基于分割和轮廓特征的医学牙齿图像处理GVF-Snake算法研究

发布时间：2014-12-03 11:03

【摘要】 爆炸、海啸、空难、车祸等灾难性事故以及刑事案件的不断发生使得个体身份鉴定技术的应用需求越来越迫切。通常用于识别的生理特征诸如指纹、虹膜、唇纹、人脸等在上述事件中因自身所有的有机物质的组织特性而无法长久保存,从而不能发挥其应有的价值,而精确度极高的DNA检测的鉴定成本高,检测周期长,同时其检验准确性也受到所用材料的质量和数量的影响,失去了其在大型灾难事故身份鉴定的实用性。牙齿由于自身稳定的性质以及颌骨的保护,具有很好的防腐性和抗降解性,而口腔医学的发展和人们护牙意识的提升,积累和保存了大量的牙齿医学图片,同时不同个体之间存在牙齿的差异性,可以满足作为识别特征的唯一性,使得牙齿作为灾难事故中个体身份鉴定的特征成为可能。个体身份鉴定技术就是指利用计算机图像处理技术通过判断识别人类的生物特征进行个体身份认定的技术。通常所用的生物特征包括两类：生理特征与行为特征,指纹、虹膜、掌纹等均属于生理特征,而语音、步态、签名等属于行为特征。用于识别的特征通常需具备唯一性、可测量、一定时期内的稳定性以及不易假冒和伪造的特点。在基于牙齿形态的个体身份鉴定系统中,目标牙齿的分割与定位是关键步骤之一,分割目标的完整性直接决定了识别结果的有效性。特征的提取选择需选择具有个体差异性的方面,其结果的好坏会严重影响后续的分类、相似性度量等操作的效果。本文首先介绍了数字图像分割与特征提取技术的定义、研究意义和国内外发展现状,然后研究了牙齿医学图像(咬翼片)的分割与轮廓特征的提取方法。牙齿医学图像的分割目标就是将单颗牙齿所在的区域从整幅图像中分割出来。分水岭算法是属于数学形态学领域的基于区域的图像分割算法,能够得到封闭边缘且能够良好地响应微弱边缘,但是传统的分水岭方法存在严重的过分割现象。鉴于牙齿医学图像存在前景目标与背景灰度值差别不大、多目标物体且相邻牙齿之间存在粘连、灰度值分布不均匀、以及噪声较多的特点,运用形态学方法对其进行预处理操作,可以降低或消除目标物体之间的粘连性,改善牙齿医学图片的可读性。轮廓特征作为图像最基本的特征之一,是图像分析不可缺少的一部分。主动轮廓模型即Snake模型融合了先验知识和图像本身的特征,具有良好的提取特定区域内目标的能力。作为Snake算法的改进算法,GVF (Gradient Vector Flow)-Snake算法即梯度矢量流模型具有更大的捕获范围,且能够检测凹陷区域的轮廓,从而得到重视与广泛应用。在应用GVF-Snake算法进行牙齿轮廓特征提取时,针对初始轮廓的选择问题,提出了一种与前面形态学处理得到的结果相结合的初始轮廓设置方法,无需再人工设置初始轮廓；对提出的算法进行仿真实验,得到的结果表明单颗牙齿的分割与牙齿轮廓特征的提取结果较为精确。 

第一章绪论

1.1课题背景与研究意义
数字图像处理技术起源于二十世纪二十年代，当时通过海底电缆采用数字压缩技术从英国伦敦到美国纽约传输了第一幅数字照片，随后在遥感领域得到应用而逐步受到关注。第三代计算机技术的问世使得数字图像处理技术得到了飞速的发展，其应用也更加广泛，逐步成为了一个新兴的学科。早期的数字图像处理主要是为改善图像的质量，它以人为服务对象，以改善视觉效果为目的。信息高速公路概念的提出与Internet在实际生活中的广泛应用，使得人类对拥有信息含量大、传输速度快等众多优点的图像信息的需求量与日俱增，数字图像的处理技术已经成为了人类获取信息的重要来源，同时也是利用信息的重要方法。随着计算机技术、人工智能、和思维科学研究的迅速发展，数字图像处理技术向更高、更深层次的方向发展。图像处理科学与技术逐步向计算机科学、信息科学、医学等其他学科逐步渗透，并为其所利用的趋势己经成为必然。
数字图像的处理技术在生物医学工程方面的应用非常广泛，且其成效十分显著。在1972年，英国EMI公司工程师Housfield发明了 X射线计算机断层摄影装置用于头颇疾病的诊断，这也就是医学图像中通常所用的CT(ComputerTomograph)o之后该公司又成功研制出可获得人体各个部位的清晰的断层图像装置，并因此获得了备受科学界瞩目的诺贝尔奖，为人类做出了卓越的贡献，数字图像处理技术因此而大放异彩[1]。除CT技术之外，数字图像处理技术在对医用显微图像的处理分析方面如白细胞、红细胞进行分类，染色体的分析，癌细胞的识别等应用非常广泛。同样数字图像处理技术也在X射线肺部图像增强、超声波图像的处理、心电图的分析、立体定向放射治疗等医学诊断方面得到了有效运用。这些包含大量生理、病理信息的医学图像是医生用来进行临床诊断、病情跟踪、手术计划、鉴别诊断的重要依据。
.....................................

