陳春玉黃映聰王強黎廣榮何月順

基于信息熵的CT圖像目標自動提取實驗研究——以恐龍蛋殼化石切片CT圖像為例

陳春玉1，黃映聰1，2，4，5，6*，王強7，黎廣榮1，何月順2，3，5

（1.東華理工大學 地球科學學院，江西 南昌 330013；2.東華理工大學 網絡與信息中心，江西 南昌 330013；3.東華理工大學 信息工程學院，江西 南昌 330013；4.江西省數字國土重點實驗室，江西 南昌 330013；5.江西省放射性地學大數據技術工程實驗室，江西 南昌 330013；6.核資源與環(huán)境國家重點實驗室，江西 南昌 330013；7.中國科學院 古脊椎動物與古人類研究所，北京 100044）

以恐龍蛋為對象，針對大量恐龍蛋殼化石CT圖像目標與背景的分離需求，以及傳統(tǒng)提取方法繁瑣、精確度不高且需要較多人工參與，不能實現完全自動化等問題，提出了一種基于信息熵的CT圖像目標自動分離提取方法。首先手動訓練樣本信息熵參數，將其作為自動分離大量CT圖像的參數；再根據灰度圖像亮度直方圖確定分割閾值；然后基于信息熵算法進行自動分離；最后依據分割閾值和信息熵值，實現目標區(qū)域的最終分離和提取。該方法獲得了良好的分離提取效果，所獲分割閾值范圍為66～188，信息熵值范圍為0.43～0.65?；? 329張16位恐龍蛋殼原始切片CT圖像樣品數據所進行的評價實驗表明，對于數量較多的CT圖像，所提出的方法自動分離提取具有很高的效率，可達到98.89%，并且能在正確提取出目標方解石的同時保留較為完整的目標與邊緣細節(jié)，分離處理的準確性和快速性良好。

CT圖像；恐龍蛋殼化石；信息熵；分割閾值；自動分離提取

1 引言

CT（Computed Tomography）技術應用范圍十分廣泛，主要應用于醫(yī)學診斷領域，其次應用于工業(yè)無損檢測、工程檢測、安全檢查以及探測地球內部結構等方面［1］。近年來，隨著圖像技術的發(fā)展以及各種功能軟件的開發(fā)，其應用范圍還在不斷拓寬。傳統(tǒng)的圖像分割方法依賴于人工處理，需要花費大量時間和精力。由于圖像的多變性和各種突發(fā)情況的發(fā)生（設備、人工、環(huán)境等），從圖像中自動分離目標與背景非常具有挑戰(zhàn)性，因此這一難題引起國內外學者的廣泛研究。目前圖像分割方法包括基于閾值分割［2-3］、基于像素值分割［4］以及基于神經網絡分割［5-6］的方法等。

在醫(yī)學領域，翟偉明等［7］提出了一個動態(tài)自適應的體素生長的算法，對肺部CT圖像進行三維分割，解決了肺部分割時左右肺難以區(qū)分的問題；宋紅等［8］提出一種基于動態(tài)自適應區(qū)域生長的算法進行腫瘤分割，成功提取出人體肝臟CT圖像中的腫瘤區(qū)域；張麗娟等［9］也提出區(qū)域生長與全卷積神經網絡相結合的方法對肝臟CT圖像進行交互式分割。近年來，一些學者也開始對CT圖像的自動分割方法進行一些探索。Reboucas等［10］提出了專門用于分割復雜物體的三維自適應清晰主動輪廓法，它是一種在胸部CT掃描中自動分割肺部的新技術。Men等［11］基于深度反卷積神經網絡算法對鼻咽癌CT圖像進行目標自動分割，但需要仔細的人工審查和大量的編輯；Athertya等［12］提出了一種基于模糊特征點的輪廓自動初始化方法，該方法在脊柱CT圖像醫(yī)學圖像分割中有較大的適用性，在模擬高斯噪聲的情況下具有良好的魯棒性；Vania等［13］將卷積神經網絡和全卷積網絡結合，利用類冗余作為軟約束從CT圖像中分割脊柱，顯著提高了分割結果的準確性和系統(tǒng)處理時間。而在古生物恐龍蛋殼化石的顯微結構研究領域，CT圖像智能處理技術尚處在探索階段。古生物學家處理的數據量隨著各種技術的進步也在迅速增加，但海量古生物方面的數據依然需要依賴人進行手動處理，并且雖然在古生物學的研究中使用了眾多數字化手段，如CT掃描等，但如何在這些數據中找到所需要的信息依然是一項充滿挑戰(zhàn)的工作［14］。

