【正文】 是他們?cè)谖耶厴I(yè)的最后關(guān)頭給了我們巨大的幫助與鼓勵(lì)， 給了我很多解決問(wèn)題的思 路， 在此表示衷心的感激。 致 謝 四年的大學(xué)生活就快走入尾聲，我們的校園生活就要?jiǎng)澤暇涮?hào)，心中是無(wú)盡的難舍與眷戀。沒(méi)有他們的幫助，我將無(wú)法順利完成這次設(shè)計(jì)。本人授權(quán) 大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過(guò)的研究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。 由于 Sobel 算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數(shù)，簡(jiǎn)單有效，因此應(yīng)用廣泛。 但 實(shí)驗(yàn)結(jié)果 表明 ， 該方法對(duì)圖像邊緣的檢測(cè)精度較高 ，提供了較為精確的邊緣方向信息， 抗噪聲能力強(qiáng)。 set(gca, 39。 set(fg, 39。 imshow(c6)。 set(gca, 39。 else c6(i,j)=0。 set(gca, 39。 set(fg, 39。 imshow(c4)。 set(gca, 39。 else c4(i,j)=c2(i,j)。 set(gca, 39。 set(fg, 39。 imshow(c2)。 set(gca, 39。 else 16 c2(i,j)=0。)。)。 imshow(c)。 set(gca, 39。 c=imresize(c,[256,256])。39。 折半查找法的優(yōu)點(diǎn)是 明顯減少 比較次數(shù)，查找速度快，平均性能好 ， 所以，在得到圖像的灰度直方圖后， 就知道了 各像素灰度值出現(xiàn)的次數(shù) ，即 反映 出 該圖像中不同灰度值出現(xiàn)的頻率， 可進(jìn)行多次折半查找，來(lái)獲得較為合適的閾值。當(dāng)圖像紋理較為復(fù)雜時(shí)，要求精度較高時(shí)，需要采用直方圖與此算子相結(jié)合的來(lái)得到更為精確的邊緣。 Sobel 算子利用像素點(diǎn)上下、左右鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一現(xiàn)象 進(jìn)行邊緣的檢測(cè)。 索貝爾（ Sobel）算子是一種一階微分算子，它利用像素鄰近區(qū)域的梯度值來(lái)計(jì)算一個(gè)像素的梯度，然后根據(jù)一定的閾值來(lái)取舍 ，得到圖像中的邊緣。經(jīng)典的算法中主要用梯度算子，其中 Sobel算子效果較好，其噪聲抑制效果也較好，它所采用的算法是先進(jìn)行加權(quán)平均，然后進(jìn)行微分運(yùn)算。即物體中的深色像素產(chǎn)生了直方圖上的左峰， 而 背景中大量的灰度級(jí)產(chǎn)生了直方圖的右峰。它包含了該圖像中某一灰度值的像素出現(xiàn)的概率，而丟失了其所在位置的信息。直方圖概括地表示了一幅圖像的灰度級(jí)信息。圖像的直方圖包含了豐富的圖像信息，描述了圖像的灰度級(jí)內(nèi)容，反映了圖像的灰度分布情況。它們都通過(guò)計(jì)算像的梯度值來(lái)增強(qiáng)圖像，通過(guò)對(duì)梯度按閾值取舍的方法檢測(cè)邊緣。 提取邊緣的結(jié)果邊緣較粗 ， 邊緣定位不是很準(zhǔn)確 ， 容易丟失一部分邊緣 ， 同時(shí)沒(méi)有經(jīng)過(guò)圖像平滑計(jì)算 ， 因此不能抑制噪聲 。 Canny 邊緣檢測(cè)算子的顯著特點(diǎn)是邊緣定位性準(zhǔn)確，連續(xù)性較好，虛假邊緣少且邊緣均具有單像素寬度 [18]。 