一種基于改進(jìn)Canny算法的肺炎圖像邊緣檢測(cè)方法
一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法
技術(shù)領(lǐng)域
1.本發(fā)明涉及圖像檢測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法。
背景技術(shù)：
2.肺部ct影像是新冠肺炎患者排查、確診和過程中，需要多次進(jìn)行的檢查項(xiàng)目，通過肺部ct影像結(jié)果，可區(qū)別出正常肺、普通肺炎、新冠肺炎，進(jìn)而對(duì)新冠肺炎患者康復(fù)情況進(jìn)行監(jiān)測(cè)，通過對(duì)比患者多次肺部ct影像中病灶數(shù)據(jù)信息來判斷病灶狀況，進(jìn)而獲得患者病情發(fā)展情況，確定其康復(fù)程度。
3.現(xiàn)階段，新冠肺炎患者在確診及過程中，仍主要通過醫(yī)生對(duì)肺部ct影像中病灶情況進(jìn)行判斷，由醫(yī)生根據(jù)專業(yè)知識(shí)與經(jīng)驗(yàn)給出診斷結(jié)果，為了保證醫(yī)生在診斷過程當(dāng)中給出正確、可靠的診斷結(jié)果，需要為醫(yī)生提供準(zhǔn)確、清晰的患者肺部ct影像，一張邊緣清晰、信噪比高的肺部影像圖片是新冠肺炎患者確診及的關(guān)鍵步驟。
4.基于深度學(xué)習(xí)識(shí)別新冠肺炎胸部ct圖像的技術(shù)已有相關(guān)研究，主要是通過深度學(xué)習(xí)算法，使優(yōu)化后卷積模型能夠?qū)π鹿诜窝谆颊叻尾繄D像開展病灶的自動(dòng)識(shí)別，從而判斷該名病患是否患有新冠肺炎，以及病患的病情發(fā)展情況等，但目前識(shí)別方法的邊緣識(shí)別結(jié)果不夠清晰，檢測(cè)準(zhǔn)確率低。
技術(shù)實(shí)現(xiàn)要素：
5.本發(fā)明提供一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，用于實(shí)現(xiàn)清晰檢測(cè)肺炎圖像邊緣，提高肺炎圖像邊緣檢測(cè)準(zhǔn)確率。
6.為實(shí)現(xiàn)上述效果，本發(fā)明的技術(shù)方案如下：
7.一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，包括以下步驟：
8.步驟s1：對(duì)輸入的原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)處理，獲得增強(qiáng)圖像；
9.步驟s2：對(duì)增強(qiáng)圖像進(jìn)行雙邊濾波，獲得降噪圖像；
10.步驟s3：對(duì)降噪圖像進(jìn)行高斯濾波，獲得濾波圖像；
11.步驟s4：計(jì)算濾波圖像的梯度，獲得梯度圖像；
12.步驟s5：對(duì)梯度圖像采用非極大值抑制并采用otsu算法求分割閾值的最佳點(diǎn)，得到邊緣圖像。
13.需要說明的是，步驟s4中計(jì)算濾波圖像的梯度通過clahe算法完成。
14.進(jìn)一步的，步驟s1中對(duì)比度增強(qiáng)采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)。
15.進(jìn)一步的，步驟s1具體為，
16.步驟s1.1：將輸入的原始肺炎圖像分割成大小一樣、互相相鄰但不重疊的子塊圖像；
17.步驟s1.2：由每個(gè)子塊圖像所包含的像素信息，統(tǒng)計(jì)出每個(gè)子塊圖像的灰度直方
圖h(i)，i表示灰度級(jí)；
18.步驟s1.3：對(duì)子塊圖像的像素求像素平均值n
aver
，使子塊圖像中的灰度級(jí)為相等的像素?cái)?shù)；
19.步驟s1.4：設(shè)定一個(gè)剪切限制系數(shù)γ，根據(jù)像素平均值n
aver
得到實(shí)際剪切限制值n
cl
；
20.步驟s1.5：把灰度直方圖h(i)中超出實(shí)際剪切限制值n
cl
的像素截取出來，將截取下來的像素重新均勻分配給各個(gè)子塊圖像中的灰度級(jí)，得到局部新直方圖 w(i)；
21.步驟s1.6：分別對(duì)每個(gè)子塊圖像的局部新直方圖w(i)進(jìn)行均衡化處理；
22.步驟s1.7：對(duì)均衡化處理后的局部新直方圖w(i)利用雙線性插值法求出新的灰度值，獲得增強(qiáng)圖像。