由于在處理大量恐龍蛋殼化石CT圖像方面可借鑒的經驗過于稀少，而手動分割導致分離工作難度較大、效率較低，為了達到自動分離恐龍蛋殼化石CT圖像目標與背景的目的，本文提出了一種基于信息熵的CT圖像目標與背景自動分離提取方法。實驗結果表明，使用該方法取得了理想的分離效果，目標提取有效率高達98.89%，并且處理時間也大幅縮短，提高了古生物恐龍蛋殼化石CT圖像處理效率。該方法能精確地提取出恐龍蛋殼氣孔與邊界，為后續(xù)重建恐龍蛋三維立體結構提供了可靠的基礎，也為其他目標為方解石的古生物CT圖像自動分離提取提供了新的技術解決方案。

2 數據與方法

2.1　圖像數據集

本文選取廣東河源晚白堊世地層發(fā)現的一類蜂窩蛋類（恐龍蛋的一種類型）進行了蛋殼結構的計算機斷層掃描，采用的設備為GEphoenix vtomex m 180 kV/300 kV，測試電壓為70 kV，測試電流為130 μA，得到了3 329張16位的恐龍蛋殼原始切片CT圖像樣品數據，空間分辨率為3.896 μm/像素，圖像保存為tif格式。由于樣品數據頭部和尾部CT圖像的目標區(qū)域太?。繕藚^(qū)域像元比率小于3%），為提高處理速度，僅選取切片樣號483～2 599作為樣本數據集。圖1展示了樣本數據集里隨機選取的前、中、后3段的原始圖像，分別為切片樣號704，1 668，2 595，每個切片目標范圍大小不一，其中亮度值高且呈現較明亮的區(qū)域為目標區(qū)域，其余為背景區(qū)域。

圖1　原始圖像示例。（a）切片704；（b）切片1 668；（c）切片2 595。

2.2　信息熵

信息熵（Imformation Entropy）最早是由Shannon借鑒熱力學中熵的概念在1948年提出的，它描述了信息來源的不確定性，本質上是對不確定信息的數學化度量，其大小描述了信息的有序程度及包含的信息量。將信息熵引入到圖像中可以度量圖像信息量，評判圖像信息有序與豐富程度［15-16］。CT圖像由大量不同灰度級的像素構成，在CT圖像處理過程中，熵一般度量圖像像素亮度值的均勻程度，CT圖像的信息熵清晰地反映了其信息量的多少，它與圖像灰度變化的不確定性程度密切相關［15］。

假設一張CT圖像的灰度級分布范圍為［0，］，∈［0，］，代表灰度級，（）代表概率；各灰度級像素出現的概率為0，1…p，各灰度級像素具有的信息量則分別為-log20，-log21，…，-log2p。其中（）值越高，圖像所含信息量越大，圖像灰度變化的不確定性程度越大，圖像也就越混亂［16-18］。圖像的信息熵計算公式如式（1）所示：