它是一種奇數(shù)大小的模板下的全方向微分算子， 此 算子形式如下： ???????????????????????? ????101202101121000121yx ff （ ） 梯度算子包含著著微分運(yùn)算，它對(duì)算子比較敏感，對(duì)圖像中的噪聲有一定的放大作用。 圖像 ),( yxf 在點(diǎn) ),( yx 處的梯度是一個(gè)向量，定義為 ： Tyfxff ?????? ?????Δ （ ） 梯度的方向是函數(shù) ),( yxf 最大變化率的方向，梯度的幅值就是 ),( yxf 在梯度方向上單位距離的增量。 邊緣檢測(cè)算子就是通過(guò)檢查每個(gè)像素點(diǎn)的鄰域并對(duì)其灰度變化進(jìn)行量化來(lái)達(dá)到邊界提取的目的，而且大部分的檢查算子還可以確定邊界變化的方向， 主要分為經(jīng)典算子、最優(yōu)算子、多尺度方法及自適應(yīng)平滑濾波方法。實(shí)驗(yàn)結(jié)果表明：與 Canny 邊緣檢測(cè)方法相比，該方法對(duì)異源圖像間的粗大邊緣具有很好的邊緣檢測(cè)效果，與先分割再提取邊緣的方法相比，該方法可以提取灰度值分布較集中且噪聲較大的紅外圖像粗大邊緣 [15] 。 多年來(lái)，國(guó)內(nèi)外的眾多專家學(xué)者都致力于邊緣檢測(cè)的研究，并相繼提出了許多有效的理論與方法，但由于圖像自身的復(fù)雜性、邊緣與噪聲難以區(qū)分、陰影紋理等干擾 4 因素同樣表現(xiàn)出邊緣的性質(zhì)不盡相同等等，使得邊緣檢測(cè)直到現(xiàn)在仍然難以很好的得到解決。圖像中的邊緣檢測(cè)最開(kāi)始使用的都是一些非常經(jīng)驗(yàn)的方法，用一些局部算子，如梯度的估計(jì)，又如用邊緣的特征 模塊對(duì)圖像進(jìn)行卷積，然而由于這些方法普遍存在一些明顯的缺陷，導(dǎo)致其檢測(cè)結(jié)果并不盡如人意 [10]。 長(zhǎng)期以來(lái)，人們已付出許多努力，設(shè)法利用邊界來(lái)尋找區(qū)域，進(jìn)而實(shí)現(xiàn)物體的識(shí)別和景物分析，由于目標(biāo)邊緣、圖像紋理甚至噪聲都可能成為有意義的邊緣，因此很難找到一種普適性的邊緣檢測(cè)算法 。 因此，研究圖像邊緣檢測(cè)算法具有極其重要的意義。而邊緣存在于圖像的不規(guī)則結(jié)構(gòu)和不平穩(wěn)現(xiàn)象中，也即存在于信號(hào)的突變點(diǎn)處，這些點(diǎn)給出了圖像輪廓的位置，這些輪廓常常是我們?cè)趫D像分析時(shí)所需要的非常重要的一些特征，這就需要我們對(duì)一幅圖像 檢測(cè)并提取它的邊緣 [5]。然而由于醫(yī)學(xué)成像設(shè)備的成像機(jī)理、獲取條件和顯示設(shè)備等因素的限制， 在一個(gè)圖像系統(tǒng)中，圖像的獲取、發(fā)送、傳輸、接收、輸出、復(fù)制等 各個(gè) 環(huán) 節(jié)都會(huì)產(chǎn)生干擾， 從而降低 圖像 的 質(zhì)量 [2]。早期的圖像處理目的是改善圖像的質(zhì)量，以人為對(duì)象，以改善人的視覺(jué)效果為目的 ， 輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像 。 圖像邊緣檢測(cè)是圖像處理 、 圖像分析、模式識(shí)別、計(jì)算機(jī)視覺(jué)以及人類視覺(jué)的基本步驟。因此，本課題采用了 將直方圖技術(shù)和索貝爾算子相結(jié)合方法， 來(lái)得到 對(duì) MR 腫瘤圖像 較好的 邊緣檢測(cè)效果。 近年來(lái)，隨著計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和醫(yī)療技術(shù)的不斷發(fā)展， 醫(yī)學(xué)圖像已成為臨床診斷、病理 分析及治療的重要依據(jù)和手段 ，醫(yī)學(xué) 圖像處理 (Image Processing)是 用計(jì)算機(jī)對(duì) 已獲得的醫(yī)學(xué) 圖像 作進(jìn)一步的處理， 進(jìn)行分析， 其目的或者是使不夠清晰的圖像復(fù)原，或者是為了突出圖像中的某些特征信息，或者是對(duì)圖像做模式分類等， 以達(dá)到所需結(jié)果的技術(shù) [1]。 