23.進(jìn)一步的，步驟s1.3中像素平均值n
aver
表示為：
[0024][0025]
其中，δ
x
表示子塊圖像在水平方向上的像素個(gè)數(shù)；δy表示子塊圖像在垂直方向的像素個(gè)數(shù)；l
gray
表示子塊圖像中灰度級(jí)的個(gè)數(shù)。
[0026]
進(jìn)一步的，步驟s1.4中剪切限制系數(shù)γ取值范圍是0到1，默認(rèn)值是0.01。
[0027]
進(jìn)一步的，步驟s1.4中實(shí)際剪切限制值n
cl
表示為：
[0028]ncl
＝n
aver
+[γ
×
(δ
x
×
δ
y-n
aver
)]。
[0029]
進(jìn)一步的，步驟s1.5具體為，假設(shè)截取下來的像素總數(shù)為n
clip
，求得每個(gè)灰度級(jí)i分配到的像素?cái)?shù)n
acp
為：
[0030][0031]
其中，n
clip
＝∑i{max[h(i)-n
cl
]}
[0032]
用w(i)表示分配后得到的局部新直方圖，w(i)為分段函數(shù)，表示為：
[0033][0034]
此時(shí)，截取之后的像素總數(shù)n
clip
為：
[0035][0036]
如果分配后的像素有剩余，則對(duì)剩余的像素進(jìn)行循環(huán)分配，在循環(huán)分配時(shí)，剩余的像素均勻分配到小于剪切限制值n
cl
的灰度級(jí)中，直到剩余的像素被完全分配。
[0037]
本發(fā)明對(duì)canny算法提出改進(jìn)，首先利用對(duì)比度受限的clahe算法對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)，再利用雙邊濾波器濾除椒鹽噪聲，并使用otsu算法自適應(yīng)選取閾值，增強(qiáng)canny算法的自適應(yīng)性，改進(jìn)后的canny算法用于肺炎圖像檢測(cè)中，提取出更加清晰、完整的圖像邊緣，方便通過輸出結(jié)果圖來分辨正常肺、普通肺炎與新冠肺炎，能夠有效的應(yīng)用于肺炎圖像檢測(cè)，滿足醫(yī)生實(shí)際工作的需要。
[0038]
進(jìn)一步的，步驟s2具體為，假設(shè)增強(qiáng)圖像在坐標(biāo)點(diǎn)p＝(x,y)的灰度值為i
p
，對(duì)增強(qiáng)圖像進(jìn)行雙邊濾波來濾除椒鹽噪聲，得到降噪圖像bi，降噪圖像bi在坐標(biāo)點(diǎn)p的灰度值定義為bi
p
，雙邊濾波器的雙邊濾波公式如下：
[0039][0040][0041]
上式中，q＝(u,v)為坐標(biāo)點(diǎn)p的鄰域像素點(diǎn)，iq為鄰域像素點(diǎn)q的灰度值，s為鄰域像素點(diǎn)q的集合，w
p
為歸一化因子；
[0042]
為空間鄰近度因子，表達(dá)式如下：
[0043][0044]
上式中，σs是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差，
[0045]
為灰度相似度因子，表達(dá)式如下：
[0046][0047]
上式中，σr是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差。
[0048]
需要說明的是，σs和σr分別控制了空間域?yàn)V波核函數(shù)和灰度濾波核函數(shù)的徑向作用范圍，均為可選擇變化的參數(shù)，直接決定了雙邊濾波器的性能，通過控制像素位置的相對(duì)空間和灰度變化范圍來調(diào)節(jié)像素的加權(quán)值。
[0049]
進(jìn)一步的，步驟s5具體為，將梯度圖像中每一個(gè)像素點(diǎn)的梯度沿著梯度方向進(jìn)行非極大值抑制，獲得抑制圖像；用f表示抑制圖像，其全圖灰度值為 (0,m-1)，灰度等級(jí)為m，抑制圖像f的分辨率為r
×
s，設(shè)ni為灰度級(jí)i的像素點(diǎn)，pi為灰度級(jí)i的像素點(diǎn)出現(xiàn)的概率，pi表示為：
[0050][0051]
設(shè)分割閾值otsu算法按照分割閾值k將抑制圖像f分為圖像前景c0和圖像背景c1，抑制圖像f的分割結(jié)果表示為：
[0052][0053]
式中，灰度級(jí)小于k的抑制圖像f包含于圖像前景c0中，反之包含于圖像背景c1中；
[0054]