2.3　信息熵參數提取

由于CT圖像是16位的，所以需要將其轉換為8位，以便進行后續(xù)圖像處理。首先從訓練數據集里的前、中、后三段中隨機選取3張CT圖像切片，分別為切片編號704，1 668，2 595，通過 Adobe Photoshop軟件進行人工手動分離CT圖像目標與背景，獲得分離后的圖像（圖2）；然后計算所選分離后圖像各自的信息熵，分別是0.65，0.54，0.43（表1）。從圖2可以看到，圖2（b）所含信息量相較而言更大，更具代表性，因此最后選取中間圖像切片（樣號1 668）的信息熵0.54作為本文方法的信息熵參數初始經驗值。最后計算切片樣號704和樣號2 595的信息熵值與樣號1 668的信息熵值0.54的誤差都為20%，因此，后續(xù)進行CT圖像的自動分離時，設置信息熵的誤差范圍為20%。

圖2　手動分離后的圖像。（a）切片704；（b）切片1 668；（c）切片2 595。

表1信息熵參數訓練結果

Tab.1　Training results of information entropy parameters

2.4　分割算法步驟

本文主要針對CT圖像來分離目標與背景從而提取目標，通過信息熵的方法使分離得到的目標在完整性和邊緣細節(jié)保留方面都得到了較好的效果。具體分割算法步驟和流程如圖3所示。

圖3　目標智能提取技術流程示意圖

步驟1：將轉換后的8位圖像進行信息熵計算，再訓練信息熵參數。

步驟2：統(tǒng)計灰度圖像的亮度直方圖。用lambda函數根據亮度值進行排序，輸出hisR1（根據像素亮度值從小到大排序）、hisR2（根據像素亮度值統(tǒng)計個數從大到小排序）兩個列表。

步驟3：把hisR2統(tǒng)計結果中像素亮度值統(tǒng)計個數最多時的亮度值作為分割閾值，根據該閾值分離原始灰度圖像的目標與背景，輸出分割閾值。

步驟4：分割單個圖像目標與背景。創(chuàng)建一個大小與原圖像一樣的空白圖像矩陣，根據輸入的閾值對原圖像進行分離，若像素亮度值大于閾值，則認為是圖像的目標，則將該像素對應的位置輸出到新圖像并將亮度值賦值為255，遍歷原灰度圖像的所有像素值，輸出新圖像。

步驟5：計算分離后圖像的信息熵值。將信息熵0.54這個樣本參數值作為處理訓練數據集中第一張CT圖像的輸入值，得到一個新的信息熵值，然后將新信息熵值作為下一個圖像運算的參考值，由此循環(huán)運算直到最后一張圖像運行結束。

步驟6：設置信息熵誤差范圍為20%，判斷誤差是否不大于20%，若是說明分離的結果是可靠的，則結束分離并輸出當前信息熵；若不是則回到步驟5，直到誤差在20%以下。

步驟7：對訓練數據集里所有圖像遍歷進行自動分割，最后輸出分割后的圖像文件以及表格文件。

3 實驗結果與分析

本文實驗環(huán)境為Windows10系統(tǒng)下安裝的PyCharm開發(fā)環(huán)境，通過Python編程語言實現自動分離實驗，分割對象為數量較多的恐龍蛋殼化石切片CT圖像。上述算法運行后最終的結果包括兩部分：分割后的圖像和輸出的表格。其中圖像內容可以明顯提取出目標和邊緣，而表格內容包括CT圖像的樣號、分割閾值以及信息熵值。

3.1　分離效果定量分析

本研究為了符合恐龍蛋殼化石CT圖像數據的特點，將樣本數據集樣號483～2 599的切片CT圖像作為測試集。鑒于信息熵已用于CT圖像目標與背景的自動分離與提取中，本文也給出了該方法對恐龍蛋殼化石切片CT圖像的自動分離結果，包括訓練集和測試集中2 117張切片CT圖像的分割閾值和信息熵。由于通過以上方法獲得的從483～2 599的每個樣號都有一個分割閾值和信息熵值，導致數據量很大。通過觀察輸出的結果表格，發(fā)現信息熵的范圍和分割閾值的范圍都并不寬泛，因此將其分拆成兩個部分，即信息熵結果的頻次統(tǒng)計（表2）和分割閾值的頻次統(tǒng)計（表3）。從表2和表3中發(fā)現，樣本數據集中CT圖像的信息熵值范圍在0.43～0.65之間，最大信息熵值為0.6，出現頻次有236次；分割閾值范圍是66～188，最大分割閾值為97，出現頻次有98次。其中分割閾值范圍即為CT圖像目標的亮度值范圍，由于恐龍蛋殼是由方解石構成的，故所提取的目標即為方解石。

