一种基于改进Canny算法的肺炎图像边缘检测方法

摘要

本发明公开了一种基于改进Canny算法的肺炎图像边缘检测方法，包括以下步骤，对输入的原始肺炎图像进行对比度增强处理，获得增强图像；对增强图像使用双边滤波器进行双边滤波，获得降噪图像；对降噪图像进行高斯滤波，获得滤波图像；计算滤波图像的梯度，获得梯度图像；对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。本发明通过改进Canny算法，采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，双边滤波器滤除椒盐噪声，不仅增强了原始肺炎图像对比度，而且实现了保边去噪，改善了现有的边缘检测方法存在的图像边缘检测准确率不高的问题。

说明书

技术领域

本发明涉及图像检测技术领域，特别是涉及一种基于改进Canny算法的肺炎图像边缘检测方法。

背景技术

肺部CT影像是新冠肺炎患者排查、确诊和治疗过程中，需要多次进行的检查项目，通过肺部CT影像结果，可区别出正常肺、普通肺炎、新冠肺炎，进而对新冠肺炎患者康复情况进行监测，通过对比患者多次肺部CT影像中病灶数据信息来判断病灶状况，进而获得患者病情发展情况，确定其康复程度。

现阶段，新冠肺炎患者在确诊及治疗过程中，仍主要通过医生对肺部CT影像中病灶情况进行判断，由医生根据专业知识与经验给出诊断结果，为了保证医生在诊断过程当中给出正确、可靠的诊断结果，需要为医生提供准确、清晰的患者肺部CT影像，一张边缘清晰、信噪比高的肺部影像图片是新冠肺炎患者确诊及治疗的关键步骤。

基于深度学习识别新冠肺炎胸部CT图像的技术已有相关研究，主要是通过深度学习算法，使优化后卷积模型能够对新冠肺炎患者肺部图像开展病灶的自动识别，从而判断该名病患是否患有新冠肺炎，以及病患的病情发展情况等，但目前识别方法的边缘识别结果不够清晰，检测准确率低。

发明内容

本发明提供一种基于改进Canny算法的肺炎图像边缘检测方法，用于实现清晰检测肺炎图像边缘，提高肺炎图像边缘检测准确率。

为实现上述效果，本发明的技术方案如下：

一种基于改进Canny算法的肺炎图像边缘检测方法，包括以下步骤：

步骤S1：对输入的原始肺炎图像进行对比度增强处理，获得增强图像；

步骤S2：对增强图像进行双边滤波，获得降噪图像；

步骤S3：对降噪图像进行高斯滤波，获得滤波图像；

步骤S4：计算滤波图像的梯度，获得梯度图像；

步骤S5：对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。

需要说明的是，步骤S4中计算滤波图像的梯度通过CLAHE算法完成。

进一步的，步骤S1中对比度增强采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强。

进一步的，步骤S1具体为，

步骤S1.1：将输入的原始肺炎图像分割成大小一样、互相相邻但不重叠的子块图像；

步骤S1.2：由每个子块图像所包含的像素信息，统计出每个子块图像的灰度直方图H(i)，i表示灰度级；

步骤S1.3：对子块图像的像素求像素平均值N

步骤S1.4：设定一个剪切限制系数γ，根据像素平均值N

步骤S1.5：把灰度直方图H(i)中超出实际剪切限制值N

步骤S1.6：分别对每个子块图像的局部新直方图W(i)进行均衡化处理；

步骤S1.7：对均衡化处理后的局部新直方图W(i)利用双线性插值法求出新的灰度值，获得增强图像。

进一步的，步骤S1.3中像素平均值N

其中，δ

进一步的，步骤S1.4中剪切限制系数γ取值范围是0到1，默认值是0.01。

进一步的，步骤S1.4中实际剪切限制值N

N

进一步的，步骤S1.5具体为，假设截取下来的像素总数为N

其中，N

用W(i)表示分配后得到的局部新直方图，W(i)为分段函数，表示为：

此时，截取之后的像素总数N

如果分配后的像素有剩余，则对剩余的像素进行循环分配，在循环分配时，剩余的像素均匀分配到小于剪切限制值N

本发明对Canny算法提出改进，首先利用对比度受限的CLAHE算法对图像进行对比度增强，再利用双边滤波器滤除椒盐噪声，并使用Otsu算法自适应选取阈值，增强Canny算法的自适应性，改进后的Canny算法用于肺炎图像检测中，提取出更加清晰、完整的图像边缘，方便通过输出结果图来分辨正常肺、普通肺炎与新冠肺炎，能够有效的应用于肺炎图像检测，满足医生实际工作的需要。

