技术摘要：
本发明公开了一种基于Flow‑XDoG算子的腹部MRI图像轮廓提取方法，包括以下步骤：腹部MRI图像预处理，减少由噪声和偏差场造成的干扰，对图像进行增强和平滑；提取组织或器官边缘，对预处理后的MRI图像分别用两个不同参数的Flow‑XDoG算子进行边缘提取，通过边缘连接得到  全部
背景技术：
随着计算机断层扫描(Computed  Tomography，CT)、核磁共振成像(Magnetic  Resonance  Imaging，MRI)以及正电子发射断层成像(Positron  Emission  Tomography， PET)等医学影像设备的不断出现，现代计算机科学技术的革命性发展，医学图像处理与分 析技术取得了飞跃性的进展。如今，医学图像处理与分析技术已经被广泛应用于辅助医生 进行准确清晰的临床诊断过程之中。目前，对于脑部、肺部、血管，骨骼等部位的MRI图像或 CT图像的分析处理技术已较为成熟，但是针对腹部MRI图像的研究较少，因此研究腹部MRI 图像的处理分析技术具有十分重要的现实意义。 边缘提取是计算机图形处理技术的重要组成部分。提取清晰完整的轮廓，可以为 后续诸如实现图像分割和目标识别等图像处理分析操作提供帮助。腹部核磁共振图像具有 图形结构和纹理结构复杂的特点，普通的边缘提取方法不能满足实际应用的需要。经典的 图像边缘提取算法主要利用Sobel算子、Laplace算子、Canny算子等检测算子来提取边缘特 征。这些检测算子，具有计算量小、计算速度快的优点，实时性很强，但对光照和噪声比较敏 感，在光照条件较差和有噪声污染的情况下对图像边缘的检测效果较差。基于神经网络和 深度学习的轮廓提取方法，也是近些年来热门的研究方向，但是由于需要大量的训练样本， 医学图像的标定需要耗费大量的人工，所以如何解决训练集数量的问题成为一大难题。因 此，研究一种不依赖于神经网络和深度学习并且能够提取出较为完整清晰轮廓的边缘提方 法，具有十分重要的意义。 在很多实际应用中，人们的注意力只在图像的局部，而对其它细节会忽略，比如在 医学、视频通信、考古等领域。非真实感绘制(non-photorealistic  rendering，NPR)就是通 过不追求现实主义的手段，以艺术的手法表示场景，它一般不会表现出目标的真实、具体细 节，而是将图像以观察者关注的结构化、简单化的风格展现出来，其更容易表现非真实的细 节，强调某些能体现图像特征的信息，忽略次要信息。而图像的边缘提取，就是一个提取图 像轮廓和形状的过程，因此可以看做是对图像骨架的抽取，或者是对图像结构化特征的提 取。因此，非真实感绘制(non-photorealistic  rendering，NPR)对实现图像的轮廓提取有 着重要意义。常用的非真实感绘制(non-photorealistic  rendering，NPR)方法有基于流的 高斯差分算子(Flow-Based  Difference-of-Gaussians，FDoG)和基于流的扩展高斯差分算 子(Flow-Based  Extended  Difference-of-Gaussians，Flow-XDoG)等。但是，NPR的边缘提 取方法的提取结果会出现很多错误边缘，因此急需提出一种改进的基于非真实感绘制技术 的轮廓提取方法。 4 CN 111583286 A 说　明　书 2/7 页
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于Flow-XDoG(Flow-Based  Extended  Difference-of-Gaussians，基于流的扩展高斯差分)算子的腹部核磁共振(MRI) 图像轮廓提取方法。 本发明的技术目的通过下述技术方案予以实现。 一种基于Flow-XDoG算子的腹部MRI图像轮廓提取方法，包括以下步骤： 步骤1，腹部MRI图像预处理：减少由噪声和偏差场造成的干扰，对图像进行增强和 平滑； 在步骤1中，对图像进行双边滤波，减少噪声和偏差场对轮廓提取的干扰；使用分 数阶微分滤波，增强图像纹理细节，保留图像中的平滑区域； 在步骤1中，所述分数阶微分滤波使用的分数阶微分模板为Tiansi算子。 