分別計(jì)算得到圖像前景c0的方差和圖像背景c1的方差和分別表示為：
[0055][0056][0057]
式中，ω0和ω1分別表示圖像前景c0和圖像背景c1出現(xiàn)的概率；μ0和μ1分別表示為圖像前景c0和圖像背景c1的灰度級(jí)均值；
[0058]
對(duì)圖像前景c0和圖像背景c1求類間方差當(dāng)類間方差為最大值時(shí)，得到抑制圖像f分割閾值k的最佳點(diǎn)，即得到邊緣圖像；
[0059]
其中，分割閾值k表示為：
[0060][0061]
進(jìn)一步的，類間方差表示為：
[0062][0063]
其中：
[0064]
需要說明的是，類間方差值的大小表明圖像前景c0和圖像背景c1的像素差別程度的大小以及分離效果的好壞，本發(fā)明通過選取分割閾值的最佳點(diǎn)使得提取的肺炎圖像邊緣輪廓更加準(zhǔn)確，更加明顯。選取分割閾值的最佳點(diǎn)即從閾值中選取。
[0065]
上述方案中，步驟s5中截取也稱為剪切。
[0066]
本發(fā)明采用對(duì)比度受限的clahe算法和雙邊濾波對(duì)原始肺炎圖像進(jìn)行預(yù)處理，提高圖像對(duì)比度，濾除椒鹽噪聲；為進(jìn)一步提高自適應(yīng)性，利用otsu算法選取閾值，完成canny算法的圖像邊緣檢測(cè)。
[0067]
對(duì)比度受限的clahe算法是由ahe算法演變而來，ahe算法適合改進(jìn)圖像的局部對(duì)比度以及獲得更多的圖像細(xì)節(jié)，但存在過度放大圖像中相關(guān)區(qū)域噪音的問題。clahe算法在ahe算法的基礎(chǔ)上，對(duì)每個(gè)區(qū)域的直方圖進(jìn)行限制，有效克服ahe算法的不足。clahe算法改善了圖像局部對(duì)比度，抑制噪聲放大。
[0068]
與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0069]
本發(fā)明主要面向醫(yī)生在對(duì)患者肺部ct圖像進(jìn)行診斷時(shí)，能夠快速、準(zhǔn)確判斷患者的肺部圖像。通過改進(jìn)canny算法，采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)，雙邊濾波器濾除椒鹽噪聲，不僅增強(qiáng)了圖像對(duì)比度，而且實(shí)現(xiàn)了保邊去噪；使用otsu算法選取閾值，增強(qiáng)了canny算法的自適應(yīng)性，將改進(jìn)的canny算法應(yīng)用于正常肺、普通肺炎、新冠肺炎的圖像邊緣檢測(cè)，提取出更加清晰、完整的圖像邊緣，改進(jìn)后的canny算法檢測(cè)出來的肺炎圖像邊緣具有更多的細(xì)節(jié)，輪廓更加明顯，檢測(cè)效率與準(zhǔn)確度有明顯提升，提高了psnr(峰值信噪比)，改善了現(xiàn)有的邊緣檢測(cè)方法存在的肺炎圖像邊緣檢測(cè)準(zhǔn)確率不高的問題。
附圖說明
[0070]
附圖僅用于示例性說明，不能理解為對(duì)本發(fā)明的限制；為了更好說明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；對(duì)于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是理解的。
[0071]
圖1為本發(fā)明實(shí)施例提供的檢測(cè)方法流程圖；
[0072]
圖2是本發(fā)明實(shí)施例提供的步驟s1.5中像素的分配示意圖；
[0073]
圖3是本發(fā)明實(shí)施例提供的輸入圖像示意圖；
[0074]
圖4是本發(fā)明實(shí)施例提供的傳統(tǒng)的canny算法對(duì)正常肺、肺炎以及新冠肺炎的檢測(cè)結(jié)果示意圖；
[0075]
圖5是本發(fā)明實(shí)施例改進(jìn)的canny算法對(duì)正常肺、肺炎、新冠肺炎的檢測(cè)結(jié)果示意圖。
具體實(shí)施方式
[0076]
為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都是本發(fā)明保護(hù)的范圍。
[0077]
實(shí)施例1
[0078]
為了便于理解，請(qǐng)參閱圖1-圖2，本發(fā)明提供的一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法的一個(gè)實(shí)施例，包括以下步驟：
