一种基于二值形态学原理的肺部轮廓提取算法

格式：pdf
大小：2.02 MB
文档页数：5

下载文档原格式

一种基于胸部CT的肺实质分割研究

电子技术研发 Electronics R & D一种基于胸部CT 的肺实质分割研究樊鹏霍修坤方良书陈建（安徽大学电子信息工程学院）摘要：CT 检测在人体肺部疾病的诊疗中起着重要作用，快速完整地分割出肺实质区域已成为定性、定量诊断肺部疾病的重要手段。

文章在分析研究大量胸部CT 图像的基础上，提出一种新的肺实质分割方法：将Mean-Shift 算法结合Snake 模型分割出肺实质区域。

实验证明，文章所提方法精确度高、分割效果完整，满足临床诊疗的要求。

关键词：肺实质分割；Mean-Shift ；Snake 模型Research on the Lung Parenchyma Segmentation Based on Chest C TFan Peng Huo Xiukun Fang Liangshu Chen J ia n（School of Electronics and Information Engineering, Anhui Un i v e rs it y ）Abstract: CT scan is playing the important role in the human lung disease's diagnosis and fast and complete segmentation of lung parenchyma region has become an important means for qualitative and quantitative diagnosis of lung diseases. Based on the analysis of lots of chest CT images, a new lung parenchyma segmentation method is proposed, which combines Mean-Shift algorithm with Snake model to segment lung parenchyma areas. Experiments show that the proposed method has a high precision and a complete effect of segmentation, so that it can meet the clinical requirements.Key words: lung parenchyma segmentation; Mean-Shift; Snake model0 引言生于肺部的疾病众多，如肺囊肿、肺栓塞等，肺部肿瘤更是给人类健康构成严重威胁。

基于二值化的数学形态学生物图像边缘检测算法

具有更强的去除噪声能力，为显微生物单体图像处理提供了一种有效的边缘细化检测方法。
关键词：边缘检测；数学形态学；动态二值化；去空洞
中图分类号：Ｐ９．Ｔ３１４
文献标志码：Ａ
显微生物图像边缘检测属于图像分割的技术范畴，是对图像进行视觉分析和模式识别的基本前提【２，也是一个普遍性难题。应用于不同领域的ｌ－Ｊ
２５。当Ｙ≥ ５）时，记＝１；当 ≤ 时，记
素总个数。
由灰度和灰度出现的频率构成的直方图是图像最基本的统计方法。在确定阈值时，如果目标物体内部灰度值分布比较均匀，背景灰度值分布也比较均匀，这时图像的直方图就会显示出明显的双峰。当一幅图像的直方图具有双峰时，可选择双峰之间
地增加。然后，统计所有标号区域的区域像素数
１ｌ１００００００００００Ｄ００
目，再依据阈值（）对所有标号区域进行判定，消除空洞。显然，这个过程的计算量相当大，需耗
视觉分析和模式识别系统，一般不存在完全通用有效的图像分割方法。针对边缘检测算子对噪声敏感
且检测边界相对模糊的缺点，作者提出了基于动态二值化的数学形态学显微生物图像边缘检测算法，
定阈值法处理过的图像仍然会残留一定的无意义信息，或损失一部分有用的信息。为此，本研究中作
法有固定（或全局）阈值法和变阈值法两种。固定阈值法是指在一幅图像内使用一个固定不变的阈值０对该图像进行二值化处理，该固定阈值的确定是通过对不同的阈值０进行反复试验，最后确定一个满意的阈值０。固定阈值法适用于内容相对简单、目标景物变化相对较少的情况。显然，使用固

opencv二值化轮廓提取

opencv二值化轮廓提取摘要：I.引言- 介绍OpenCV和图像处理基本概念- 说明本文将介绍的内容II.图像二值化- 定义二值化- 解释二值化的作用- 介绍OpenCV中的二值化方法III.轮廓提取- 定义轮廓提取- 解释轮廓提取的作用- 介绍OpenCV中的轮廓提取方法IV.示例代码- 给出使用OpenCV实现二值化和轮廓提取的示例代码- 详细解释代码的执行过程V.结论- 总结本文的内容- 指出OpenCV在图像处理中的应用正文：I.引言OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它包含了大量的图像处理和计算机视觉算法。