步骤2，提取组织或器官边缘：对预处理后的MRI图像分别用两个不同参数的Flow- XDoG算子进行边缘提取，通过边缘连接得到初步结果； 在步骤2中，Flow-XDoG算子是一种各向异性滤波器，它可以从一幅图像中提取一 组平滑且抽象化的边缘曲线；使用Flow-XDoG算子对预处理后的MRI图像进行边缘提取的过 程如下： (1)计算图像梯度，得到梯度图像； (2)构造边缘切向流(Edge  Tangent  Flow，ETF)； (3)使用扩展高斯差分滤波(XDoG)提取线条轮廓； (4)阈值分割； (5)连通域阈值滤波； 在步骤2中，不同参数的Flow-XDoG算子具有不同的边缘提取效果，为了尽可能的 减少可调整的参数，分别使用两个不同参数ρ的Flow-XDoG算子对预处理后的MRI图像进行 边缘提取，得到较小的ρ值对应的图像A和较大的ρ值对应的图像B；其中，参数ρ用于控制算 子提取的线条数量，ρ值越大提取出的线条就越多； 在步骤2中，所述边缘连接，是指若图像A的每个边缘像素(xi,yi)在图像B对应位置 的邻域中存在边缘点(x′i,y′i)，则将图A中位于(x′i,y′i)的点置为边缘点的过程。 步骤3，去除错误边缘干扰； 在步骤3中，通过获得图像之间的差异信息和连通域阈值滤波，去除由于噪声和其 他干扰因素产生的错误边缘以及位于器官内部的错误边缘。 步骤4，去除伪边缘，进行边缘细化，完成腹部MRI图像轮廓的提取； 在步骤4中，邻域全变分能反映邻域内的光谱变化程度，在边缘处具有较大的响应 值，考虑到每个像素对邻域全变分的贡献不同，此处使用加权邻域全变分(Weighted  Total  variation，WTV)进一步滤除在进行边缘提取过程中产生的伪边缘，并对边缘进行初步细 化； 在步骤4中，加权邻域全变分的计算公式如下： 其中，(x,y)表示图像中的像素点的坐标，(x0，y0)表示图像中的某一个像素点的坐 5 CN 111583286 A 说　明　书 3/7 页 标，D表示点(x0,y0)处的加权邻域全变分值，Ω表示以(x0,y0)为中心的邻域空间，h(x,y)表 示高斯函数，▽f(x,y)表示梯度； 在步骤4中，通过骨架提取算法对边缘进一步细化，得到最终的边缘细化结果。 与现有技术相比，本发明利用双边滤波和分数阶微分滤波降低了噪声和图像自身 纹理干扰对提取结果的影响，采用两个给定不同参数的Flow-XDoG算子减少需要调节的参 数数量，通过连通域阈值分析、图像差值信息和加权全变分边缘判定去除提取出来的错误 边缘，提高边缘提取质量；本发明基于Flow-XDoG算子的腹部MRI图像轮廓提取方法相比于 经典的边缘提取算子和非真实感绘制的边缘提取方法，提取出来的边缘更加清晰、完整和 准确，并且不依赖于网络训练，不需要解决训练集数据量的问题；本发明的方法非常适用于 腹部MRI图像或者是其它具有复杂图形机构和纹理结构图像的轮廓提取。 附图说明： 图1为本发明的轮廓提取流程图； 图2为按坐标轴分解为四个方向Tiansi模板； 图3为八个方向的sobel模板； 图4为本发明预处理效果图；其中，图4(a)为原始图像，图4(b)为双边滤波效果图， 图4(c)为分数阶微分滤波效果图； 图5为本发明连通域阈值滤波效果图；其中，图5(a)为ρ＝0.99的Flow-XDoG算子提 取效果图，图5(b)为ρ＝0.99的连通域阈值滤波效果图，图5(c)为ρ＝1.0的Flow-XDoG算子 提取效果图，图5(d)为ρ＝1.0的连通域阈值滤波效果图； 图6为本发明边缘连接效果图； 图7为本发明得到图像差值并去除错误边缘干扰后的效果图； 图8为Zhang-Suen细化算法伪代码；其中，图8(a)为8邻域示意图，图8(b)为Zhang- Suen细化算法伪代码； 图9本发明边缘细化结果图；其中，图9(a)为加权全变分边缘判定处理，图9(b)为 Zhang-Suen细化算法效果图； 图10为不同轮廓提取方法对比；其中，图10(a)为Sobel算子边缘提取结果，图10 (b)为基于模糊推理边缘提取结果，图10(c)为单一Flow-XDoG算子边缘提取结果，图10(d) 为本发明方法的边缘提取结果。