[0079]
步驟s1：對(duì)輸入的原始肺炎圖像采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)，獲得增強(qiáng)圖像；
[0080]
步驟s2：對(duì)增強(qiáng)圖像使用雙邊濾波器進(jìn)行雙邊濾波，獲得降噪圖像；
[0081]
步驟s3：對(duì)降噪圖像進(jìn)行高斯濾波，獲得濾波圖像；
[0082]
步驟s4：計(jì)算濾波圖像的梯度，獲得梯度圖像；
[0083]
步驟s5：對(duì)梯度圖像采用非極大值抑制并采用otsu算法求分割閾值的最佳點(diǎn)，得到邊緣圖像。
[0084]
其中對(duì)比度增強(qiáng)和雙邊濾波可以理解為對(duì)輸入的原始肺炎圖像進(jìn)行預(yù)處理。
[0085]
本發(fā)明可以應(yīng)用于正常肺、普通肺炎、新冠肺炎的圖像邊緣檢測(cè)中，使用改進(jìn)canny算法檢測(cè)出來的圖像邊緣具有更多細(xì)節(jié)，輪廓更加明顯，檢測(cè)效率與準(zhǔn)確度明顯提升，為醫(yī)生診療提供更為清晰、具備更多細(xì)節(jié)的患者肺部影像圖片，使醫(yī)生能夠準(zhǔn)確的判斷患者病情，提高工作效率；對(duì)于新冠肺炎病情的確診、監(jiān)控和與分析等具有重要意義。
[0086]
實(shí)施例2
[0087]
具體地，在實(shí)施例1的基礎(chǔ)上，結(jié)合具體的實(shí)施例子對(duì)方案進(jìn)行說明，進(jìn)一步體現(xiàn)本方案的技術(shù)效果。具體為：
[0088]
步驟s1：對(duì)輸入的原始肺炎圖像采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)，獲得增強(qiáng)圖像；
[0089]
步驟s1.1：將輸入的原始肺炎圖像分割成大小一樣、互相相鄰但不重疊的子塊圖像；
[0090]
步驟s1.2：由每個(gè)子塊圖像所包含的像素信息，統(tǒng)計(jì)出每個(gè)子塊圖像的灰度直方圖h(i)，i表示灰度級(jí)；
[0091]
步驟s1.3：步驟s1.3：對(duì)子塊圖像的像素求像素平均值n
aver
，使子塊圖像中的灰度級(jí)為相等的像素?cái)?shù)；
[0092]
像素平均值n
aver
表示為：
[0093][0094]
其中，δ
x
表示子塊圖像在水平方向上的像素個(gè)數(shù)；δy表示子塊圖像在垂直方向的像素個(gè)數(shù)；l
gray
表示子塊圖像中灰度級(jí)的個(gè)數(shù)。
[0095]
步驟s1.4：設(shè)定一個(gè)剪切限制系數(shù)γ，根據(jù)像素平均值n
aver
得到實(shí)際剪切限制值n
cl
；γ取值范圍是0到1，默認(rèn)值是0.01；
[0096]ncl
表示為：
[0097]ncl
＝n
aver
+[γ
×
(δ
x
×
δ
y-n
aver
)]；
[0098]
步驟s1.5：把灰度直方圖h(i)中超出實(shí)際剪切限制值n
cl
的像素截取出來，將截取下來的像素重新均勻分配給各個(gè)子塊圖像中的灰度級(jí)，得到局部新直方圖 w(i)；
[0099]
假設(shè)截取下來的像素總數(shù)為n
clip
，求得每個(gè)灰度級(jí)i分配到的像素?cái)?shù)n
acp
為：
[0100][0101]
其中，n
clip
＝∑i{max[h(i)-n
cl
]}
[0102]
用w(i)表示分配后得到的局部新直方圖，w(i)為分段函數(shù)，表示為：
[0103][0104]
此時(shí)，截取之后的像素總數(shù)n
clip
為：
[0105][0106]
如果分配后的像素有剩余，則對(duì)剩余的像素進(jìn)行循環(huán)分配，在循環(huán)分配時(shí)，剩余的像素均勻分配到小于剪切限制值n
cl
的灰度級(jí)中，直到剩余的像素被完全分配。
[0107]
步驟s1.6：分別對(duì)每個(gè)子塊圖像的局部新直方圖w(i)進(jìn)行均衡化處理；
[0108]
步驟s1.7：對(duì)均衡化處理后的局部新直方圖w(i)利用雙線性插值法求出新的灰度值，獲得增強(qiáng)圖像。
[0109]
步驟s2：對(duì)增強(qiáng)圖像使用雙邊濾波器進(jìn)行雙邊濾波，獲得降噪圖像；