在图像处理中，二值化和轮廓提取是最基础和最常用的操作之一。

二值化是将图像转换为只包含黑白两种颜色的过程，它可以简化图像的复杂度，便于后续的图像分析和处理。

轮廓提取是从二值图像中提取边缘信息的过程，它可以提供图像中物体的形状和边界信息。

本文将介绍OpenCV中的二值化和轮廓提取算法，并给出一个简单的示例代码。

II.图像二值化二值化是将图像中的像素值设定为0或255，即将图像转换为只包含黑白两种颜色的过程。

二值化图像只有两个灰度等级，因此，它具有较高的对比度，可以简化图像的复杂度，便于后续的图像分析和处理。

在OpenCV中，可以使用以下方法实现二值化：1.使用`cvThreshold()`函数实现二值化。

该函数需要指定输入图像、阈值、最大值和函数类型。

函数类型可以是`CV_THRESH_BINARY`（默认值，将大于阈值的像素值设为255，小于阈值的像素值设为0）或`CV_THRESH_BINARY_INV`（将大于阈值的像素值设为0，小于阈值的像素值设为255）。

2.使用`cvAdaptiveThreshold()`函数实现二值化。

该函数可以根据图像的局部特性自适应地设置阈值。

函数需要指定输入图像、阈值类型、最大值、阈值系数和函数类型。

一种基于形态学和Canny算子的图像边缘提取算法

理的好坏直接影响后续的图像分析与模式识别。传
统的图像增强技术分为频域法和空域法。在本文中采用的是基于一阶微分的图像增强中的Ｓｂｌｏｅ算
图像边缘检测新理论、方法不断涌现。这一方面新
说明它的重要性，一方面也反映出了它的深度与另难度。
一
种基于形态学和Ｃｎｙａｎ算子的图像边缘提取算法
陈荣，刘振亚，礼书，刘饶崧．延湖江
（江西教育学院理学分院，西南昌３０２江３０９）
摘要：提出了一种基于形态学和Ｃｎｙ算子的图像边缘提取算法。在经过预处理的基础上，用形态学的开闭ａｎ运
ＡｄｅＤｅｅｔＯｐｒｔｎＢａｅｎＭｏｐｏｏｙａｄＣａｎｅａｏＥｇｔｃｅａｉｓｄｏｒｈｌｇｎｎｙＯｐｒｔｒｏ
ＣＮＲｏｇＬＵＺｅ－ａＬＵＬ－ｈＲＡＯＳｎ，ＩＨＥｎ，Ｉｈｎｙ，Ｉｉｓｕ，ｏｇＪＡＮＧａ－ｕＹｎｈ
的影响。因此，图像处理前需对原始数据做减噪声在
１引言
图像的边缘是图像的重要特征，计算机视觉、是模式识别等的基础，因此，边缘检测是图像处理中一个重要的环节，是图像处理与分析中最基础的内容之一．是至今没有得到圆满解决的一类问题。成也

一种基于Vibe算法的人体动作轮廓提取方法[发明专利]

专利名称：一种基于Vibe算法的人体动作轮廓提取方法专利类型：发明专利
发明人：回世飞,王明江
申请号：CN201911226998.6
申请日：20191204
公开号：CN110956145A
公开日：
20200403
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于vibe算法的人体动作前景图的提取方法。

针对传统的vibe算法的不足，做出了一些改进。

包括：采用单目前景检测算法获取的二值化图像与普通vibe算法获取的二值化图像进行与运算，得到新的二值化前景目标图；然后又提出了基于形态学原理的先膨胀再腐蚀的操作，对二值化图像进行处理。

通过以上方法的处理，获取到的人体动作前景图的辨别率明显得到提高，而且图像中的噪声块，干扰元素明显降低，大大提升了PCC率。

整体轮廓更为清晰，延时也较低。

申请人：深圳市双驰科技有限公司
地址：518000 广东省深圳市龙岗区南湾街道布澜路21号连创科技园2号厂房4楼东
国籍：CN
代理机构：深圳市添源知识产权代理事务所(普通合伙)
代理人：黎健任
更多信息请下载全文后查看。

