曲蘊慧 弓明 廖尹坤 王鑫 揚伍連 劉哲

摘要：針對傳統(tǒng)圖像分割算法在頭部CT圖像分割時存在的易受光線、偽影等噪聲干擾等問題，提出一種基于Gabor濾波的頭部CT圖像分割算法。首先使用Cabor濾波器對頭部CT圖像進(jìn)行濾波，慮除圖像中的光線以及偽影等噪聲，然后使用Gaussian濾波器對圖像進(jìn)行平滑操作，最后使用二階微分算子：Lapla-clan邊緣檢測算子對圖像進(jìn)行分割處理。實驗結(jié)果表明：提出的基于Gabor濾波的頭部CT圖像分割算法能夠有效的分割出頭部CT圖像邊緣，并對頭部CT圖像中常見噪聲偽影，具有很強的魯棒性。

關(guān)鍵詞：Gabor濾波器;Gaussian濾波器;邊緣檢測;頭部CT圖像

中圖分類號：TP391

文獻(xiàn)標(biāo)識碼：A

隨著我國醫(yī)學(xué)設(shè)備的不斷更新與完善，計算機(jī)斷層圖像（CT）技術(shù)在臨床醫(yī)學(xué)領(lǐng)域的廣泛使用，醫(yī)學(xué)CT圖像數(shù)量不斷增多，醫(yī)院收集大量病人的T圖像數(shù)據(jù)，對這些收集的CT圖像數(shù)據(jù)進(jìn)行信息分析，能夠幫助醫(yī)生快速準(zhǔn)確診斷病人病變尤為重要[1]。但這些大量的CT圖像數(shù)據(jù)給醫(yī)生瀏覽判讀帶來了巨大的工作量，導(dǎo)致醫(yī)生視覺疲憊，不可避免地發(fā)生誤判。隨著計算機(jī)視覺技術(shù)以及圖像處理算法的發(fā)展，借助醫(yī)學(xué)圖像處理與分析手段不僅可以減輕由于圖像過多而使醫(yī)生解讀費時的壓力，同時極大地提高了醫(yī)生診療水平，從而為醫(yī)學(xué)的研究和進(jìn)一步發(fā)展提供了堅實的基礎(chǔ)[2]。

在醫(yī)學(xué)圖像處理與分析領(lǐng)域，醫(yī)學(xué)圖像分割是正常組織和病變組織的三維重建、定量分析、病灶識別等后繼操作的基礎(chǔ)，分割的準(zhǔn)確性對醫(yī)生判斷疾病的真實情況并做出正確的診斷至關(guān)重要。圖像分割就是把醫(yī)學(xué)圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程。由于CT圖像的多樣性和復(fù)雜性，以及目前計算機(jī)斷層圖像成像技術(shù)上的特點，使得CT圖像存在一定的噪聲，CT圖像的分割更加困難[3]。

針對傳統(tǒng)的數(shù)字圖像分割方法在頭部CT圖像分割時存在的易受光照、偽影等噪聲干擾的問題，提出一種基于Gabor濾波的圖像分割算法，并將其運用于頭部CT圖像分割中，實驗結(jié)果證明：所提出的基于Gabor濾波的頭部CT圖像分割算法能夠有效的分割出頭部CT圖像邊緣，并對CT圖像中常見噪聲，有很強的魯棒性。

1 頭部CT圖像濾波

1.1 Gabor濾波器

Gabor變換是Dennis Gabor在1946年提出的，其基本思想是：把信號劃分成許多個小的時間間隔，然后用傅里葉變換來分析每一個時間間隔，確定信號在這個時間間隔存在的頻率[4]。二維Gabor變換是圖像的多尺度表示和分析的良好工具。Ga-bor濾波器具有在空間域和頻率域同時取得局部最優(yōu)的特性，因此能夠很好地描述空間頻率（尺度）、空間位置及方向選擇性等局部結(jié)構(gòu)信息。Gabor濾波器的頻率和方向表示接近人類視覺系統(tǒng)，常用于紋理表示和描述[5]。

在圖像處理的領(lǐng)域中，Gabor濾波器是一個線性濾波器，常用于圖像的邊緣檢測。典型的二維Gabor濾波器的函數(shù)φ（x，y）如公式（1）所示：

本文首先對采集到的頭部CT圖像使用Gabor濾波器來進(jìn)行濾波，去除掉光照以及偽影的干擾，增強頭部CT圖像的對比度。

1.2 高斯（Gaussian）濾波器

本文算法將經(jīng)過Gabor濾波后的頭部CT圖像，再利用Gaussian濾波器對圖像進(jìn)行平滑處理。Gaussian濾波平滑效果柔和，對邊緣保留也相對較好[7]。Gaussian濾波函數(shù)如式（3）所示：

標(biāo)準(zhǔn)差σ是Gaussian濾波器的唯一參數(shù)，它與濾波操作鄰域的大小成正比。離中心越近，像素影響越大;離中心越遠(yuǎn)，像素影響越小;離中心超過3σ位置的像素的影響可以忽略不計。在實際平滑過程中，σ過小，則偏離中心的所有像素權(quán)重會非常的小，當(dāng)σ小到一定程度時，濾波操作則會退化為對圖像進(jìn)行點運算，無法起到平滑噪聲的作用;但如果σ過大，鄰域較小時，在鄰域內(nèi)的Gaussian模板將會退化為均值模板，會造成邊緣模糊的效果，所以必須選擇合適的σ值，才能達(dá)到較好的效果。在本文算法中，對于3X3的Gaussian濾波模板，取σ值為0.7左右效果較好。

2 基于Gabor濾波的頭部CT圖像分割

2.1 拉普拉斯（Laplacian）邊緣檢測算法

本文采用拉普拉斯（ Laplacian）算法對去除偽影并且平滑后的頭部CT圖像進(jìn)行分割。

基于二階微分的拉普拉斯算子對于細(xì)節(jié)可以產(chǎn)生更強的響應(yīng)，因此比一階的梯度算子更適合于精度要求高的醫(yī)學(xué)影像圖像的分割[9]。

由于圖像是二維的，所以使用Laplacian時，需要在兩個方向進(jìn)行求導(dǎo)。二階Laplacian線性微分算子的定義如公式（4）所示：

2.2 基于Gabor濾波的頭部CT圖像分割算法流程

本文提出一種基于Gabor濾波的頭部CT圖像分割算法，檢測算法流程如圖1所示。

基于Gabor濾波器的低對比度紙病檢測算法主要有以下步驟：

1）讀取頭部CT圖像，并將其轉(zhuǎn)換為灰度圖像;

2）對圖像序列進(jìn)行Gabor濾波，去除掉原始頭部CT圖像中的光照以及偽影等的干擾;

3）對Gabor濾波后的圖像使用Gaussian濾波器進(jìn)行平滑濾波;

4）Gaussian濾波后的圖像使用Laplacian邊緣檢測算法進(jìn)行圖像分割;

因為Laplacian邊緣檢測算法的輸人為經(jīng)過Gaussian濾波后的圖像，所以對于本算法，公式（4）中的f（x，y）應(yīng)先與公式（3）中G（x，y）做卷積。所以在實際計算時，將Gaussian濾波和Laplacian邊緣檢測相結(jié)合（即傳統(tǒng)的LoG算子），同時結(jié)合卷積運算的性質(zhì)，步驟（3）和步驟（4）可按公式（6）進(jìn)行計算。