[发明专利]一种自动测量Cobb角的方法

权利要求书

1.一种自动测量Cobb角的方法，其特征是，所述方法包括以下步骤：

步骤一：预处理；

读取并预处理脊柱图像，包括图像锐度、对比度以及边缘信息的增强；

步骤二：增强的分水岭分割算法；

使用增强的分水岭分割算法，半自动分割脊柱图像；

使用K-means聚类方法对脊柱图像进行预分割，这样可有效的抑制由脊柱图像灰度分布不均匀带来的图像过分割，后对预分割后的图像进行分水岭算法分割；

步骤三：提取各脊椎中心点并拟合曲线；

提取分割后每一块脊椎的中心，并将所有中心点拟合成一条曲线；

对于一副分割后的脊椎图像，将其像素坐标视作一个二维随机变量(x，y)，则一副灰度图就可以用二维灰度密度函数来表示，因此脊椎图像区域中心点就可以用矩来表示，采用图像的一阶矩得出其区域中心；选用六次多项式曲线拟合方式对中心点进行拟合；

步骤四：自动计算Cobb角；

利用各脊椎中心点以及拟合的曲线，通过曲线的切线计算Cobb角；

通过上述步骤一～步骤三，已经可以得出由各脊椎中心点拟合所得出的曲线，此时通过以下几步即可自动求出Cobb角：

Step i：计算曲线，中心点所在处切线斜率；

Step ii：自动计算各不同斜率之间夹角，并对结果进行排序；

Step iii：夹角的最大值即为Cobb角，此时Cobb角则被自动求出。

2.如权利要求1所述的一种自动测量Cobb角的方法，其特征是，所述步骤一中，构建边缘增强函数的高斯核，使得其在对脊柱图像进行滤波的同时增强图像边缘信息。

3.如权利要求1所述的一种自动测量Cobb角的方法，其特征是，所述步骤二中，K-Means聚类方法为如下所示步骤：

Step 1:随机选择k个点作为数据中初始化聚类点；

Step 2:对每个目标计算其到每个聚类点的欧式距离，并把它归到最近的聚类点所在的类；

Step 3:重新计算已经得到的各个聚类的质心作为新的聚类点；

Step 4:迭代Step 2～Step 3，直至聚类点不再改变，算法结束。

4.如权利要求3所述的一种自动测量Cobb角的方法，其特征是，所述步骤二中，分水岭分割算法中，通过定义掩膜相当于定义种子点的方式来控制过分割，掩膜图像中绘制的点即定义为各待分割区域局部最小值，使用这种方法我们定义掩膜图像中种子点个数即对应于分割后的区域个数；分割后各种子点之间被坝所包围，达到分割脊柱中各脊椎的目的。

5.如权利要求4所述的一种自动测量Cobb角的方法，其特征是，所述步骤二中，掩膜图像选择手动选取掩膜中种子点。

6.如权利要求3～5中任一所述的一种自动测量Cobb角的方法，其特征是，所述步骤二中，采用增强的分水岭分割，即将K-means聚类算法与分水岭分割算法进行结合，通过对脊柱图像使用K-means算法，脊柱图像中位于同一聚类区域的像素，其设置为同一灰度值，则得到一个只存在K个不同的灰度级的预分割结果。