基于形态学的图像分割算法及其在医学影像中的应用

基于形态学的图像分割算法及其在医学影像中的应用图像分割是一种重要的图像处理技术，在医学影像领域中也有着广泛的应用。

形态学图像分割是一种基于形态学理论的分割算法，它通过对图像形态学特征的分析和处理，实现对图像的分割。

本文将从概念理解、算法原理、算法流程和医学应用等方面介绍基于形态学的图像分割算法。

一、概念理解图像分割是将数字图像中的像素分组，使每一组内的像素具有相似的特征，而不同组的像素则具有不同的特征，以实现对图像的分离和提取。

图像分割技术是图像处理中的基础问题，其应用广泛，例如医学影像分析、计算机视觉、遥感图像处理等领域。

形态学图像分割算法是通过模拟生物形态学过程，提取图像中的形态学特征，实现对图像的分割。

生物形态学过程是研究各种生物形态和结构的科学，它包括了形态形成和变化的方方面面，例如生长、变形、变色等。

在图像处理中，形态学处理是基于图像的形态特征的一种处理方式，它对图像进行膨胀、腐蚀等操作，以实现对图像的分割。

二、算法原理形态学图像分割算法是基于二值图像的处理，即对于灰度图像进行二值化处理后，再进行分割。

二值化处理是将灰度图像的每个像素设置为黑色或白色，根据预定的阈值来确定一个像素是黑色还是白色。

对于二值化后的图像，我们可以通过形态学处理来实现对图像的分割。

形态学处理主要包括膨胀和腐蚀两种操作。

膨胀操作将图像中所有像素向外扩张，以便将相邻像素合成一个连续的像素块。

腐蚀操作将图像中的“白点”向内腐蚀，以便使得相同阈值下的小区域被合并成一个大区域。

通过这样的操作，我们可以得到一个包含不同连续区域的图像。

三、算法流程基于形态学的图像分割算法的流程主要包括以下几个步骤：1. 读取图像并将图像进行二值化处理。

2. 设置结构元素，即用于形态学处理的模板，通常为矩形、十字形等形状。

3. 对二值化后图像进行膨胀操作，将所有像素块扩张成固定形状的结构，以获得相邻的像素块。

4. 对膨胀后的图像进行腐蚀操作，将相邻像素块合并成一个连续的区域。

opencv轮廓提取原理

opencv轮廓提取原理OpenCV是一个用于图像处理和计算机视觉的开源库，拥有丰富的功能和算法。

其中之一就是轮廓提取，它可以帮助我们从图像中提取出物体的边界轮廓。

本文将介绍OpenCV轮廓提取的原理和实现方法。

在图像处理中，轮廓是物体边界的表示形式，它是由一系列连续的点构成的曲线。

轮廓提取的目的是找到图像中所有物体的轮廓，以便进行进一步的分析和处理。

OpenCV提供了一种基于边缘检测的方法来实现轮廓提取。

边缘检测是一种常用的图像处理技术，它可以帮助我们找到图像中明显的边缘。

OpenCV提供了一些边缘检测算法，如Canny边缘检测算法。

这些算法可以帮助我们找到图像中明显的边缘，并将其表示为二值图像，其中边缘像素的值为255，非边缘像素的值为0。

在进行轮廓提取之前，我们首先需要对图像进行预处理，以便提高后续边缘检测的效果。

预处理包括灰度化、滤波和二值化等步骤。

灰度化将彩色图像转换为灰度图像，滤波可以帮助我们去除图像中的噪声，而二值化则可以将灰度图像转换为二值图像。