[0110]
假設(shè)增強(qiáng)圖像在坐標(biāo)點(diǎn)p＝(x,y)的灰度值為i
p
，對(duì)增強(qiáng)圖像進(jìn)行雙邊濾波來濾除椒鹽噪聲，得到降噪圖像bi，降噪圖像bi在坐標(biāo)點(diǎn)p的灰度值定義為bi
p
，雙邊濾波器的雙邊濾波公式如下：
[0111][0112][0113]
上式中，q＝(u,v)為坐標(biāo)點(diǎn)p的鄰域像素點(diǎn)，iq為鄰域像素點(diǎn)q的灰度值，s為鄰域像素點(diǎn)q的集合，w
p
為歸一化因子；
[0114]
為空間鄰近度因子，表達(dá)式如下：
[0115][0116]
上式中，σs是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差，
[0117]
為灰度相似度因子，表達(dá)式如下：
[0118][0119]
上式中，σr是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差。
[0120]
步驟s3：對(duì)降噪圖像進(jìn)行高斯濾波，獲得濾波圖像；
[0121]
步驟s4：計(jì)算濾波圖像的梯度，獲得梯度圖像；
[0122]
步驟s5：采用非極大值抑制和otsu算法對(duì)梯度圖像選取閾值，將梯度圖像中每一個(gè)像素點(diǎn)的梯度沿著梯度方向進(jìn)行非極大值抑制，獲得抑制圖像；用f表示抑制圖像，其全圖灰度值為(0,m-1)，灰度等級(jí)為m，抑制圖像f的分辨率為 r
×
s，設(shè)ni為灰度級(jí)i的像素點(diǎn)，pi為灰度級(jí)i的像素點(diǎn)出現(xiàn)的概率，pi表示為：
[0123][0124]
設(shè)分割閾值otsu算法按照分割閾值k將抑制圖像f分為圖像前景c0和圖像背景c1，抑制圖像f的分割結(jié)果表示為：
[0125][0126]
式中，灰度級(jí)小于k的抑制圖像f包含于圖像前景c0中，反之包含于圖像背景c1中；
[0127]
分別計(jì)算得到圖像前景c0的方差和圖像背景c1的方差和分別表示為：
[0128][0129][0130]
式中，ω0和ω1分別表示圖像前景c0和圖像背景c1出現(xiàn)的概率；μ0和μ1分別表示為圖像前景c0和圖像背景c1的灰度級(jí)均值；
[0131]
對(duì)圖像前景c0和圖像背景c1求類間方差當(dāng)類間方差為最大值時(shí)，得到抑制圖像f分割閾值k的最佳點(diǎn)，即得到邊緣圖像；
[0132]
其中，分割閾值k表示為：
[0133][0134]
類間方差表示為：
[0135][0136]
其中：
[0137]
在具體的實(shí)施過程中，本發(fā)明實(shí)驗(yàn)環(huán)境操作系統(tǒng)為win10家庭中文版，編譯語言為matlab2017，python3.9，ide為pycharm 2021。
[0138]
圖3為待檢測(cè)的6幅原始肺炎圖像，其中圖3(a)、圖3(b)分別為正常肺樣本 n0001、n0002；圖3(c)、圖3(d)分別是肺炎樣本f0001、f0002；圖3(e)、圖3(f) 分別是新冠肺炎樣本p0001、p0002。
[0139]
圖4是使用傳統(tǒng)的canny算法對(duì)正常肺、肺炎以及新冠肺炎的檢測(cè)結(jié)果，圖 4(a)、圖4(b)分別為正常肺樣本n0001、n0002的檢測(cè)結(jié)果；圖4(c)、圖4(d)分別是肺炎樣本f0001、f0002的檢測(cè)結(jié)果；圖4(e)、圖4(f)分別為新冠肺炎樣本p0001、 p0002的檢測(cè)結(jié)果。
[0140]
圖5為本發(fā)明改進(jìn)的canny算法對(duì)正常肺、肺炎、新冠肺炎的檢測(cè)結(jié)果，圖 5(a)、圖5(b)分別為正常肺樣本n0001、n0002的檢測(cè)結(jié)果；圖5(c)、圖5(d)分別是肺炎樣本f0001、f0002的檢測(cè)結(jié)果；圖5(e)、圖5(f)分別是新冠肺炎樣本p0001、 p0002的檢測(cè)結(jié)果。
[0141]
通過對(duì)比，可以看出相較于傳統(tǒng)canny算法，本發(fā)明改進(jìn)后的canny算法應(yīng)用在正常肺、肺炎以及新冠肺炎的檢測(cè)中，可以檢測(cè)出肺炎圖像更多的邊緣，細(xì)節(jié)更加明顯，檢測(cè)準(zhǔn)確率更高。
