李永焯 戴曙光

摘 要：傳統(tǒng)的分水嶺算法應用于腦腫瘤CT圖像時容易產(chǎn)生過分割現(xiàn)象，為了避免該現(xiàn)象，提出一種改進的分水嶺圖像分割算法。該方法主要包含形態(tài)學重構以及標記控制思想，首先對原始梯度圖像進行形態(tài)學重建，相當于濾波處理，然后對原圖設定灰度閾值并進行形態(tài)學處理標記出腫瘤部分，接著用分水嶺變換標記背景部分，最后根據(jù)兩個標記部分對調(diào)整后的梯度圖像進行強制最小和分水嶺變換得到分割線。實驗結果表明，該算法能夠準確地區(qū)別腫瘤部分與背景，并用封閉的分割線包圍腦腫瘤區(qū)域，從而避免了對不感興趣區(qū)域的誤分割，有較好的針對性。

關鍵詞：腦腫瘤CT圖像；圖像分割；形態(tài)學重構；標記控制；分水嶺變換

DOI：10.11907/rjdk.172913

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）006-0157-03

Abstract：Traditional watershed algorithm causes over-segmentation easily when it is applied to brain tumor CT images， so an efficient watershed algorithm is proposed to avoid this phenomenon.The method combined morphological reconstruction with control symbol firstly reconstructs the original gradient image morphologically which is equivalent to filter processing，it then marks the tumor area with the threshold method and marks the background section with watershed transformation，lastly adopts force the minimum imposition and watershed transformation on modified gradient image according to the two marked section to obtain the splitting line.The experimental results show that the algorithm can accurately distinguish between the tumor part and background， and surround the brain tumor region with closed splitting lines.It can also avoid the false segmentation of the region of no interest， which reflects pertinence.

Key Words：brain tumor CT image； image segmentation； morphological reconstruction； marker control； watershed transform

0 引言

如今，計算機技術已開始逐漸應用于醫(yī)學圖像處理中，并取得了較好效果。腦科腦腫瘤CT圖像與單純的X射線成像不同，其是利用X射線穿透腦部，再根據(jù)射線強度的衰變程度反映人體腦部組織并成像[1]。在成像過程中，由于受到醫(yī)用設備和工作環(huán)境的影響，生成的圖像中往往含有大量噪聲，因此在圖像分割上比較困難，在一定程度上干擾了醫(yī)生對腦部病變區(qū)域的判斷。隨著科技的進步和技術的不斷創(chuàng)新，近年來提出的很多新算法可大大提高診斷效率，有利于病人得到及時治療。

不同于自然環(huán)境下生成的圖像，由于醫(yī)用設備的局限性，根據(jù)X射線衰弱程度生成的圖像在對比度和噪聲控制方面較差，而且通常會使感興趣目標的邊緣變得模糊。因此，本文采取基于數(shù)學形態(tài)學處理的標記控制分水嶺分割算法對腦腫瘤CT圖像進行分割。實驗結果表明，本文算法對于腦腫瘤CT圖像的分割處理是有效的，且具有較強的針對性。

1 分水嶺算法原理

分水嶺算法的主要思想來源于測地學中的拓撲地貌。分水嶺是指山脊，山脊兩旁是集水盆地。對應于灰度級圖像，灰度值表示海拔高度，指局部的灰度極小值和其附近像素點形成一個區(qū)域，該區(qū)域相當于集水盆地，多個集水盆地之間會存在邊界，邊界相當于山脊，也即所謂的分水嶺變換分割線[2]。圖1為分水嶺示意圖。

分水嶺分割的基本思想有兩種：一種是按照雨點降落過程，雨水落在該地形表面上，會流向更低的谷底，匯集在同一谷底的雨滴形成的集水盆就形成一個區(qū)域，若流向多個谷底，則形成分水嶺；一種是模擬模型浸沒過程，在模型的所有極低處打一個孔，然后將該模型置于平靜的水面上，此時由于水從各個小孔中滲透上來，模型漸漸下沉，隨著下沉越來越深，每個極低處的區(qū)域聚集的水越來越多，到達一定程度則形成多個集水域，在集水域之間修筑水壩，從而產(chǎn)生分水嶺[3]。