进一步的，步骤S2具体为，假设增强图像在坐标点p＝(x,y)的灰度值为I

上式中，q＝(u,v)为坐标点p的邻域像素点，I

上式中，σ

上式中，σ

需要说明的是，σ

进一步的，步骤S5具体为，将梯度图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制，获得抑制图像；用F表示抑制图像，其全图灰度值为 (0,M-1)，灰度等级为M，抑制图像F的分辨率为R×S，设n

设分割阈值

式中，灰度级小于k的抑制图像F包含于图像前景C

分别计算得到图像前景C

式中，ω

对图像前景C

其中，分割阈值k表示为：

进一步的，类间方差

其中：

需要说明的是，类间方差

上述方案中，步骤S5中截取也称为剪切。

本发明采用对比度受限的CLAHE算法和双边滤波对原始肺炎图像进行预处理，提高图像对比度，滤除椒盐噪声；为进一步提高自适应性，利用Otsu算法选取阈值，完成Canny算法的图像边缘检测。

对比度受限的CLAHE算法是由AHE算法演变而来，AHE算法适合改进图像的局部对比度以及获得更多的图像细节，但存在过度放大图像中相关区域噪音的问题。CLAHE算法在AHE算法的基础上，对每个区域的直方图进行限制，有效克服AHE算法的不足。CLAHE算法改善了图像局部对比度，抑制噪声放大。

与现有技术相比，本发明技术方案的有益效果是：

本发明主要面向医生在对患者肺部CT图像进行诊断时，能够快速、准确判断患者的肺部图像。通过改进Canny算法，采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，双边滤波器滤除椒盐噪声，不仅增强了图像对比度，而且实现了保边去噪；使用Otsu算法选取阈值，增强了Canny算法的自适应性，将改进的Canny算法应用于正常肺、普通肺炎、新冠肺炎的图像边缘检测，提取出更加清晰、完整的图像边缘，改进后的Canny算法检测出来的肺炎图像边缘具有更多的细节，轮廓更加明显，检测效率与准确度有明显提升，提高了PSNR(峰值信噪比)，改善了现有的边缘检测方法存在的肺炎图像边缘检测准确率不高的问题。

附图说明

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是理解的。

图1为本发明实施例提供的检测方法流程图；

图2是本发明实施例提供的步骤S1.5中像素的分配示意图；

图3是本发明实施例提供的输入图像示意图；

图4是本发明实施例提供的传统的Canny算法对正常肺、肺炎以及新冠肺炎的检测结果示意图；

图5是本发明实施例改进的Canny算法对正常肺、肺炎、新冠肺炎的检测结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都是本发明保护的范围。

实施例1

为了便于理解，请参阅图1-图2，本发明提供的一种基于改进Canny算法的肺炎图像边缘检测方法的一个实施例，包括以下步骤：

步骤S1：对输入的原始肺炎图像采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，获得增强图像；

步骤S2：对增强图像使用双边滤波器进行双边滤波，获得降噪图像；

步骤S3：对降噪图像进行高斯滤波，获得滤波图像；

步骤S4：计算滤波图像的梯度，获得梯度图像；

步骤S5：对梯度图像采用非极大值抑制并采用Otsu算法求分割阈值的最佳点，得到边缘图像。

其中对比度增强和双边滤波可以理解为对输入的原始肺炎图像进行预处理。

本发明可以应用于正常肺、普通肺炎、新冠肺炎的图像边缘检测中，使用改进Canny算法检测出来的图像边缘具有更多细节，轮廓更加明显，检测效率与准确度明显提升，为医生诊疗提供更为清晰、具备更多细节的患者肺部影像图片，使医生能够准确的判断患者病情，提高工作效率；对于新冠肺炎病情的确诊、监控和治疗与分析等具有重要意义。