1.2数字图像处理技术概论
一幅图像可以用一个二维函数来表示：/(x,y)，其中)c, y是空间坐标，/在Oc，y)处的值的大小即为图像在该点处的灰度或者亮度[1]。当X, y, /的值均为有限的离散值时，图像就被称为数字图像。即数字图像是由有特殊位置和数值的元素组成，这些元素被称为像素或画素。
数字图像处理技术从两个方向发展起来的，一个从人的角度对图像改进便于人们的分析解读，另外一个方向是从设备或者机器的角度对图像信息能够进行有效的处理、显示和存储。
图像的计算机化处理分为三种类型：低级、中级和高级。低级的计算机处理包括像降噪的预处理、对比度增强与锐化处理等原始操作。中级的处理一般输入为图像，其输出则是与从图像提取出的某些属性特征相关，例如轮廓、边缘等。高级的计算机化处理则是通过执行与人类视觉相关联的感知函数来对对象进行识别确认的处理。
常用的数字图像的处理方法有很多种。图像编码压缩技术能够减少描述图像的冗余数据量，达到节省传输、处理图像的时间和减少存储容量的目的。数据的压缩可以以不失真为前提，也可以在允许的失真条件下进行。编码压缩在图像处理技术中属于发展较早且较成熟的技术。图像变换即是利用傅里叶变换、离散余弦变换等处理将图像从空域变换到频域进行处理，也可以利用小波变换、S变换等在空域与频域均有良好的局部特性的处理方法来全面查看图像信息，为后续操作打下基础。为提高图像的质量可以对图像进行增强和复原的操作，比如除噪、提高清晰度等。图像增强能够突出图像的感兴趣目标的部分，并不考虑图像质量下降的原因，例如对图像的高频部分进行增强可使物体目标的轮廓清晰、细节明显，而强化低频部分可以滤除一部分噪声。而图像的复原操作则需要了解图像质量下降的原因，然后在复原的过程中根据分析出的降质的原因采用相对应的滤波方法以恢复或重建原来的图像。图像分割技术是指将待处理的图像细分为对象或者组织区域，其细化的程度取决于要解决的问题。分割是提取图像中感兴趣目标的定量信息不可缺少的手段，同时也是识别分类过程的预处理步骤。图像描述是图像分类识别的必要前提。对于最简单的二值图像可采用其几何特性描述图像的特性。一般来说，图像的描述方法可采用边界描述或区域描述等二雒形状描述，对于具有特殊的纹理图像来说釆用二维纹理特征描述比较适合。图像的分类识别技术主要是将图像经过去噪、增强等预处理后对图像进行分割和提取特征，用来进行分类识别的特征通常需要具备唯一性、稳定性，可量化计算。计算提取样本与待识别目标的特征向量的相似性距离，应用某种判决方法进行分类识别[24]。
.....................................