表2信息熵結果頻次分布

Tab.2　Frequency distribution of information entropy results

根據表2、表3進行的信息熵與分割閾值統(tǒng)計，獲得圖4、圖5兩個直方圖。如圖4所示，樣本數據集CT圖像的信息熵分布范圍在0.43～0.65之間，只有一個峰，其中信息熵峰值為0.6；同時信息熵在0.43～0.51之間分布比較均勻但很少且起伏不大，而其他主要集中分布在0.51～0.65之間且大致呈正態(tài)分布，說明樣本數據集分割后CT圖像的信息熵主要集中在0.6左右。而在圖5中，CT圖像分割閾值范圍在66～188之間，且有兩個峰，一個是94～104，另一個是138～150，但主要集中在前一個峰，其中分割閾值最高峰值為97，說明樣本數據集中CT圖像的分割閾值大部分都集中在97左右。

圖4　信息熵統(tǒng)計直方圖

圖5　分割閾值統(tǒng)計直方圖

表3分割閾值結果頻次分布

Tab.3　Frequency distribution of segmentation threshold results

3.2　分離效果定性分析

由于進行自動分離的CT圖像數量較多，因此本文僅從樣本數據集原始圖像與自動分離后圖像的前、中、后3段各自隨機選取3張進行分離效果分析。前段選取的是切片520，668，770；中段選取的是切片1 526，1 655，1 731；后段選取的是切片2 322，2 481，2 576。圖6、7、8給出了CT圖像樣本數據集中前、中、后段選取切片各自的原始圖像及自動分離圖像。圖中左邊列（a）、（b）、（c）為原始圖像，右邊列（d）、（e）、（f）為自動分離目標與背景后提取的目標圖像，即去除了背景后的參考標準圖像。

原始圖像僅以肉眼無法對目標進行有效提取，且存在很大的主觀性，導致誤差過大；而且從原始圖像中并不能清晰辨認目標邊緣輪廓，也不能分辨哪些是氣孔哪些是目標，這對我們的目標分離提取工作帶來了很大的困難（圖6、7、8的左邊列原始圖像）。從圖6、7、8的右邊列分離后的圖像可以看出，自動分離提取目標的結果與手動分離的結果（圖2）相差并不大。本文方法用于自動分離提取目標時獲得了較好的效果，在將目標從背景中正確提取出來的同時保留了完整的目標輪廓，邊緣也十分清晰，并且還可以從圖中分辨出氣孔，為構建恐龍蛋殼三維立體結構提供了基礎。

圖6　前段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

圖7　中段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

圖8　后段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

根據信息熵理論可知，圖像所含內容越多就越混亂，信息熵值就越高。由表2可知，樣本數據集分割后CT圖像的最大信息熵為0.60，而在表4中也可以看出，前、中、后3段信息熵均較高，但中段信息熵均值為0.60，是前、中、后3段圖像里最高的，這與最大信息熵值相同，這說明在樣本數據集中段位置的CT圖像相較其他位置的信息熵更高一些，其內容相對來說也更多。而從圖6、7、8也可看出，中段圖像相較于前、后兩段而言，它所含信息量更多。上述方法用于CT圖像的目標與背景自動分離和提取目標時均獲得了較好的效果，這證明了信息熵用于恐龍蛋殼化石切片CT圖像目標與背景分離提取是可行且有效的。