2 邊緣檢測(cè) 在 醫(yī)學(xué) 圖像處理中的應(yīng)用 圖像邊緣是一種重要的視覺(jué)信息 ,圖像邊緣檢測(cè)是圖像處理、圖像分析、模式識(shí)別、計(jì)算機(jī)視覺(jué)以及人類視覺(jué)的基本步驟。 邊緣檢測(cè)在許多方面都有非常重要的使用價(jià)值，它的解決對(duì)進(jìn)行 高層次的特征描述、識(shí)別和理解都有著重要影響。 其結(jié)果的正確性和可靠性 將直接影響到機(jī)器視覺(jué)系統(tǒng)對(duì)客觀世界的理解。 早在 1959 年 Julez 就曾提及邊緣檢測(cè)技術(shù)，而 Roberts 則于 1965 年開(kāi)始了最早期的系統(tǒng)研究，從此有關(guān)邊緣檢測(cè)的理論方法不斷涌現(xiàn)并推陳出新。 近年來(lái)又提 出了將模糊數(shù)學(xué)、神經(jīng)元網(wǎng)絡(luò)和數(shù)學(xué)形態(tài)學(xué)應(yīng)用于邊緣檢測(cè)的思想 [12]。實(shí)驗(yàn) 證明采用所提出的算法可以得到比較完整的邊緣圖，定位誤差比傳統(tǒng)的邊緣檢測(cè)算法小 [14]。 圖像的邊緣是指圖像局部區(qū)域亮度變化顯著的部分 ， 該區(qū)域的灰度剖面一般可以看做一個(gè)階躍 。 下面 將 介紹基于一階和二階導(dǎo)數(shù)邊緣檢測(cè)的算子。因此提出了羅 伯特（ Robert）算子，此算子邊緣檢測(cè)能力優(yōu)于簡(jiǎn)單梯度算子。 Canny 算子 以上算子在進(jìn)行邊緣檢測(cè)時(shí)，檢測(cè)到的邊緣往往存在著位置不準(zhǔn)、非單像素寬等問(wèn)題，于是 Canny 提出了用于邊緣檢測(cè)的一階微分濾波器 )(xh? 的三條最優(yōu)化準(zhǔn)則，即最大信噪比準(zhǔn)則、最優(yōu)過(guò)零點(diǎn)定位準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則。 其次 ， 抑制噪聲和邊緣精確定位是無(wú)法同時(shí)滿足 的 。 算子提取邊緣的結(jié)果 較完整 ， 位置 較準(zhǔn)確 ， 但含有很多噪聲點(diǎn) 。 LoG 算法比坎尼算法更容易受到噪聲影響。任何一幅圖像的直方圖都包括了該圖像的許多特征信息，利用直方圖技術(shù)對(duì)圖像進(jìn)行邊緣檢測(cè)處理，可以得到想要的預(yù)定效果的圖像，方便對(duì)其作進(jìn)一步處 理。因?yàn)?)(kr rp 給出了對(duì)出現(xiàn)概率的一個(gè)估計(jì)，所以直方圖提供了原圖的灰度值分布情況。 直方圖的應(yīng)用 檢查數(shù)字化參數(shù) 直方圖給出了一個(gè)簡(jiǎn)單可見(jiàn)的指示，用來(lái)判斷一幅圖像是否合理地利用了全部被允許的灰度級(jí)范圍。直方圖是面積函數(shù)導(dǎo)數(shù)的負(fù)值，在谷底附近直方圖的值相對(duì)較小，這表明面積函數(shù)隨閾值灰度值的變化很緩慢。而灰度直方圖是一幅圖像中各像素灰度值出現(xiàn)次數(shù)或頻率的統(tǒng)計(jì)結(jié)果，反映了該圖像中不同灰度值出現(xiàn)的頻率。此算子簡(jiǎn)單有效，雖產(chǎn)生的邊緣較粗，但在檢測(cè)階躍邊緣時(shí)可以得到至少兩個(gè)像素的邊緣寬度。因此， 此種 邊緣檢測(cè)算法檢測(cè)效果并不 太 理想 [24]。 