摘   要： 采用均值濾波和中值濾波的方法對含有高斯噪聲和椒鹽噪聲的肛管外外痔中的血栓性外痔圖像進(jìn)行濾波預(yù)處理，同時利用紋理濾波器分割圖像將紋理圖像,、形態(tài)學(xué)操作,、局部標(biāo)準(zhǔn)差濾波和Rangefilt濾波相結(jié)合，在保證分割圖像整體性的同時,，提高了分割圖像的有效性,，保留了圖像的細(xì)節(jié)。通過血栓性外痔,、息肉,、混合痔、息肉血栓混合痔四種肛管外病癥的分割圖像結(jié)果的比較,，表明紋理濾波器分割圖像是一種性能良好的紋理圖像分割方法,，同時將其應(yīng)用在肛管外病癥圖像的分割中，獲得了很好的效果,。
關(guān)鍵詞：紋理分割,；均值濾波；中值濾波,；局部標(biāo)準(zhǔn)差濾波

　醫(yī)學(xué)圖像分割是高層次醫(yī)學(xué)圖像理解和分析的前提條件,，在醫(yī)學(xué)研究、臨床診斷、病理分析,、手術(shù)計劃,、影像信息處理、計算機(jī)輔助手術(shù)等方面應(yīng)用廣泛,，已經(jīng)成為醫(yī)學(xué)圖像分析領(lǐng)域中一個具有挑戰(zhàn)性的研究課題,。圖像分割是模式識別、計算機(jī)視覺中的關(guān)鍵技術(shù)之一,，是圖像識別和圖像理解的基本前提步驟,，其分割質(zhì)量直接影響著后續(xù)圖像處理的效果。分割的程度取決于要解決的問題,，在應(yīng)用當(dāng)中,，當(dāng)感興趣的對象已經(jīng)被分離出來時，分割停止,。計算機(jī)視覺研究的目標(biāo)檢測,、目標(biāo)識別、特征提取等精度都依賴于圖像分割的質(zhì)量[1],。醫(yī)學(xué)圖像分割的目的是把圖像中具有特殊含義的不同區(qū)域分割開來,，從而為臨床診療和病理學(xué)研究提供可靠依據(jù)。目前,，關(guān)于圖像分割的算法,，國內(nèi)外學(xué)者已經(jīng)提出了上千種，但通用的適合于所有不同類型的圖像分割算法并不存在,，不同的分割算法都針對某一特定的應(yīng)用范圍,，所取得的分割效果也各有差異[2]。本文提出的紋理圖像分割方法是圖像處理和模式識別中的一個重要研究內(nèi)容,，長期以來是人們研究的熱點,。因此，紋理圖像分割對于許多計算機(jī)視覺和圖像處理的研究具有非常重要的意義,，在實際中也得到了廣泛的應(yīng)用,，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域，并涉及各種類型的圖像,。其應(yīng)用廣泛,從醫(yī)學(xué)圖像診斷中的癌細(xì)胞識別到從遙感圖片中識別多種有用的軍事或民用目標(biāo)[3],。
1 圖像預(yù)處理
　醫(yī)學(xué)圖像在傳輸、轉(zhuǎn)換,、處理等過程中,，由于電磁干擾、電子信息處理等原因而使圖像質(zhì)量下降,，即產(chǎn)生噪聲,。這些噪聲將給醫(yī)學(xué)圖像的分析帶來困難,，甚至影響圖像處理的最終結(jié)果,。因此,，對獲取的醫(yī)學(xué)圖像進(jìn)行噪聲抑制是圖像處理的重要環(huán)節(jié)。其中,，高斯噪聲和椒鹽噪聲是圖像處理中經(jīng)常遇到的兩種噪聲類型,。高斯噪聲主要是電子電路噪聲和低照明度或高溫帶來的傳感器噪聲，椒鹽噪聲則主要是源于強(qiáng)脈沖干擾,。為了降低這兩種噪聲的干擾,，經(jīng)常使用濾波的方法。均值濾波對于抑制高斯噪聲具有很好的效果,，而中值濾波則主要用于消除椒鹽噪聲的影響,。為了更好地提高醫(yī)學(xué)圖像質(zhì)量，最大限度地保存醫(yī)學(xué)圖像細(xì)節(jié),，本文應(yīng)用均值濾波和中值濾波的方法對醫(yī)學(xué)圖像的高斯噪聲和椒鹽噪聲進(jìn)行處理[4],。