第二章基于数学形态学预处理的分水岭分割算法

2.1数学形态学综述
2.1.1 二值图像形态学
数学形态学的语言和理论通常表现为二值图像的二重视图[1]。运用数学形态学对二值图像进行操作是一种针对集合的操作过程，是将结构元在图像内平移，同时施加交、并等基本集合运算。
膨胀即是将二值图像中的目标物体“加长”或“增粗”的操作[1]。改变的方式与程度由一个称为结构元素的集合来控制。设待处理的图像为J，结构元素为5，A被5膨胀记为乂?5，定义为：
其中0表示空集。图像J被结构元素5膨胀即为所有结构元素原点位置组成的集合，映射并平移后的5至少与X的某些部分重叠。
腐烛即是将二值图像中的目标物体“收缩"或“细化”的操作[1]。同膨胀操作同，改变的方式与程度也是由结构元素来控制。图像A被结构元素B腐烛定义为：
对二值图像分别作膨胀与腐她操作得到的结果如下：
从上图（b)中可以看出，膨胀操作将图像中的目标物体的边缘点与其相邻的背景像素按照一定方式结合并且作为目标图像的一部分使目标图像的面积增大，通过膨胀，图像中较小的孔洞或者物体边缘的小的H陷部分能够被填充，起到对图像背景进行滤波的作用。而从（C)中可以看到腐蚀操作将图像中目标物体的边界点进行一部分的消除使得目标物的面积减少，相当于一定程度上对图像的目标物体进行滤波。
...............................

2.2分水岭分割算法
分水岭算法[43]是较新的基于拓扑理论的图像支解要领，同样属于数学形态学范畴，作为一种有用的图像支解本领，现在已遍及应用于图像阐发范畴。
2.2.1分水岭算法原理
分水岭分割算法的实现过程目前较著名且使用较多的有模拟浸水与模拟降水两种算法：
一是自下而上的桂地积水也就是模拟浸水的过程：首先，对原始图像求取梯度图像；然后，将梯度图像视为一个高低起伏的地形图，原图上较平坦的区域梯度值较小，构成盆地，原图上的边界区域梯度值较大，构成分割盆地的山脊；接着，水从盆地内最低桂的地方渗入，随着水位不断长高，有的桂地将被连通，为了防止两块洼地被连通，就在分割两者的山脊上筑起水坝，水位越涨越高，水现也越筑越高；最后，当水现达到最高的山脊的高度时，算法结束，每一个孤立的积水盆地对应一个分割区域。
二是自上而下的模拟降水的过程：在地理学中，分水岭即为在其两侧区域有着不同流向的水系的山脊。众所周知，水朝地势低的地方流动直至某个低洼处停留下来，这些低洼处可以被称为储水盆地。最后，所有的水会分聚在不同的储水盆地，任意的相邻的两个吸水盆地之间的山脊被称为分水岭。在水流开始时水朝不同的吸水盆地流去的可能性是相等的，这些储水盆地就可以看作是分水岭分割出来的。将这种想法应用于图像分割中，对图像进行空域分析，可以将待处理的灰度图像看成拓扑地形图，其中像素的灰度值对应为该点的海拔高度值，寻找不同的吸水盆地即分割后的小区域与分水岭即分割线就是完成图像分割。其示意图如下：
...............................

第三章 基于GVF-Snake模型的轮廓特征提取 ................33-39 
3.1 传统Snake模型简介 ...................33-36 
3.1.1 传统Snake模型的定义....................... 33-34 
3.1.2 基于传统Snake模型的轮廓提取............ 34-36 
3.2 GVF-Snake模型简介 ....................36-38 
3.2.1 GVF-Snake模型的定义 ....................36 
3.2.2 基于GVF-Snake模型的轮廓提取 ............36-38 
3.3 本章小结 .....................38-39 

第四章 牙齿分割与轮廓特征提取算法应用

4.1牙齿图片介绍：
成人牙齿即恒牙按照其形态与功能可分为四类：切牙(Incisor)位于口腔前部，共8个；尖牙(Cuspid)位于口角处，共4个，牙冠粗壮，牙根长而粗；前磨牙(Premolar)；又称双尖牙，位于尖牙之后，磨牙之前，共8个；磨牙(Molar):位于前磨牙之后，共12个，结构复杂。国际通用牙齿结构图如下:
在实验中我们所用的图片牙齿X线图像主要有三种类型：咬翼医学影像、根尖周医学影像、全齿医学影像。三类图片举例如图4.2所示，其中（a)为咬翼医学影像，（b) (C)分别为上颌牙与下颌牙的根尖周医学影像，（d)为全齿医学影像。
为全面获取诊断信息，全齿医学影像一般呈现了较为复杂的烦面部解剖结构，其成像范围一般包括牙齿在牙槽骨中的位置及其与周围组织的解剖关系，因此在牙齿鉴定相关处理范围内存在很多的冗余信息，且在门牙等区域受其它器官与组织的干扰较大，该部分区域较为模糊。根尖周图片一般用来显示特定的关注部位。
咬翼片图像显示的是牙銀线上方的牙齿以及牙齿之间的部分骨头信息，图像中包含的牙齿种类一般有前磨牙和磨牙两种，被用来诊断牙銀病变与牙齿蛀洞，通过咬住放在舌头一侧的纸板片来进行定位拍照。
通过对三类图片分析发现，咬翼图像作为牙科医学中最常见的X光片之一，成像较为清晰且取材方便，因此在本实验中应用咬翼医学影像为图像处理对象。
..............................