一旦我们得到了二值图像，就可以使用OpenCV提供的findContours函数来进行轮廓提取。

该函数可以帮助我们找到二值图像中的所有轮廓，并将其表示为一系列的点集。

每个轮廓都是一个包含一系列点坐标的向量，我们可以通过遍历这些点来获取轮廓的每个像素位置。

在轮廓提取之后，我们可以对轮廓进行一些进一步的处理，如计算轮廓的面积、周长和中心点等。

OpenCV提供了一些函数来实现这些功能，如contourArea、arcLength和moments等。

除了基本的轮廓提取之外，OpenCV还提供了一些高级的轮廓处理算法，如轮廓逼近、轮廓拟合和轮廓匹配等。

这些算法可以帮助我们更精确地描述和分析物体的轮廓。

总结来说，OpenCV轮廓提取是一种基于边缘检测的方法，它可以帮助我们从图像中提取出物体的边界轮廓。

通过预处理和使用findContours函数，我们可以得到图像中所有物体的轮廓，并进行进一步的分析和处理。

一种基于直方图对二值图像进行处理的方法

一种基于直方图对二值图像进行处理的方法刘跃锋;宋永霞;李松涛【摘要】介绍了利用直方图进行图像特征提取、图像分割、图像边缘检测及图像检索的方法.【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2010(031)005【总页数】5页(P554-558)【关键词】直方图;图像处理;图像分割【作者】刘跃锋;宋永霞;李松涛【作者单位】长春工业大学,计算机科学与工程学院,吉林,长春,130012;长春工业大学,计算机科学与工程学院,吉林,长春,130012;长春工业大学,计算机科学与工程学院,吉林,长春,130012【正文语种】中文【中图分类】TN911.730 引言根据图像的亮度信息并对其进行投影,得到的即为图像的灰度直方图,利用直方图技术对图像进行特征提取、边缘检测、分割等处理,可以得到想要的具有预定效果的图像,方便对其做进一步的处理。

1 灰度直方图简介[1]在一幅数字图像中,若其范围在[0,G]内总共包含有L级灰度,则其直方图定义应为一个离散函数,即:h(rk)=nk,其中rk是区间[0,G]内的第k级亮度,nk是灰度级为rk的图像中的像素数。

对于uint8类图像,G值为255;对于uint16类图像,G值为65535;对于double类图像,G值为1.0。

也就是说,对于uint8或者uint16类图像,G=L-1。

通常会用到归一化直方图,即使用所有元素h(rk)除以像素总数n所得到的图形。

其公式为:在Matlab仿真工具中,可以用imhist(f,b)函数获得图像的直方图。

其中,f为输入图像,b为灰度级的个数。

若要得到归一化的直方图,则需使用函数p=imhist(f,b)/numel(f)得到。

其中,函数numel(f)给出数组f的元素个数。

2 利用直方图对二值图像进行处理图像的分割和边缘检测是图像处理中的一个重要方面[2],对于一幅原始图像,不管要对其进行哪种操作,都要求首先确定整幅图像中有用信息与背景信息的区域,然后才能对该幅图像的有用信息区域进行想要做出的处理,而要达到这个目的,就要用到图像的边缘检测和图像分割技术。

