圖像有很多不同成像方式，可通過磁共振成像、正電子發(fā)射斷層掃描、計算機斷層掃描、X射線、超聲等方式得到醫(yī)學圖像，從而進行診斷[7]。邊緣檢測技術(shù)常應用于醫(yī)學圖像分割，以便更直觀、清晰地進行對圖像診斷。

Prewitt、Sobel、Roberts、Kirsch、Laplace等是一些經(jīng)典邊緣檢測算子[8-9]，這些算法簡單且容易實現(xiàn)，但對噪聲比較敏感，去噪能力較差，容易出現(xiàn)偽邊緣，檢測精度不高，實際圖像處理效果不佳[10]。Nes等[11]提出一種醫(yī)學超聲信號的多尺度邊緣檢測方法，根據(jù)連續(xù)小波變換的性質(zhì)，對小波變換極大值進行研究，以實現(xiàn)對重要邊緣的檢測。雖然該方法能夠有效檢測出醫(yī)學圖像主要特性，但圖像邊緣對比度較低;Hiremath等[12]提出在卵巢超聲圖像中自動檢測卵泡的算法，其過程包括圖像預處理、圖像分割、特征提取與分類，但在預處理過程中采用高斯低通濾波無法很好地保護邊緣信息;賀萌等[13]提出的多尺度結(jié)構(gòu)元自適應邊緣檢測方法可以計算出各結(jié)構(gòu)元權(quán)值，并檢測出有噪聲干擾圖像中的弱邊緣，但對比度較差。因此，本文提出一種基于改進Canny算子的醫(yī)學圖像邊緣檢測算法，該算法能夠自適應性地檢測出對比度較高的邊緣，同時保護邊緣信息。

1 傳統(tǒng)Canny邊緣檢測算法

Canny算法是最成功的邊緣檢測器之一，主要通過高斯濾波、梯度計算、非極大值抑制以及高低閾值設(shè)定4個步驟完成邊緣檢測[14-15]。該算法性能很大程度上取決于高斯濾波器的σ參數(shù)與高低閾值設(shè)置。雖然傳統(tǒng)Canny算子具有較好的邊緣檢測效果，但也存在一些缺陷，主要包括：

（1）數(shù)字圖像在處理前需要進行高斯濾波，在此過程中，方差[σ]的取值要求人為設(shè)定，但人為設(shè)定[σ]時，在濾除噪聲與保護邊緣信息方面存在一定局限性，兩者效果不能兼顧[16]。

（2）Canny邊緣檢測算子不適用于對部分散斑噪聲的濾除。因為高斯濾波無法很好地去除該噪聲，所以許多檢測到的邊緣實際上是噪聲。

（3）使用2*2領(lǐng)域一階偏導有限差分計算梯度時，噪聲對圖像影響較大，容易出現(xiàn)一些假邊緣，反而導致真實邊緣信息丟失[17]。

（4）傳統(tǒng)Canny算法在閾值化處理時的高低閾值要求人為設(shè)置，當檢測圖像發(fā)生變化時需設(shè)置合適的閾值，因此自適應能力較差，進行實際的圖像處理時過程比較繁瑣，并且在有些情況下無法得到較好結(jié)果[18]。

綜上所述，傳統(tǒng)Canny算子人為設(shè)置的σ及高低閾值大小會對圖像邊緣檢測結(jié)果造成很大影響，檢測結(jié)果可能會刪除真實邊緣信息而出現(xiàn)一些偽邊緣。

2 改進Canny邊緣檢測算法

本文針對上述缺陷提出一種改進的Canny邊緣檢測算法，在去噪時盡可能保留邊緣信息并增強自適應性。該算法檢測流程如圖1所示。

2.1 自適應中值濾波

利用自適應中值濾波對圖像進行平滑處理，在改變模版窗口大小的同時，采用不同方法對噪聲點與信號點進行處理，從而達到去噪效果[19]。該方法在去除椒鹽噪聲的同時，能夠很好地對其它非脈沖噪聲進行平滑，并且能夠盡量保護真實邊緣信息，避免出現(xiàn)細化或粗化邊緣的現(xiàn)象。

中值濾波的自適應是通過在去噪時改變模版窗口大小使濾波器輸出一個值，并用輸出值代替模板中心點（x，y）處的值實現(xiàn)的，具體實施步驟如下：

（1）初始化模版窗口Sxy大小為3，利用工具使當前模版窗口中的灰度值按大小順序排列，并得出Zmin、Zmax、Zmed所對應的灰度值大小。

（2）如果滿足Zmed>Zmin，ZmedZmin，Zxy< Zmax是否成立，若成立則輸出Zxy，若不成立則輸出Zmed。

（3）如不滿足Zmed>Zmin，Zmed

其中，Zxy是信號點（x，y）灰度值，Sxy是當前模版窗口，Smax是模版窗口最大值，Zmin、Zmax和Zmed分別為模版窗口中灰度的最大值、最小值和中值。

2.2 Sobel算子梯度計算

本文利用Sobel算子的一階梯度模板求圖像梯度幅值，其水平與豎直方向模版如圖2所示。

利用模版對濾波后的圖像進行處理，得出在水平方向與豎直方向上的梯度Gradx、Grady，從而得出圖像基于Sobel算子的梯度Grad。其計算方法如式（1）-（3）所示。