表4不同位置分離后圖像結果

Tab.4　Image results after different positions separation

4 討論

關于CT圖像分割處理的研究多集中在醫(yī)學領域上，如研究內臟器官和其他病變位置［7-8，10-11］，以及研究脊柱［12-13，19］等，這些方法中有些方法相對而言更復雜并且不能處理大量的樣本。如宋紅等［8］提出的基于動態(tài)自適應區(qū)域生長分割腫瘤的算法，需要對圖像先預分割而獲得感興趣區(qū)域，然后再提取腫瘤區(qū)域。此外，Chu等［19］提出了一個基于學習的統(tǒng)一隨機森林回歸和分類方法，解決了從CT圖像中全自動定位和分割脊柱三維椎體的問題，該方法可以完全自動化，但也需要先用隨機森林回歸方法定義脊柱感興趣區(qū)域。兩者在進行提取目標之前都有先獲得感興趣區(qū)域這一步，而本研究并不需要如此，直接就可以通過信息熵與分割閾值進行自動分離并提取目標，方法更加簡便快速。

與目前廣泛使用的醫(yī)學CT圖像分割方法相比，在恐龍蛋殼化石的CT圖像研究上可借鑒的對象和參考的實例較少。由于恐龍蛋殼化石不同于人體組織或者動物組織，其成分屬于不同的物質類型，兩者的CT圖像信號特征差異較大，因此不能完全照搬前人在醫(yī)學領域的CT圖像分割方法，并且醫(yī)學圖像中物體或結構的分割通常比其他類型的圖像更為復雜。所以針對恐龍蛋殼化石CT圖像，需要選擇一種針對性強且運算效率更高的方法。本實驗采用信息熵作為提取目標的一個參數，在信息熵誤差范圍設置為20%的情況下，經過多次嘗試，分割閾值與信息熵的選定使分離效果明顯，達到了大量CT圖像的目標與背景自動分離的研究目標。實驗證明本文方法是十分有效的，該方法不僅能清晰分離出目標，而且實現了自動化處理，大幅提高了操作效率，同時提供了類似CT圖像處理情況中使用該信息熵范圍直接作為處理的參數。

由于在評價不同方法時使用的數據集以及處理的對象復雜程度不同，直接比較不同的方法是困難的，不能簡單地認為哪一個更好。但值得注意的是，本研究方法可以處理大量CT圖像樣本數據并且效果都不錯，不需要過多的人機交互，真正實現了自動化、智能化?？傊狙芯康闹饕暙I是提出了一種CT圖像在新領域的處理方法。該方法可用于研究類似恐龍蛋殼化石一樣由方解石構成的其他物體CT圖像的分類處理，以該信息熵范圍參數來進行自動分離并提取目標，為快速重構物體三維空間結構奠定了數據基礎。

5 結論

針對大量恐龍蛋殼化石CT圖像手動分割步驟繁瑣、分割精度不高、處理時間長、誤差較大等問題，在閾值分割的基礎上，提出了一種基于信息熵的自動分離CT圖像方法。利用手動分割CT圖像獲取到的信息熵值作為自動分離圖像的參數，通過閾值分割和信息熵的方法進行大量圖像目標與背景的自動分離研究，并進行了廣泛的測試與實驗，其中所獲分割閾值范圍為66～188，信息熵值范圍為0.43～0.65。實驗結果表明，所設計的方法在CT圖像數量較多時，在自動分離圖像目標與背景上可取得很好的效果，其有效分離率高達98.89%，并且該方法能在正確提取目標的同時還能保留完整目標與邊緣細節(jié)，還可以對恐龍蛋殼中保存的氣孔與蛋殼邊界進行有效且精確地提取，提高了操作效率。但是，本研究僅探討了如何處理大量恐龍蛋殼CT圖像的方法，對于恐龍蛋殼本身以及如何重建恐龍蛋的三維立體結構的研究仍有不足，這是作者需要進一步研究的方向。

［1］ 高麗娜，陳文革.CT技術的應用發(fā)展及前景［J］.CT理論與應用研究，2009，18（1）：99-109.