傳統(tǒng)的分水嶺算法存在著明顯缺點，即使邊緣比較弱，分水嶺變換依然對于目標邊緣很敏感，所以對于一些因噪聲或紋理細節(jié)過多而造成局部極值過多的圖像，以往的分水嶺算法會將這些圖像過分割。因此，算法必須結合實際情況進行預處理，以消除過分割的影響[4]。圖2是基于梯度圖像進行傳統(tǒng)分水嶺分割得到的過分割圖像。

2 分水嶺算法改進

2.1 概述

為改善上述分割不理想的狀況，本文提出一種基于控制標記符的分水嶺分割算法，并運用形態(tài)學重構技術對梯度圖像進行修改[5]。算法可以分為以下幾個步驟：①使用特定算子計算出原腦腫瘤CT圖像的梯度幅值圖像；②對梯度幅值圖像進行形態(tài)學重構平滑處理；③使用最大類間方差閾值法和基于連通像素個數(shù)對原腦腫瘤CT圖像標記出腦腫瘤部分，即前景標記；④使用分水嶺變換得到分水嶺脊線，作為背景標記；⑤對重構后的梯度幅值圖像進行強制最小修改，使其只在標記位置有局部極小；⑥對修改后的梯度幅值進行分水嶺變換得到分割線，疊加在原腦腫瘤CT圖像上，得出結果[6]。圖3為算法流程。

2.2 形態(tài)學重構

上文已說明大量噪聲的存在是造成過分割的主要原因，因為它們形成了大量虛假的局部極小，干擾了系統(tǒng)判斷。為解決該問題，形態(tài)學重建技術能很好地平滑處理圖像，其主要思想是先設定一個目標，然后根據(jù)現(xiàn)有狀況不斷變化以逼近目標。掩膜圖像即是這個目標，現(xiàn)有狀況即是標記圖像，以標記圖像作為變換起點，以掩膜圖像作為變換終點，實際上是用掩膜圖像約束整個變換過程[7]。

形態(tài)學重建迭代過程定義如下：①將h-1初始化為標記圖像b；②創(chuàng)建結構元素：S=ones（3）；③重復h-k+1=（h-k⊕S）∩y直到h-k+1=h-k，標記圖像b必須是y的一個子集，即by[7]。

本文采用開閉重建，其中開重建是指先腐蝕處理灰度圖作為標記圖像，將原圖像作為掩膜圖像，再不斷膨脹處理標記圖像，直到一定程度逼近掩膜圖像；閉重建是指先對圖像求補，然后對其進行開運算重建，得到結果后再一次求補。利用形態(tài)學的開閉重建運算有利于去除圖像中的微小細節(jié)和大量噪聲，相對加強了保留下來的區(qū)域輪廓，從而提高了后續(xù)操作對目標邊緣定位的準確度。圖4是重建前后的梯度圖。

2.3 標記獲取

由于腫瘤部分和其它組織在灰度值上差異較大，因此本文對原灰度圖使用最大類間方差法獲取標記。日本研究學者大津在1979年提出了最大類間方差法，確定閾值的整個過程具有自適應性。由于圖像存在一定灰度特性，該算法可根據(jù)該特點將圖像劃分為前景與背景兩部分。所謂類間是指兩個劃分開的部分之間，而最大方差是指對兩部分的劃分存在一個最理想的閾值，使兩部分相差的程度達到最大[8]。該差別程度會根據(jù)實際情況變化，假如有部分前景被誤劃分到背景，或部分背景被誤劃分到前景，會使兩部分之間差別變小。因此，越理想的閾值選取意味著錯誤劃分的概率越小。該閾值分割法非常適用于一些灰度直方圖中呈現(xiàn)雙峰的圖像，分割點剛好位于雙峰之間[9]。