实施例2

具体地，在实施例1的基础上，结合具体的实施例子对方案进行说明，进一步体现本方案的技术效果。具体为：

步骤S1：对输入的原始肺炎图像采用对比度受限的CLAHE算法对原始肺炎图像进行对比度增强，获得增强图像；

步骤S1.1：将输入的原始肺炎图像分割成大小一样、互相相邻但不重叠的子块图像；

步骤S1.2：由每个子块图像所包含的像素信息，统计出每个子块图像的灰度直方图H(i)，i表示灰度级；

步骤S1.3：步骤S1.3：对子块图像的像素求像素平均值N

像素平均值N

其中，δ

步骤S1.4：设定一个剪切限制系数γ，根据像素平均值N

N

N

步骤S1.5：把灰度直方图H(i)中超出实际剪切限制值N

假设截取下来的像素总数为N

其中，N

用W(i)表示分配后得到的局部新直方图，W(i)为分段函数，表示为：

此时，截取之后的像素总数N

如果分配后的像素有剩余，则对剩余的像素进行循环分配，在循环分配时，剩余的像素均匀分配到小于剪切限制值N

步骤S1.6：分别对每个子块图像的局部新直方图W(i)进行均衡化处理；

步骤S1.7：对均衡化处理后的局部新直方图W(i)利用双线性插值法求出新的灰度值，获得增强图像。

步骤S2：对增强图像使用双边滤波器进行双边滤波，获得降噪图像；

假设增强图像在坐标点p＝(x,y)的灰度值为I

上式中，q＝(u,v)为坐标点p的邻域像素点，I

上式中，σ

上式中，σ

步骤S3：对降噪图像进行高斯滤波，获得滤波图像；

步骤S4：计算滤波图像的梯度，获得梯度图像；

步骤S5：采用非极大值抑制和Otsu算法对梯度图像选取阈值，将梯度图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制，获得抑制图像；用F表示抑制图像，其全图灰度值为(0,M-1)，灰度等级为M，抑制图像F的分辨率为 R×S，设n

设分割阈值

式中，灰度级小于k的抑制图像F包含于图像前景C

分别计算得到图像前景C

式中，ω

对图像前景C

其中，分割阈值k表示为：

类间方差

其中：

在具体的实施过程中，本发明实验环境操作系统为Win10家庭中文版，编译语言为Matlab2017，Python3.9，IDE为Pycharm 2021。

图3为待检测的6幅原始肺炎图像，其中图3(a)、图3(b)分别为正常肺样本 n0001、n0002；图3(c)、图3(d)分别是肺炎样本f0001、f0002；图3(e)、图3(f) 分别是新冠肺炎样本p0001、p0002。

图4是使用传统的Canny算法对正常肺、肺炎以及新冠肺炎的检测结果，图 4(a)、图4(b)分别为正常肺样本n0001、n0002的检测结果；图4(c)、图4(d)分别是肺炎样本f0001、f0002的检测结果；图4(e)、图4(f)分别为新冠肺炎样本p0001、 p0002的检测结果。

图5为本发明改进的Canny算法对正常肺、肺炎、新冠肺炎的检测结果，图 5(a)、图5(b)分别为正常肺样本n0001、n0002的检测结果；图5(c)、图5(d)分别是肺炎样本f0001、f0002的检测结果；图5(e)、图5(f)分别是新冠肺炎样本p0001、 p0002的检测结果。

通过对比，可以看出相较于传统Canny算法，本发明改进后的Canny算法应用在正常肺、肺炎以及新冠肺炎的检测中，可以检测出肺炎图像更多的边缘，细节更加明显，检测准确率更高。

根据PSNR图像质量评价指标比较本发明改进的Canny算法与传统Canny算法，结果总结在表1中，本发明改进的Canny算法与传统算法相比，PSNR提升了7％—15％。

表1本发明改进的Canny算法与传统算法的PSNR结果对比

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。