轮廓二值算法

轮廓二值算法
轮廓二值算法是一种图像处理方法，主要用于从图像中提取物体的轮廓。

它将图像中的像素分为两类，一类是物体内部像素，另一类是背景像素。

该算法主要通过应用阈值处理、边缘检测和形态学操作等技术来实现。

以下是一种常见的轮廓二值算法步骤：
1.预处理：对原始图像进行去噪、平滑处理，以消除图像中的噪声和细微变化。

2.应用阈值处理：根据预处理后的图像，选择一个合适的阈值，将图像中的像素分为两类。

一般来说，阈值的选择可以通过观察图像的直方图来实现，使得背景和物体之间的像素值差异最大。

3.边缘检测：在二值图像中，应用边缘检测算法（如Sobel算子、Prewitt算子等）来识别物体的边缘。

边缘检测结果是一系列连接物体内部像素的线段。

4.轮廓提取：遍历边缘检测结果中的每个线段，找到相邻且方向相同的线段，将其合并成一条轮廓。

最终得到物体的轮廓集合。

5.形态学操作：对提取的轮廓进行形态学处理，如开运算、闭运算等，以消除噪声和填充空洞。

6.轮廓优化：对优化后的轮廓进行细化处理，以消除宽度过大的轮廓线段。

7.输出结果：将优化后的轮廓作为最终结果输出。

 
这种轮廓二值算法在许多领域都有应用，例如计算机视觉、目标检测和图像分割等。

通过该算法，可以快速准确地提取物体轮廓，为后续的图像分析和处理提供基础。

基于数学形态学的图像边缘提取方法

中图分类号：Ｎ９１７Ｔ１．３文献标识码：Ａ文章编号：６１ｏ３（０６）３－０５一３１７一４６２０００１Ｏ
在计算机视觉和图像处理系统中，由于许多信息都包含在图像的边缘中，因而边缘提取是一种非常
维普资讯
第１９卷第３期２００６年６月
常州工学院学报
ＪｒａｏｕｎｌｏｆＣｈａｚｏｎｔｔｅｏｃｎｏｏｙｎｇｈｕＩｓｉｕｔｆＴｅｈｌｇ
Ｖｏ．９Ｎｏ３１１．
缘检测算法具有较强的抗噪和边缘提取能力，定程度上解决了噪声平滑能力和边缘定位能力的矛盾，一但上述方法的运算复杂度都较高。由于二值形态基本运算可转化为集合的逻辑运算，算法简单，于并适
行运算，且易于硬件实现，Ｊ因此本文提出一种灰度图像的边缘提取方法——首先将灰度图像转化为二值图像，再通过形态滤波器去除噪声，最后利用二值形态学运算提取图像的边缘。
１４闭合．
（）４
开启运算一般能平滑图像的轮廓，削弱狭窄的部分，去掉细长的突出、边缘毛刺和孤立斑点。
结构元素对输入图像Ａ的闭合运算用 “ ・表示，义为Ａ定
Ａ・Ｂ＝（Ａｏ）ｏ（）５
Ａ被作闭合运算就是Ａ被膨胀后的结果再被腐蚀。闭合运算也可以平滑图像的轮廓，但与开启运算不同，闭合运算一般融合窄的缺口和细长的弯口，能填补图像的裂缝及破洞，所起的是连通补缺作用，图像的主要情节保持不变。Ｊ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

一种基于二值形态学原理的肺部轮廓提取算法文章编号：1671-7104(2010)05-0413-05【作者】【摘要】【关键词】【中图分类号】【文献标识码】【 Writers 】【 Abstract 】【Key words 】李露1，马艺馨1，吴华伟21 上海交通大学电子信息与电气工程学院仪器科学与工程系，上海，2002402 上海交通大学医学院附属仁济医院放射科，上海，200127结合二值形态学原理，对人体胸腔横截面的CT图像通过标记、搜索连通域等处理，提取胸腔的轮廓和肺及食管的轮廓。

将处理图像复原与原图像进行对比表明，本文所采用的方法能准确地提取人体胸腔和肺及食管的轮廓，误差小于人眼的辨别能力。

医学图像处理；边缘检测；二值形态学；对象标记R445A doi:10.3969/j.isnn.1671-7104.2010.06.007Li Lu 1, Ma Yixin 1, Wu Huawei 21 Department of Instrument Science and Engineering, School of Electronics, Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240；2 Department of Radiology, Renji Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai 200240)A method is presented in this paper which processes the human chest CT image with binary morphology theory, thenmarks and searches each connected domain to find chest contour and boundaries of lung and esophagus. Comparing with original CT image, the extracted boundaries have sufficient accuracy and human eyes cannot distinguish the error.medical image processing, edge detection, binary morphology, object tag收稿日期：2010-05-09基金项目：上海市浦江人才计划（08PJ1406900），上海交通大学医工(理) 交叉基金项目（YG2009MS52）通讯作者：马艺馨，E-mail: y.ma@Lung Boundary Detection Method Based onBinary Morphology Theory图像分割与边缘检测技术是将图像划分成若干具有特定意义的区域,并将区域的边界提取出来的图像处理技术，是对图像中的目标进行识别和理解等后续过程的必要前提。

在医学临床实践和研究中，为得到某一特定组织的病理或功能方面的重要信息，常常需要对特定组织或器官的形状、面积、边界等进行测量，这就先要分割出其中特性不同的区域，后再对分割得到的区域进行识别和研究[1]。

实现图像分割和边缘检测的方法很多。

早期的图像分割方法有二值化、分水岭、区域增长和Snakes 等,但每一类方法都有自身的缺陷。

早期的边缘检测方法有Sobel 算子，Prewitt 算子和高斯Laplacian 算子，这些方法都属于高通滤波类方法。

在实际应用中，图像噪声和图像边缘都在高频范围内，这些算法很难把目标区域的边界从噪声中提取出来[2]。

目前用得最多的图像分割与边缘检测方法是基于Canny 算子的边缘检测和基于二值形态学原理的边缘轮廓提取，但Canny 算子的阈值选取比较复杂，而且得到的边界不连续，需要根据先验知识将分段的边界连接起来。