對原圖閾值分割完之后，得到的二值圖包含了腫瘤部分和腦殼部分，以及一些無關重要的像素點。由于這些不重要的像素點既不屬于背景部分，也不屬于前景部分，假如這些像素點一直存在，會使后續(xù)的標記獲取不準確。因此，需要進行腐蝕處理，以去除零散的像素塊并平滑目標邊緣；然后設定一個像素連通個數(shù)數(shù)值，去掉低于此數(shù)值的連通像素，作一個圖像之間的相減，則得到了腫瘤部分，即前景標記[10]；接著對腐蝕后的二值圖作一次距離變換，之后對其進行分水嶺變換，得到圍繞腫瘤部分的分水嶺脊線，而該分水嶺脊線恰好是后景標記。圖5為獲取前景和后景標記過程。

2.4 基于標記的分水嶺分割

在完成基于標記的分水嶺分割前，必須將兩個標記部分作為重建后梯度圖像的極小值，這是至關重要的一步，即用強制最小技術調(diào)整重建后的梯度圖像，使其僅在兩個標記位置具有局部極小值。為了得到最終的分割結果，采用分水嶺變換算法處理調(diào)整后的梯度圖像得到分割線，最后將該分割線疊加到原圖上[11]。圖6是最終的分割結果，分割線大致包圍了病變區(qū)域。

3 實驗結果與分析

本文提出的基于標記控制符的分水嶺改進算法是行之有效的，先采用sobel算子計算出原圖像的梯度幅值圖像，然后通過形態(tài)學開閉重建對梯度幅值圖像進行平滑預處理，并利用最大類間方差閾值法找到最佳閾值，標記出前景和背景部分，再在修改后的梯度圖像中使標記部分強制最小，最后對修改后的梯度幅值圖像使用分水嶺變換得到結果。圖7是驗證改進算法的腦腫瘤圖像。

從驗證結果看，本文的改進算法避免了過多噪聲造成的過分割現(xiàn)象，而且不需要復雜的區(qū)域合并過程，縮短了運算時間，同時能夠較為準確地將腦腫瘤部分與其它組織區(qū)分出來并完成分割。然而該算法還存在不足之處，如當腫瘤位置比較貼近腦殼時，分割效果一般，導致腦瘤部分可能被忽略，因此后續(xù)還需作進一步優(yōu)化和改進。

參考文獻：

[1] 荊源.基于分水嶺算法的顱腦CT圖像分割研究[J].科技視界，2016 （3）：135-111.

[2] RICHARD E WOODS，RAFAEL C GONZALEZ，STEVEN L EDDINS.數(shù)字圖像處理（MATLAB版）[M]. 北京：電子工業(yè)出版社，2005：282-283.

[3] 朱怡霖，劉文定.改進分水嶺算法在LED芯片識別中的應用研究[J].機械工程與自動化，2016（2）：44-46.

[4] 王志忠，王永增，馬連成，等.基于分水嶺和形態(tài)學重構的礦石圖像分割方法[J].物聯(lián)網(wǎng)技術，2017，7（3）：89-91.

[5] 徐平，章成廣，朱雷，等.分水嶺分割算法在電成像測井資料中的應用[J].中州煤炭，2017，39（3）：8-12.

[6] 周燕琴，呂緒洋.基于改進K-均值與分水嶺算法的醫(yī)學圖像分割[J].軟件導刊，2016，15（3）：172-174.

[7] 王伏增，汪西原，宋佳乾.基于形態(tài)學濾波的標記分水嶺腦腫瘤圖像分割[J].寧夏大學學報：自然科學版，2017，38（1）：27-32.

[8] 劉豐年，朱平哲.基于相關特征約束的分水嶺路面裂縫圖像分割算法[J].微型機與應用，2016，35（3）：96-99.

[9] 陳忱.基于分水嶺和水平集方法的腦部核磁共振圖像分割算法研究[J].中國新通信，2016，18（4）：129-130.

[10] 劉永斌，潘保芝，張麗華，等.改進分水嶺算法在成像測井圖礫石識別中的應用[J].世界地質(zhì)，2017，36（1）：234-240.

[11] 闞文君，王碩禾，蔡承才.一種應用于藥品泡罩包裝檢測的改進分水嶺算法研究[J].石家莊鐵道大學學報：自然科學版，2016，29（4）：100-104.

（責任編輯：黃 ?。?/p>