其中，Dx、Dy分別為x、y方向上的模版，I為濾波后圖像。

2.3 Otsu求取高低閾值

Otsu算法又稱為最大類間方差法，其主要分割方法是利用圖像灰度信息將圖像分為目標與背景，并計算其方差[20-21]。以設(shè)定閾值t將一幅圖像分割為目標與背景，目標點所占比例及均值、背景點所占比例及均值分別為w0、u0、w1、u1，則整幅圖像均值u=w0*u0+w1*u1，其方差可由式（4）表示。

其中[σ（t）2]為目標與背景間方差，目標與背景提取越準確，方差越大。因此，若圖像中出現(xiàn)一定程度的錯誤分割，則會導致相應的類間方差減小。當t取一定值時得到最大的[σ（t）2]值，則t為該圖像最佳閾值，當t取值不唯一時，則取平均值為最佳閾值。Otsu獲得的最佳閾值為高閾值[Th]，并設(shè)置低閾值為[Th2]。

3 實驗過程及結(jié)果分析

在Matlab平臺上分別對不同類型醫(yī)學圖像進行檢測，并與Matlab系統(tǒng)自帶的Canny算子及傳統(tǒng)Canny算法處理后結(jié)果進行比較。

3.1 實驗具體實施過程

以脊椎醫(yī)學圖像為例，利用高斯濾波、常規(guī)中值濾波及自適應中值濾波對添加椒鹽噪聲的圖像進行處理，處理結(jié)果如圖3所示。

對高斯濾波及中值濾波窗口進行人為設(shè)定，從結(jié)果可以看出，自適應中值濾波相較于高斯濾波雖然濾波效果相差不大，但不需要人為設(shè)置[σ]，從而使去噪更具適應性。經(jīng)過常規(guī)中值濾波后的圖像，一些邊緣細節(jié)被模糊，使邊緣信號發(fā)生了較大變化。綜上所述，本文提出的利用自適應中值濾波進行平滑圖像處理效果最佳。

對濾波后的圖像進行基于Sobel算子的梯度計算，結(jié)果如圖4所示。

從實驗中可以看出，梯度圖像在經(jīng)非極大值抑制處理后，其邊緣得到細化。

對經(jīng)非極大值抑制處理后的圖像利用Otsu算法自適應地計算高、低閾值，并連接邊緣，得到的邊緣檢測結(jié)果如圖6所示。

3.2 本文算法與傳統(tǒng)算法在不同醫(yī)學圖像中處理結(jié)果對比

本文分別通過直接調(diào)用Matlab中的Canny邊緣檢測算子、傳統(tǒng)Canny算子與改進Canny算子對脊椎、腦部、肺部、手部等醫(yī)學圖像進行檢測，并分析實驗結(jié)果。實驗結(jié)果如圖7所示。

實驗結(jié)果表明，雖然通過Matlab系統(tǒng)自帶的Canny算子能夠檢測出大體輪廓，但圖像中存在很多虛假邊緣，細節(jié)處的輪廓由于被虛假邊緣掩蓋而無法識別。圖7（a）脊椎圖像中相對灰度較大的圓形區(qū)域已被虛假信息覆蓋，無法觀測其邊緣信息;圖7（d）中手部圖像只能看出手掌輪廓，而未檢測出其手指關(guān)節(jié)處細節(jié)。

傳統(tǒng)Canny算子相比于Matlab自帶的Canny算子，檢測結(jié)果有了很大提高，但邊緣清晰度仍不夠高。從實驗結(jié)果可以看出，圖像中的一些細節(jié)邊緣未能檢測出來。圖7（b）內(nèi)部存在一個灰度較小，類似氣泡的區(qū)域，改進Canny算子能成功檢測出該區(qū)域，而傳統(tǒng)Canny算子無法檢測出該邊緣信息;圖7（c）中改進Canny算子檢測出的邊緣在連續(xù)性上優(yōu)于傳統(tǒng)Canny算子，傳統(tǒng)Canny算子中有許多邊緣不連續(xù);圖7（d）中能明顯觀察到改進Canny算子檢測出的手指內(nèi)部關(guān)節(jié)處信息更加清晰。