1998年，Matthew S. Brown [3]曾报道了从X 射线胸片提取肺的纵向轮廓用于气胸、心脏扩大症和肺结节等疾病诊断。

他们用Canny 算子在不同阈值时提取分段的边界信息，根据边界曲线的连续性判据将分段边界连接起来，得到5-10个可选边界，后根据先验知识和边界强度、方向、位置及长度等判据选取最优的边界估计。

该方法需要丰富的先验知识，且计算较为复杂，所得到的边界是一种最优估计，而不是根据图像灰度的直接处理结果。

郭圣文[4]等人应用基于全局阈值的自动分割方法，对肺部CT 图像进行分割，根据分割结果,应用自动轮廓跟踪方法获取肺区轮廓，但是文中没有给出所提取的轮廓与原图像的对比结果。

蒋平[5]等人通过对CT 图像进行预处理，去除气管与支气管，提取肺区等几个步骤进行肺区分割，并针对有缺陷的肺区进行修补。

本文结合二值形态学原理，采用膨胀、腐蚀、闭合运算以及基于对象标记的连通域搜索的方法，对人体胸腔横截面的CT 图像进行处理，提取了人体胸腔的外轮廓和肺区、食管等的轮廓。

本方法提取结果准确，为采用物理方法无创地对胸腔内器官的病变进行跟踪治疗以及有限元建模等提供一种可靠有效的图像检测方法。

1 二值形态学原理数学形态学是一种新的图像处理方法。

其基本理念是利用具有一定形态的结构元素从图像中测量和提取相应的形状[6]。

使用数学形态学方法检测边缘优于微分处理方法，因为它对噪声不敏感，且提取到的边缘相对平滑。

而二值图像即黑白图像，能从背景中很容易地识别出物体。

本文采用二值图像和数学形态学相结合的方法进行边缘检测。

膨胀和腐蚀运算是形态学图像处理的基础。

开运算、闭运算、bwmorph 函数等都是基于这两种算法的组合来实现的许多有用的操作。

膨胀是在二值图像中“加长”或“变粗”的操作。

这种特殊的方式和变粗的程度由一个称为结构元素的集合控制。

数学上，膨胀定义为集合运算。

假设A 为一简单二值图像，B 为一结构元素，A 被B 膨胀记为A ⊕[7]：其中为空集，其几何解释是结构B 的映像经过平移后与A 相交不为空的所有B 的映像的原点的集合。

腐蚀可以“收缩”或“细化”二值图像中的对象。

收缩的方式和程度由一个结构元素控制。

设A 被B 腐蚀，记为A ΘB ，则腐蚀运算定义为[7]：其几何解释是结构算子B 平移后与A 的补集相交为空的所有B 平移后的原点的集合。

腐蚀运算可以实现对图像内部的滤波处理，把小于结构元素的物体或噪声去除，选取不同大小的结构元素就可以去除不同大小的物体和噪声[8]。

在实际的图像处理应用中，更多地是将膨胀与腐蚀结合起来使用，使用相同或不同的结构元素对图像进行一系列膨胀或腐蚀运算，以实现不同的处理目的，比如形态学中的开运算和闭运算。

形态学的开运算是指A 先被B 腐蚀，然后再被B 膨胀的结果，记为即：或者表述为：其几何解释是B 在A 内完全匹配的平移的并集。

开运算通常用来去除图像中的小目标而保持大目标的形状和大小不变。

而形态学闭合运算是开运算的对偶运算，描述的是A 先被B 膨胀然后再被B 腐蚀，数学表述为：闭运算也能平滑对象的轮廓，但一般会将狭窄的缺口连接起来形成细长的弯口，并填充比结构元素小的洞。

闭运算能很好地去除图像的前景噪声[8]。

对二值图像进行腐蚀、膨胀、闭运算等操作后，图像将被划分成多个连通区域，可以采用4邻接或8邻接判据对图像中的连通域进行搜索、标定。

4邻接连通区域的概念是该区域中每个象素，其上下左右的4个相邻像素中至少有一个像素仍然属于该区域；8邻接连通区域的定义是该区域中每个像素，其所有8个方向的8个相邻像素中至少有一个像素仍然属于该区域。