结论

随着计算机技术的发展，计算机医学图像技术已广泛应用于现代医学、生物医学研究和临床领域，取得了显著的成效。利用计算机图像技术进行个体身份鉴定的应用也越来越广泛，特别是在许多重大事故的无名尸骨的身份鉴定中，相对于指纹、虹膜等常用的识别特征不易保存的特性，牙齿因其特有强抗腐蚀性、作为识别特征的唯一性以及成本低、取材方便等独特的应用价值发挥了关键作用。本文对作为识别系统的前期工作即牙齿医学图像（咬翼片）的分割算法与轮廓特征提取方法进行了重点研究。
1、在牙齿医学的图像的分割算法中，提出了一种基于数学形态学预处理的分水岭分割算法。针对医学图像的成像过程造成的前景与背景灰度值相似以及灰度分布不均匀的特点，在分割之前需要应用高低帽变换等对图像进行增强；同时根据牙齿结构的特点以及相邻牙齿之间存在的粘连性的特点，需要应用腐蚀、空洞填充等操作来进行处理，达到了去噪等目的；最后应用基于距离变换的分水岭分割算法，得到单颗牙齿的分割结果，无需合并等后续处理即可达到减少过分割现象的目的；
2、应用标记算法将单颗牙齿从整幅图像中分割出来并编号保存；同时保存其在形态学处理时得到的轮廓，并对其根据单颗完整牙齿的编号特性进行相对应的编号，便于后续轮廓特征提取操作；
3、在运用GVF-Snake算法提牙齿外轮廓特征时，应用了在形态学处理时得到的腐蚀后的牙齿轮廓作为初始轮廓，经过统一的规范化处理与保存，初始轮廓的空间位置等信息与待处理的单颗牙齿相同，无需人工设置初始轮廓，实现了轮廓提取的自动化；
通过对不同的咬翼片图像进行实验得到的结果可以看到，提出的分水岭分割改进算法在能够有效的减少过分割现象的同时精确地得到单颗牙齿的定位。与形态学处理的得到的结果相结合的GVF-Snake算法也能够较为精确地找出牙齿外边缘语牙髓腔的近似轮廓线，且无需人工干预设置初始轮廓，能够进行牙齿的自动分割与轮廓提取。
...........................................
参考文献:

[1] 蔡军,王欣.  数字图像处理技术[J]. 科技信息. 2012(31)
[2] 莫宏兵,赵刚.  基于细菌模糊聚类算法的牙齿图像分割技术研究[J]. 黑龙江医药科学. 2011(01)
[3] 张德才,周春光,周强,池淑珍,王甦菁.  基于轮廓的孔洞填充算法[J]. 吉林大学学报(理学版). 2011(01)
[4] 徐宝福,丰鹤,赵伟,赵媛霞,贾子庶,刘力.  根据数字全颌曲面断层片进行个体识别研究[J]. 中国法医学杂志. 2010(05)
[5] 沈晔,李敏丹,夏顺仁.  基于内容的医学图像检索技术[J]. 计算机辅助设计与图形学学报. 2010(04)
[6] 许新征,丁世飞,史忠植,贾伟宽.  图像分割的新理论和新方法[J]. 电子学报. 2010(S1)
[7] 谭宇,田雪梅,王世安,王新帅.  利用牙齿影像进行同一认定的研究进展[J]. 刑事技术. 2010(01)
[8] 杨玲,王中科,王云鹏.  牙缝约束下模糊连接法对单颗牙齿的分割[J]. 计算机工程与设计. 2009(21)
[9] 朱士虎,朱红,何培忠.  形态学运算中结构元素选取方法研究[J]. 现代计算机(专业版). 2009(07)
[10] 卢中宁,强赞霞.  基于梯度修正和区域合并的分水岭分割算法[J]. 计算机工程与设计. 2009(08)


本文编号：10210