[发明专利]一种基于角点检测的医学图像处理方法

说明书

本发明提供的是一种基于角点检测的医学图像处理方法。一：对医学图像进行预处理；二：提取Harris角点；三：计算尺度归一化算子，检测每个点在某一个尺度响应值是否达到最大，获得提取的角点矩阵；四：获得了图像的角点矩阵之后将获得的点在图像中绘制出来，之后将角点矩阵传给聚类算法，进行聚类处理；五：给出一个K值，按照Kmeans算法进行聚类处理，用相似度矩阵作为判别函数，相似度低于阈值的类，不再进行合并。本发明无论是效果还是处理效率，亦或是在实际中的应用方面，均表现出了优越性与极大的适用价值。

技术领域

本发明涉及的是一种图像处理方法，具体地说是一种医学图像处理方法。

背景技术

随着社会经济与各项技术的飞速发展，人们在享受生活质量的显著提高带来的各种便利的同时，也越来越关注自身的健康素质，因为医生通过对医学图像进行观察与分析，将图像分析结果作为病情诊断和治疗疾病的重要依据，因此对医学图像的处理在诊疗环节中至关重要。随着医学技术的不断进步与发展，将计算机技术作为支撑的信息化医学图像处理系统，因为其实用、简便、高效等显著特点广泛应用于临床研究，并且对新兴的远程操纵医疗技术具有重大的价值与深远的意义。在医学图像中，含有大量信息的特征点有很多种，包括像素点、角点等。角点通俗的说，就是转折点或者说图像中线的交点。现实生活中的桌脚、墙角等体现在图像中，就被称为图像的角点。角点通常会从两个方向进行定义：角点是两条线的交点；角点是图像邻域内两个不同方向上的特征点。角点是两个区域的交汇点，因此是图像中信息量最丰富且比较稳定的区域，这些区域具有其独特的特征：角点处于交汇处，对旋转变化、光照变化、仿射变化都不敏感。因此，在计算机技术作为支撑的医学图像处理领域，对角点的研究相当重要。

现有的医学图像处理中，针对角点检测的算法主要有两类：第一种是基于图像边缘处理的检测方法；第二种是针对医学图像灰度对比明显提出来的，基于图像灰度的检测方法。第一种方法过度依赖于对图像进行分割提取，医学图像并不是所有区域都研究价值，对整体进行分割处理往往耗费大量的时间，极大地增加了运算复杂度。由于实用性较低，这里不再进行具体的介绍。后者主要通过各种方式计算图像点的曲率及梯度来检测角点,避免了第一种方式的缺陷,是目前图像处理研究重点。

对医学图像进行各种处理的目的是为了对其进行深层次分析，方便发现图像中的病变区域和病变原因。而被人们所熟知的聚类分析，是研究样品或者数据分类问题的一种统计分析方法，是数据挖掘的重要手段。因此本发明考虑将聚类算法与角点检测相结合，通过聚类分析发现医学图像中的病灶类别。该发明不仅可以有利于对医学图像的研究处理，而且可以和医学图像检索相结合，作为之后的治疗材料。聚类问题的研究已经具有很长时间的历史，并逐渐趋于完善。迄今为止，为了解决聚类问题更好地为各种问题服务，已经提出了上百种聚类算法。根据聚类算法的原理，常见的聚类内容包含多种，常见的有：有序样品聚类法、系统聚类法、图论聚类法、模糊聚类法等。

发明内容

本发明的目的在于提供一种聚类结果真实可靠的基于角点检测的医学图像处理方法。

本发明的目的是这样实现的：

步骤一：选择待处理的医学图像，判断是否是灰度图像，如不是则转换为灰度图像，进行二值化、降噪预处理；

步骤二：对经过预处理的图像提取Harris角点，

首先分别计算每个像素点的积分尺度和微分尺度，计算微分掩膜，获得多尺度上图像的像素自相关矩阵，之后设置一个邻域范围，查询该邻域内的极值，并设定一个邻域极值的阈值，查找高于邻域极值阈值的点；

步骤三：在得到经过筛选的点之后，计算尺度归一化算子，检测每个点在某一个尺度响应值是否达到最大，若某一个值达到最大，则证明该点是要找的角点，获得提取的角点矩阵；

步骤四：通过步骤三，获得了图像的角点矩阵之后将获得的点在图像中绘制出来，之后将角点矩阵传给聚类算法，进行聚类处理；