以8邻接连通域判据对图像进行处理，可以将图像划分成比4邻接判据数目少的连通区域[9]。

2 基于Matlab 的处理过程本研究中所采用的人体肺部的CT 图片，由上海交通大学医学院附属仁济医院放射科提供。

它们是以Jpeg 格式存储的在原始的灰度CT 图片上用彩色标注了病人信息文字的RGB 图像，大小为M*N*3。

为保护病人隐私，用RGB 相减色原理，把大于给定阈值的像素值置为0，即让它成为黑色背景，如图1所示。

2.1 二值化处理本研究采用二值形态学对图1所示的灰度图像进行边缘检测。

首先选择一个合适的阈值，本研究采用经验阈值10，将灰度图像转换为黑白两色的二值图像，如图2所示，增强图像的对比度，以便采用二值形态学原理进行处理。

该图像在处理过程中保持尺寸与图1相同，在文中为表述清楚起见，经裁减后只保留与后续算法相关的躯干区域（后续图像类同）。

2.2 胸腔外轮廓的提取为了从图2中提取图像的边缘轮廓，采用Matlab 提供的基于二值形态学原理的bwmorph 函数，操作算子是(1)(2)(5)(3)(4)图1 采用RGB 相减色原理去除文字后的灰度图像Fig.1 Gray Image Obtained from RGB Imageremove ，Matlab 语句如下： bw2=bwmorph(bw1,'remove',Inf); %去除内点，提取图像中各区域轮廓该函数将膨胀和腐蚀运算进行不同的组合，去掉没有与背景像素相邻的前景像素，即去除图像的内点，初步得到各个连通区域的边界轮廓，如图3所示。

该算法优于边缘检测中的canny 算子，速度快。

在图3中，胸腔外轮廓周围有许多白色的小颗粒为噪声，外轮廓有狭窄的缺口且不平滑。

若直接对图3进行胸腔外轮廓边界的提取，则会出现边界不完全连通的现象，且那些不构成连通域的白色小颗粒仍然存在，如图4所示。

本文选用Matlab 提供的bwlabel 函数按照8连通标准对图3所示二值图像中的连通区域进行标记，其返回的是与输入图像相同的数据矩阵，矩阵中第一个连通区域的像素全部标记为1，第二个连通区域的像素全部标记为2，依次类推。

而采用Matlab 的find 函数就可以得到属于特定连通域的所有象素的行索引和列索引。

胸腔外轮廓是具有最多像素的连通域，通过判断每个连通域象素的多少，很容易找到胸腔外轮廓。

最后用二值形态学中的闭合运算将断开的邻近目标连接起来，结果如图5所示。

闭合运算中结构元素的选取决定着图像的效果和精度，是二值形态学的关键。

这里采用Matlab 提供的Strel 函数创建半径为20的圆盘型结构元素，能很好地去除图像上胸腔以外小颗粒噪声。

上述处理过程的具体实现的程序如下：[L,num]=bwlabel(bw2,8); % 8邻域搜索连通域，对不同对象的连通域进行标记 x=zeros(1,num); for k=1:num S=find(L==k); len(k)=length(S); %计算每个连通域的长度 end [maxlen,maxname]=max(len); %寻找最长边，胸腔外轮廓 Bw3 = L==maxname; [row col]=size(bw1); se=strel('disk',20); %创建半径为20的圆盘型结构元素 bw4 = imclose(BW3,se); %闭合运算，去除胸图2 采用阈值10进行二值化处理的结果Fig.2 Binarized Image with Threshold of 10图4初始的不完全的胸腔外轮廓Fig.4 Initial Non-Completed Chest Boundary图3 运用bwmorph 函数提取的各连通域的边界Fig.3 Edges Obtained by bwmorph Function图5 闭合运算的结果Fig.5 Result Image from Close Operation腔轮廓外的白色小颗粒噪声为了得到细窄的外轮廓线，对目标图像进行填充修补运算（如图6所示）和再次二值形态学运算，提取外轮廓，结果如图7所示。