[0142]
根據(jù)psnr圖像質(zhì)量評(píng)價(jià)指標(biāo)比較本發(fā)明改進(jìn)的canny算法與傳統(tǒng)canny算法，結(jié)果總結(jié)在表1中，本發(fā)明改進(jìn)的canny算法與傳統(tǒng)算法相比，psnr提升了7％—15％。
[0143]
表1本發(fā)明改進(jìn)的canny算法與傳統(tǒng)算法的psnr結(jié)果對(duì)比
[0144][0145]
顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還做出其它不同形式的變化或變動(dòng)。這里無需也無法對(duì)所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。
技術(shù)特征：
1.一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，包括以下步驟：步驟s1：對(duì)輸入的原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)處理，獲得增強(qiáng)圖像；步驟s2：對(duì)增強(qiáng)圖像進(jìn)行雙邊濾波，獲得降噪圖像；步驟s3：對(duì)降噪圖像進(jìn)行高斯濾波，獲得濾波圖像；步驟s4：計(jì)算濾波圖像的梯度，獲得梯度圖像；步驟s5：對(duì)梯度圖像采用非極大值抑制并采用otsu算法求分割閾值的最佳點(diǎn)，得到邊緣圖像。2.根據(jù)權(quán)利要求1所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s1中對(duì)比度增強(qiáng)采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)。3.根據(jù)權(quán)利要求2所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，所述采用對(duì)比度受限的clahe算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)，具體為，步驟s1.1：將輸入的原始肺炎圖像分割成大小一樣、互相相鄰但不重疊的子塊圖像；步驟s1.2：由每個(gè)子塊圖像所包含的像素信息，統(tǒng)計(jì)出每個(gè)子塊圖像的灰度直方圖h(i)，i表示灰度級(jí)；步驟s1.3：對(duì)子塊圖像的像素求像素平均值n
aver
，使子塊圖像中的灰度級(jí)為相等的像素?cái)?shù)；步驟s1.4：設(shè)定一個(gè)剪切限制系數(shù)γ，根據(jù)像素平均值n
aver
得到實(shí)際剪切限制值n
cl
；步驟s1.5：把灰度直方圖h(i)中超出實(shí)際剪切限制值n
cl
的像素截取出來，將截取下來的像素重新均勻分配給各個(gè)子塊圖像中的灰度級(jí)，得到局部新直方圖w(i)；步驟s1.6：分別對(duì)每個(gè)子塊圖像的局部新直方圖w(i)進(jìn)行均衡化處理；步驟s1.7：對(duì)均衡化處理后的局部新直方圖w(i)利用雙線性插值法求出新的灰度值，獲得增強(qiáng)圖像。4.根據(jù)權(quán)利要求3所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s1.3中像素平均值n
aver
表示為：其中，δ
x
表示子塊圖像在水平方向上的像素個(gè)數(shù)；δ
y
表示子塊圖像在垂直方向的像素個(gè)數(shù)；l
gray
表示子塊圖像中灰度級(jí)的個(gè)數(shù)。5.根據(jù)權(quán)利要求3所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s1.4中剪切限制系數(shù)γ取值范圍是0到1，默認(rèn)值是0.01。6.根據(jù)權(quán)利要求4所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s1.4中實(shí)際剪切限制值n
cl
表示為：n
cl
＝n
aver
+[γ
×
(δ
x
×
δ
y-n
aver
)]。7.根據(jù)權(quán)利要求3所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s1.5具體為，假設(shè)截取下來的像素總數(shù)為n