　肛管外病癥圖像在傳輸、轉(zhuǎn)換,、處理等過程中也不可避地會產(chǎn)生噪聲,，對于一幅圖像來說，除了邊緣,，圖像中噪聲和紋理細(xì)節(jié)也屬于較高的空間頻率范圍,，經(jīng)過邊緣檢測后，圖像的所有高頻分量(包括噪聲和紋理細(xì)節(jié))都被“放大”了,，得到的圖像可能會顯得比較混亂,。因此，可以采用預(yù)處理進(jìn)行彌補(bǔ),。
1.1 均值濾波
　均值濾波是典型的線性濾波算法,，它是指在圖像上對目標(biāo)像素給定一個模板，該模板包括了其周圍的臨近像素（以目標(biāo)象素為中心的周圍8個像素,，構(gòu)成一個濾波模板,，即去掉目標(biāo)像素本身），再用模板中的全體像素的平均值來代替原來像素值,。
　均值濾波也稱為線性濾波,，其采用的主要方法為領(lǐng)域平均法。在均值濾波過程中,，鄰域平均法的效果與所要使用的鄰域半徑有關(guān),，半徑越大，平滑效果越明顯,，與此同時,，圖像的模糊程度也越高，特別是邊緣和細(xì)節(jié)處，鄰域越大模糊程度越厲害,。
    圖1為均值濾波器的頻率響應(yīng)圖,，圖1(a)中用來濾波的鄰域大小為3×3，圖1(b)中用來濾波的鄰域大小為5×5,。

1.2中值濾波
　中值波器是非線性低通濾波器,，它先將鄰域中的像素按照灰度級進(jìn)行排序，然后選擇排序結(jié)果序列的中間值作為輸出像素值,。由于中值濾波器對異常值不敏感,，而中值濾波器可以在不減小圖像對比度的情況下減小異常值的影響，因此,，中值濾波器在處理脈沖噪聲等應(yīng)用中有比較好的效果,。
　中值濾波的去噪效果依賴于濾波窗口的大小，通過自適應(yīng)地施加結(jié)構(gòu)方面的限制來減少圖像中結(jié)構(gòu)的扭曲,。在大的窗口下,，可以有效地抑制噪聲，而使用小的窗口可以保留重要的結(jié)構(gòu)特征,。窗口的大小可以通過自適應(yīng)的技術(shù)來進(jìn)行控制,，以便在不同特征的局部區(qū)域中使用不同大小的窗口。
1.3 兩種濾波方法分析
    中值濾波器的原理類似于均值濾波器,，均值濾波器輸出的像素值為相應(yīng)像素領(lǐng)域內(nèi)的平均值,，而中值濾波器輸出的像素值為相應(yīng)像素領(lǐng)域內(nèi)的中值。與均值濾波器相比,，中值濾波器對異常值不敏感,，因此中值濾波器可以在不減少圖像對比度的情況下減少異常值的影響。
　肛管外病癥圖像為了降低高斯噪聲和椒鹽噪聲這兩種噪聲的干擾,，經(jīng)常使用均值濾波和中值濾波兩種方法,。中值濾波主要適用于低比例噪聲圖像的濾波，且能較好地保持物體的邊緣細(xì)節(jié),，但在濾除高斯噪聲時會不受破壞地保留一些較大尺寸的噪聲物體,，然而均值濾波對于抑制高斯噪聲具有很好的效果。因此,，本文中分別采用這兩種濾波方法對圖像進(jìn)行濾波處理,，即先采用中值濾波降低圖像的椒鹽噪聲，進(jìn)而采用均值濾波減少高斯噪聲對圖像的影響,如圖2所示,。

2 利用紋理濾波器分割圖像
2.1紋理圖像
　物質(zhì)組成成分不同的最直接的外部表現(xiàn)就是紋理的差異,，因此，無論是人眼識別還是計算機(jī)視覺,，紋理特征都是非常重要的特征量,。
　國內(nèi)外紋理分析的研究主要集中在特征提取,、紋理區(qū)分、紋理分類和紋理形成四個領(lǐng)域,。
　本文著重于特征提取以及紋理分類方面的研究,。特征提取是圖像紋理分析的第一步驟，從這一步取得的結(jié)果可以進(jìn)一步用于紋理區(qū)分,、紋理分類或目標(biāo)成形,。
　目前描述紋理特征的方式主要分為兩類：分形維和灰度共現(xiàn)矩陣,。Mandelbrot于1975年提出分形幾何的概念,。許多自然景物都在不同程度上具有統(tǒng)計上的自相似性，而分形正是描述紋理自相似的結(jié)構(gòu)特征,，利用這一特性,，分形成為圖像處理眾多方法的一種。而本文主要介紹對灰度共生矩陣的操作,。Haralick最先于1979年提出灰度共生矩陣,，現(xiàn)已經(jīng)成為最常用的紋理分析方法之一?；叶裙采仃囀窃诳紤]像素之間空間關(guān)系時提出的一種檢測紋理特征的統(tǒng)計方法,。灰度共生矩陣函數(shù)通過計算一幅圖像中特定的像素在某一空間位置關(guān)系中出現(xiàn)的次數(shù)來刻畫紋理特征[5],。