GAO L N， CHEN W G. The application and prospect of CT［J］.， 2009， 18（1）： 99-109. （in Chinese）

［2］ YEN J C， CHANG F J， CHANG S. A new criterion for automatic multilevel thresholding［J］.， 1995， 4（3）： 370-378.

［3］ YANG P， SONG W， ZHAO X B，. An improved Otsu threshold segmentation algorithm［J］.， 2020， 22（1）： 146-153.

［4］ ZHANG K L， LU W M， MARZILIANO P. Automatic knee cartilage segmentation from multi-contrast MR images using support vector machine classification with spatial dependencies［J］.， 2013， 31（10）： 1731-1743.

［5］ SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［J］.， 2017， 39（4）： 640-651.

［6］ 任志淼.基于全卷積神經網絡和動態(tài)自適應區(qū)域生長法的紅外圖像目標分割方法［J］.半導體光電，2019，40（4）：564-570.

REN Z M. Infrared image target segmentation algorithm based on full convolutional neural network and dynamic adaptive region growth［J］.， 2019， 40（4）： 564-570. （in Chinese）

［7］ 翟偉明，胡成文，張偉宏，等.基于動態(tài)自適應體素生長的肺部CT圖像3維分割算法［J］.中國圖象圖形學報，2005，10（10）：1269-1274.

ZHAI W M， HU C W， ZHANG W H，. A dynamic adaptive 3D voxel-growing segmentation algorithm for pulmonary CT images［J］.， 2005， 10（10）： 1269-1274. （in Chinese）

［8］ 宋紅，王勇，黃小川，等.基于動態(tài)自適應區(qū)域生長的肝臟CT圖像腫瘤分割算法［J］.北京理工大學學報，2014，34（1）：72-76.

SONG H， WANG Y， HUANG X C，. A dynamic adaptive region growing segmentation algorithm for tumor of liver CT images［J］.， 2014， 34（1）： 72-76. （in Chinese）

［9］ 張麗娟，章潤，李東明，等.區(qū)域生長全卷積神經網絡交互分割肝臟CT圖像［J］.液晶與顯示，2021，36（9）：1294-1304.

ZHANG L J， ZHANG R， LI D M，. Region-growing fully convolutional neural network interactive segmentation of liver CT images［J］.， 2021， 36（9）： 1294-1304. （in Chinese）

［10］ FILHO P P R， CORTEZ P C， SILVA BARROS A CDA，. Novel and powerful 3D adaptive crisp active contour method applied in the segmentation of CT lung images［J］.， 2017， 35： 503-516.

［11］ MEN K， CHEN X Y， ZHANG Y，. Deep deconvolutional neural network for target segmentation of nasopharyngeal cancer in planning computed tomography images［J］.， 2017， 7： 315.

［12］ ATHERTYA J S， KUMAR G S. Automatic segmentation of vertebral contours from CT images using fuzzy corners［J］.， 2016， 72： 75-89.

［13］ VANIA M， MUREJA D， LEE D. Automatic spine segmentation from CT images using convolutional neural networkredundant generation of class labels［J］.， 2019， 6（2）： 224-232.

［14］ YU C Y， JIANGZUO Q G， TSCHOPP E，. Information in morphological characters［J］.， 2021， 11（17）： 11689-11699.

［15］ 劉學林.一種提高影像信息熵的圖像預處理方法［J］.測繪與空間地理信息，2016，39（7）：21-23，26.

LIU X L. One method of image pretreatment to increase image's information entropy［J］.， 2016， 39（7）： 21-23， 26. （in Chinese）

［16］ 張玉娟，李城林，鐘浩，等.基于信息熵和細節(jié)方差均值與背景方差均值比的無參考圖像銳化結果評價［J］.哈爾濱師范大學自然科學學報，2019，35（1）：36-40.

ZHANG Y J， LI C L， ZHONG H，. Evaluation of no-reference image sharpening results based on information entropy and the ratio of detail variance mean to background variance mean［J］.， 2019， 35（1）： 36-40. （in Chinese）

［17］ 童先群，周忠眉.基于屬性值信息熵的KNN改進算法［J］.計算機工程與應用，2010，46（3）：115-117.