clip
，求得每個(gè)灰度級(jí)i分配到的像素?cái)?shù)n
acp
為：其中，n
clip
＝∑
i
{max[h(i)-n
cl
]}
用w(i)表示分配后得到的局部新直方圖，w(i)為分段函數(shù)，表示為：此時(shí)，截取之后的像素總數(shù)n
clip
為：如果分配后的像素有剩余，則對(duì)剩余的像素進(jìn)行循環(huán)分配，在循環(huán)分配時(shí)，剩余的像素均勻分配到小于剪切限制值n
cl
的灰度級(jí)中，直到剩余的像素被完全分配。8.根據(jù)權(quán)利要求1所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s2具體為，假設(shè)增強(qiáng)圖像在坐標(biāo)點(diǎn)p＝(x，y)的灰度值為i
p
，對(duì)增強(qiáng)圖像進(jìn)行雙邊濾波來濾除椒鹽噪聲，得到降噪圖像bi，降噪圖像bi在坐標(biāo)點(diǎn)p的灰度值定義為bi
p
，雙邊濾波器的雙邊濾波公式如下：器的雙邊濾波公式如下：上式中，q＝(u，v)為坐標(biāo)點(diǎn)p的鄰域像素點(diǎn)，i
q
為鄰域像素點(diǎn)q的灰度值，s為鄰域像素點(diǎn)q的集合，w
p
為歸一化因子；為空間鄰近度因子，表達(dá)式如下：上式中，σ
s
是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差，為灰度相似度因子，表達(dá)式如下：上式中，σ
r
是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差。9.根據(jù)權(quán)利要求1所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，步驟s5具體為，將梯度圖像中每一個(gè)像素點(diǎn)的梯度沿著梯度方向進(jìn)行非極大值抑制，獲得抑制圖像；用f表示抑制圖像，其全圖灰度值為(0，m-1)，灰度等級(jí)為m，抑制圖像f的分辨率為r
×
s，設(shè)n
i
為灰度級(jí)i的像素點(diǎn)，p
i
為灰度級(jí)i的像素點(diǎn)出現(xiàn)的概率，p
i
表示為：設(shè)分割閾值otsu算法按照分割閾值k將抑制圖像f分為圖像前景c0和圖像背景c1，抑制圖像f的分割結(jié)果表示為：式中，灰度級(jí)小于k的抑制圖像f包含于圖像前景c0中，反之包含于圖像背景c1中；分別計(jì)算得到圖像前景c0的方差和圖像背景c1的方差和分別表示為：
式中，ω0和ω1分別表示圖像前景c0和圖像背景c1出現(xiàn)的概率；μ0和μ1分別表示為圖像前景c0和圖像背景c1的灰度級(jí)均值；對(duì)圖像前景c0和圖像背景c1求類間方差當(dāng)類間方差為最大值時(shí)，得到抑制圖像f分割閾值k的最佳點(diǎn)，即得到邊緣圖像；其中，分割閾值k表示為：10.根據(jù)權(quán)利要求9所述一種基于改進(jìn)canny算法的肺炎圖像邊緣檢測(cè)方法，其特征在于，類間方差表示為：其中：
技術(shù)總結(jié)
本發(fā)明公開了一種基于改進(jìn)Canny算法的肺炎圖像邊緣檢測(cè)方法，包括以下步驟，對(duì)輸入的原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)處理，獲得增強(qiáng)圖像；對(duì)增強(qiáng)圖像使用雙邊濾波器進(jìn)行雙邊濾波，獲得降噪圖像；對(duì)降噪圖像進(jìn)行高斯濾波，獲得濾波圖像；計(jì)算濾波圖像的梯度，獲得梯度圖像；對(duì)梯度圖像采用非極大值抑制并采用Otsu算法求分割閾值的最佳點(diǎn)，得到邊緣圖像。本發(fā)明通過改進(jìn)Canny算法，采用對(duì)比度受限的CLAHE算法對(duì)原始肺炎圖像進(jìn)行對(duì)比度增強(qiáng)，雙邊濾波器濾除椒鹽噪聲，不僅增強(qiáng)了原始肺炎圖像對(duì)比度，而且實(shí)現(xiàn)了保邊去噪，改善了現(xiàn)有的邊緣檢測(cè)方法存在的圖像邊緣檢測(cè)準(zhǔn)確率不高的問題。法存在的圖像邊緣檢測(cè)準(zhǔn)確率不高的問題。法存在的圖像邊緣檢測(cè)準(zhǔn)確率不高的問題。
