[发明专利]基于Flow-XDoG算子的腹部MRI图像轮廓提取方法

说明书

本发明公开了一种基于Flow‑XDoG算子的腹部MRI图像轮廓提取方法，包括以下步骤：腹部MRI图像预处理，减少由噪声和偏差场造成的干扰，对图像进行增强和平滑；提取组织或器官边缘，对预处理后的MRI图像分别用两个不同参数的Flow‑XDoG算子进行边缘提取，通过边缘连接得到初步结果；去除错误边缘干扰；去除伪边缘，进行边缘细化，完成腹部MRI图像轮廓的提取。本发明的基于Flow‑XDoG算子的腹部MRI图像轮廓提取方法相比于经典的边缘提取算子和非真实感绘制的边缘提取方法，提取出来的边缘更加清晰、完整和准确，并且不依赖于网络训练，不需要解决训练集数据量的问题，非常适用于腹部MRI图像或者是其它具有复杂图形机构和纹理结构图像的轮廓提取。

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于Flow-XDoG(Flow-BasedExtended Difference-of-Gaussians，基于流的扩展高斯差分)算子的腹部核磁共振(MRI)图像轮廓提取方法。

背景技术

随着计算机断层扫描(Computed Tomography，CT)、核磁共振成像(MagneticResonance Imaging，MRI)以及正电子发射断层成像(Positron Emission Tomography，PET)等医学影像设备的不断出现，现代计算机科学技术的革命性发展，医学图像处理与分析技术取得了飞跃性的进展。如今，医学图像处理与分析技术已经被广泛应用于辅助医生进行准确清晰的临床诊断过程之中。目前，对于脑部、肺部、血管，骨骼等部位的MRI图像或CT图像的分析处理技术已较为成熟，但是针对腹部MRI图像的研究较少，因此研究腹部MRI图像的处理分析技术具有十分重要的现实意义。

边缘提取是计算机图形处理技术的重要组成部分。提取清晰完整的轮廓，可以为后续诸如实现图像分割和目标识别等图像处理分析操作提供帮助。腹部核磁共振图像具有图形结构和纹理结构复杂的特点，普通的边缘提取方法不能满足实际应用的需要。经典的图像边缘提取算法主要利用Sobel算子、Laplace算子、Canny算子等检测算子来提取边缘特征。这些检测算子，具有计算量小、计算速度快的优点，实时性很强，但对光照和噪声比较敏感，在光照条件较差和有噪声污染的情况下对图像边缘的检测效果较差。基于神经网络和深度学习的轮廓提取方法，也是近些年来热门的研究方向，但是由于需要大量的训练样本，医学图像的标定需要耗费大量的人工，所以如何解决训练集数量的问题成为一大难题。因此，研究一种不依赖于神经网络和深度学习并且能够提取出较为完整清晰轮廓的边缘提方法，具有十分重要的意义。

在很多实际应用中，人们的注意力只在图像的局部，而对其它细节会忽略，比如在医学、视频通信、考古等领域。非真实感绘制(non-photorealistic rendering，NPR)就是通过不追求现实主义的手段，以艺术的手法表示场景，它一般不会表现出目标的真实、具体细节，而是将图像以观察者关注的结构化、简单化的风格展现出来，其更容易表现非真实的细节，强调某些能体现图像特征的信息，忽略次要信息。而图像的边缘提取，就是一个提取图像轮廓和形状的过程，因此可以看做是对图像骨架的抽取，或者是对图像结构化特征的提取。因此，非真实感绘制(non-photorealistic rendering，NPR)对实现图像的轮廓提取有着重要意义。常用的非真实感绘制(non-photorealistic rendering，NPR)方法有基于流的高斯差分算子(Flow-Based Difference-of-Gaussians，FDoG)和基于流的扩展高斯差分算子(Flow-Based Extended Difference-of-Gaussians，Flow-XDoG)等。但是，NPR的边缘提取方法的提取结果会出现很多错误边缘，因此急需提出一种改进的基于非真实感绘制技术的轮廓提取方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Flow-XDoG(Flow-BasedExtended Difference-of-Gaussians，基于流的扩展高斯差分)算子的腹部核磁共振(MRI)图像轮廓提取方法。

本发明的技术目的通过下述技术方案予以实现。