TONG X Q， ZHOU Z M. Enhancement of K-nearest neighbor algorithm based on information entropy of attribute value［J］.， 2010， 46（3）： 115-117. （in Chinese）

［18］ GAO J B， LIU F Y， ZHANG J F，. Information entropy as a basic building block of complexity theory［J］.， 2013， 15（9）： 3396-3418.

［19］ CHU C W， BELAVY D L， ARMBRECHT G，. Fully automatic localization and segmentation of 3D vertebral bodies from CT/MR imagesa learning-based method［J］.， 2015， 10（11）： e143327.

Experimental research on automatic object extraction from CT image based on information entropy—taking CT image of dinosaur eggshell slices as an example

CHEN Chun-yu1，HUANG Ying-cong1，2，4，5，6*，WANG Qiang7，LI Guang-rong1，HE Yue-shun2，3，5

（1，，330013，；2，，330013，；3，，330013，；4，330013，；5，330013，；6，330013，；7，，100044，）

Taking dinosaur eggs as the object， a method of automatic object separation and extraction of CT images based on information entropy is proposed in view of the separation demand of many dinosaur eggshell fossil CT images with target and background， as well as the present situation of cumbersome， low accuracy， requiring more manual participation， and unable to achieve complete automation，Firstly， the sample information entropy parameters are manually trained and used as the parameters for automatic separation of a large number of CT images. Secondly， the segmentation threshold is determined according to the brightness histogram of gray image. Then，the automatic separation is performed based on information entropy algorithm. Finally， according to the segmentation threshold and information entropy value， the final separation and extraction of the target region is realized. The method achieves good separation and extraction results， the segmentation threshold range is 66～188， and the information entropy range is 0.43～0.65.Evaluation experiments based on 3 329 CT images of original slices of 16-position dinosaur eggshells show that this method has a high efficiency of automatic separation and extraction for a large number of CT images， up to 98.89%. In addition， the calcite of the target can be extracted correctly while retaining more complete target and edge details，and the separation process is accurate and fast.

CT image； fossilized dinosaur eggshells； information entropy； segmentation threshold； automatic separation and extraction

TP391.41；TP183

A

10.37188/CJLCD.2021-0343

1007-2780（2022）07-0891-09

2021-12-27；

2022-02-08.

國家自然科學基金（No.41672012，No.41688103，No.41202160）；中國科學院院戰(zhàn)略性先導科技專項（B類）（No.XDB26000000）；核資源與環(huán)境國家重點實驗室開放基金（No.NRE1913）；江西省放射性地學大數據技術工程實驗室開放基金（No.JELRGBDT202002）；江西省數字國土重點實驗室開放基金（No.DLLJ201916）；東華理工大學博士科研啟動基金（No.DHBK2018021）

Supported by National Natural Science Foundation of China （No. 41672012， No. 41688103， No. 41202160）； Strategic Priority Research Program of the Chinese Academy of Sciences （Type B）（No.XDB26000000）； Open Foundation of State Key Laboratory of Nuclear Resources and Environment （No.NRE1913）； Open Foundation of Jiangxi Provincial Radiology Big Data Technology Engineering Laboratory （No.JELRGBDT202002）； Open Foundation of Jiangxi Provincial Key Laboratory of Digital Land （No.DLLJ201916）； Doctoral Research Foundation of East China Institute of Technology （No.DHBK2018021）

，E-mail：5828516@qq.com

陳春玉（1997—），女，四川成都人，碩士研究生，2019年于內江師范學院獲得學士學位，主要從事數字圖像處理與三維地質建模方面的研究。E-mail：1002075910@qq.com。

黃映聰（1979—），男，四川宜賓人，博士，高級工程師，2009年于吉林大學獲得博士學位，主要從事遙感圖像語義識別與地學人工智能方面的研究。E-mail：5828516@qq.com