其基本思路是：先檢索中間的一個(gè)數(shù)據(jù)，看它是否為所需的數(shù)據(jù)，如果不是，則判斷要找的數(shù)據(jù)是在中間數(shù)的哪一邊，下次就在這個(gè)范圍內(nèi)查找。 本文中圖像數(shù)據(jù)源 6 幅， 均 為 T1 加權(quán)腦膜瘤 核磁共振圖像，圖像大小為256256? ，層厚 5mm。 fenmu=double(cha)。 set(fg, 39。 set(gca, 39。 %用 Sobel 微分算子進(jìn)行邊緣檢測(cè) ，自動(dòng)選擇閾值 fg = figure。units39。 %運(yùn)用折半查找法 for i=1:256 for j=1:256 if c(i,j)= amp。 set(fg, 39。 set(gca, 39。%對(duì)圖像進(jìn)行 去白邊 處理 pos = get(fg, 39。, 39。 for i=1:256 for j=1:256 if c2(i,j)= amp。 set(fg, 39。 set(gca, 39。 pos = get(fg, 39。, 39。 for i=1:256 for j=1:256 if c4(i,j)= amp。 set(fg, 39。 set(gca, 39。 pos = get(fg, 39。, 39。 已知本文中圖像數(shù)據(jù)源有 6 幅，均為 T1 加權(quán)腦膜瘤核磁共振圖像，圖像大小為256256? ，層厚 5mm。所以對(duì)于紋理較細(xì)的的圖像，僅僅用索貝爾算子檢測(cè)到的圖像邊緣往往不夠精確，所以需要借助直方圖與索貝爾算法相結(jié)合來(lái)對(duì)圖像進(jìn)行邊緣檢測(cè)以得到更為精確的邊緣。在此，特別表示對(duì)郭老師最真摯的感謝！另外，校生物醫(yī)學(xué)工程系的其它老師也對(duì)本論文的完成做了必要得指導(dǎo)，對(duì)此也對(duì)這些老師表示感謝。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和 集體，均已在文中以明確方式標(biāo)明。本次畢業(yè)設(shè)計(jì)是對(duì)我大學(xué)四年學(xué)習(xí)下來(lái)最好的檢驗(yàn)。 其次，我要感謝大學(xué)四年中所有的任課老師和輔導(dǎo)員在學(xué)習(xí)期間對(duì)我的嚴(yán)格要求，感謝他們對(duì)我學(xué)習(xí)上和生活上的幫 助，使我了解了許多專業(yè)知識(shí)和為人的道理，能夠在今后的生活道路上有繼續(xù)奮斗的力量。四年的風(fēng)風(fēng)雨雨，我們一同走過(guò)，充滿著關(guān)愛(ài)，給我留下了值得珍藏的最美好的記憶。在論文的撰寫(xiě)過(guò)程中 老師們 給予我很大的幫助，幫助解決了不少的難點(diǎn)，使得論文能夠及時(shí)完成，這里一并表示真誠(chéng)的感 謝。感謝老師四年來(lái)對(duì)我孜孜不倦的教誨，對(duì)我成長(zhǎng)的關(guān)心和愛(ài)護(hù)。從他身上，我學(xué)到了許多能受益終生的東西。 首先非常感謝學(xué)校開(kāi)設(shè)這個(gè)課題，為本人日后從事計(jì)算機(jī)方面的工作提供了經(jīng)驗(yàn)，奠定了基礎(chǔ)。 作者簽名： 日 期： 29 學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。 25 參 考 文 獻(xiàn) 1 堯德中，李永杰，周山宏 . 生物醫(yī)學(xué)中的信息技術(shù) . 電子科技大學(xué)學(xué)報(bào)（社科版）， 20xx， 3（ 2）： 3~9 2 廖凱 . 醫(yī)學(xué)圖像處理技術(shù)淺談 . 科學(xué)信息（科學(xué)教研）， 20xx (7) 3 朱秀昌，劉峰，胡棟 . 數(shù)字圖像處理與圖像通信 . 北京：北京郵電大學(xué)出版社， 2