綜上所述，本文提出的改進Canny邊緣檢測算子相比于Matlab自帶算子能濾除更多虛假邊緣，使邊緣細節(jié)更加明顯，相比于傳統(tǒng)Canny算子能檢測出更清晰的邊緣以及更多邊緣細節(jié)，并且實現(xiàn)了濾波及高低閾值設(shè)置的自適應性，因此在邊緣檢測中的適用范圍更廣，不需要因圖像改變而重新設(shè)置參數(shù)，即能達到理想檢測效果。

4 結(jié)語

本文對傳統(tǒng)Canny邊緣檢測算子進行改進并應用于醫(yī)學圖像分割，提出通過自適應中值濾波代替高斯濾波，利用Sobel算法進行梯度計算，并進行非極大值抑制處理，最后通過Otsu計算高低閾值進行最終的邊緣檢測。在不同類型醫(yī)學圖像上對該改進算法進行實驗，結(jié)果表明，改進的Canny邊緣檢測算子能夠自適應地進行去噪與高低閾值計算，并能夠消除許多虛假邊緣，保留真實邊緣信息，從而能較好地識別圖像邊緣。由于改進算法的計算復雜程度增加，因此運行過程中需要花費更多計算時間。為了減少運行時間，未來將對程序作進一步優(yōu)化。

參考文獻：

[1]SETIAWAN B D， RUSYDI A N， PRADITYO K. Lake edge detection using canny algorithm and Otsu thresholding[J]. 2017 International Symposium on Geoinformatics （ISyG）， 2017：72-76.

[2] 段軍，張博. 改進的Canny算子邊緣檢測算法研究[J]. 軟件導刊，2018，17（10）： 68-71.

[3] 徐亮，魏銳. 基于Canny算子的圖像邊緣檢測優(yōu)化算法[J]. 科技通報，2013（7）：127-131.

[4] 宋召青，鄭蘇，李志成. 基于邊緣檢測與最小二乘支持向量機的人臉圖像識別[J]. 海軍航空工程學院學報，2010，25（5）：518-522.

[5] 龍順宇，朱星. 基于ARM構(gòu)建Sobel邊緣檢測算子的指紋識別系統(tǒng)實現(xiàn)[J]. 物聯(lián)網(wǎng)技術(shù)，2013（12）：25-27.

[6] 賀超宇，鄭紫微. 基于改進的Vibe和Canny邊緣檢測算法的運動目標檢測[J]. 數(shù)據(jù)通信，2018（2）：32-36.

[7] NIKOLIC M，TUBA E，TUBA M. Edge detection in medical ultrasound images using adjusted Canny edge detection algorithm[C]. Telecommunications Forum. IEEE， 2017：1-4.

[8] 常娜. 圖像處理中的邊緣檢測算法研究綜述[J]. 中國科技信息，2011（4）：130-131.

[9] 陳一虎. 圖像邊緣檢測方法綜述[J]. 寶雞文理學院學報：自科版，2013，33（1）：16-21.

[10] 李俊山，馬穎，趙方舟，等. 改進的Canny圖像邊緣檢測算法[J]. 光子學報，2011， 40（s1）：50-54.

[11] NES P G，BERG. Fast multi-scale edge-detection in medical ultrasound signals[M]. Elsevier North-Holland， Inc，2012.

[12] HIREMATH P S，TEGNOOR J R. Automatic detection of follicles in ultrasound images of ovaries using edge based method[J]. International Journal of Computer Applications Special Issue on Recent Trends in Image Processing & Pattern Recognition，2011（3）：120-125.

[13] 賀萌， 易秀英， 湯林，等. 基于自適應形態(tài)學的醫(yī)學圖像邊緣檢測[J]. 計算機應用與軟件， 2014（5）：184-187.

[14] 張素文，陳志星，蘇義鑫. Canny邊緣檢測算法的改進及FPGA實現(xiàn)[J]. 紅外技術(shù)，2010， 32（2）：93-96.

[15] 雒濤，鄭喜鳳，丁鐵夫. 改進的自適應閾值Canny邊緣檢測[J]. 光電工程，2009，36（11）：106-111.

[16] 王文娟，韓峰，崔桐. 一種基于模糊增強的Canny邊緣檢測方法[J]. 內(nèi)蒙古工業(yè)大學學報，2008，27（1）：65-69.

[17] BAO P，ZHANG L，WU X. Canny edge detection enhancement by scale multiplication[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2005， 27（9）：1485-1490.

[18] 何文浩，原魁，鄒偉. 自適應閾值的邊緣檢測算法及其硬件實現(xiàn)[J]. 系統(tǒng)工程與電子技術(shù)，2009，31（1）：233-237.

[19] 王曉凱，李鋒. 改進的自適應中值濾波[J]. 計算機工程與應用， 2010，46（3）：175-176.

[20] OHTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics，1979， 9（1）：62-66.

[21] 吳一全，潘喆. 2維最大類間平均離差閾值選取快速遞推算法[J]. 中國圖象圖形學報，2009， 14（3）：471-476.

（責任編輯：黃 健）