　使用紋理濾波器進(jìn)行分割就是利用圖像中不同區(qū)域的紋理對圖像的區(qū)域進(jìn)行劃分,。使用紋理濾波器分割圖像的基本步驟如下：
　(1)讀取圖像；
　(2)創(chuàng)建紋理圖像,；
　(3)顯示圖像不同部分的紋理,；
　(4)使用合適的濾波器進(jìn)行分割[6]。
2.2局部標(biāo)準(zhǔn)差濾波
2.2.1 圖像局部標(biāo)準(zhǔn)差
　標(biāo)準(zhǔn)差(Standard Deviation),也稱均方差(Mean Square Error),，是各數(shù)據(jù)偏離平均數(shù)的平均距離,，是離均差平方和平均后的方根，用σ表示,。標(biāo)準(zhǔn)差是方差的算術(shù)平方根,反映一個數(shù)據(jù)集的離散程度,。平均數(shù)相同的，標(biāo)準(zhǔn)差未必相同,。
　圖像局部標(biāo)準(zhǔn)差(LSD)算子,，也叫圖像局部標(biāo)準(zhǔn)差梯度[7],它反映了在一幅圖像當(dāng)中局部區(qū)域?qū)Ρ榷鹊淖兓?biāo)準(zhǔn)差算子反映了圖像灰度局部的對比度變化程度,。在標(biāo)準(zhǔn)差大的地方,，圖像灰度起伏較大，即出現(xiàn)圖像邊緣的幾率大,；相反,，在標(biāo)準(zhǔn)差小的地方,，圖像灰度變化平緩，即出現(xiàn)圖像邊緣的幾率小,。因此,，可以根據(jù)圖像局部標(biāo)準(zhǔn)差(LSD)將圖像中潛在的邊緣檢測出來。圖像局部 窗口中全部像素點的共同貢獻(xiàn)是在計算局部標(biāo)準(zhǔn)差過程中使用窗口中像素的平均值代替中心點處像素,。這樣對于檢測孤立點邊緣不敏感,，具有一定的平滑濾波的效果，本文將對其性質(zhì)進(jìn)行分析,。
2.2.2 LSD邊緣檢測
　邊緣檢測一直是圖像處理研究領(lǐng)域中一個基礎(chǔ)但又十分重要的內(nèi)容,。邊緣檢測的目的不僅是提取圖像中感興趣的物體邊緣，而且它還為圖像融合,、形狀提取,、圖像分割、圖像匹配和跟蹤奠定良好的基礎(chǔ),。此外經(jīng)過邊緣檢測的圖像具有數(shù)據(jù)量少的優(yōu)點,，有利于進(jìn)一步的處理。由于實際處理的圖像往往存在著噪聲,，而且噪聲和邊緣在空間域中都表現(xiàn)為梯度的突變,，在頻域中都表現(xiàn)為高頻信息，這就使得邊緣檢測非常困難,。在這種情況下,，經(jīng)典的邊緣檢測算子都不能很好地進(jìn)行邊緣提取。在實驗中通過對LSD邊緣檢測得到的結(jié)果圖像取閾值就得到最終的目標(biāo)圖像,。
2.2.3 LSD濾波
　通過比較濾波器窗口中心的像素和鄰域像素標(biāo)準(zhǔn)差來實現(xiàn)濾波,，將濾波器的窗口中與其鄰域像素最相近的像素作為濾波器的輸出。因此,，采用計算濾波器窗口中每一點像素的標(biāo)準(zhǔn)差作為像素相似性測度,，如果某一個像素與其鄰域相似，則該像素的局部統(tǒng)計值,，即標(biāo)準(zhǔn)差值就會較小,。另一方面，含有噪聲的像素幾乎總是與鄰域像素形成不同的聚類,，因此這些像素的局域標(biāo)準(zhǔn)差就會較大,。
2.3 Rangefilt濾波后的圖像
　Rangefilt濾波與傳統(tǒng)的Gabor濾波[8]的區(qū)別是傳統(tǒng)的Gabor濾波器理論和方法雖然可以提取出紋理圖像的紋理特征，但只是簡單地提取出紋理特征,，由于提取的特征不足或者冗余,，并不能很好地完成對紋理圖像區(qū)域的分割，特別是對現(xiàn)實世界中紋理基元排列并不很規(guī)則的自然紋理,。另外,，Gabor提取紋理特征的方法,，如果頻帶選擇過寬，則頻率響應(yīng)會大大超出目標(biāo)區(qū)域的范圍,，無法得到好的分割結(jié)果,；如果頻帶選擇過窄，則頻譜響應(yīng)會出現(xiàn)很多空洞,。然而,，Rangefilt濾波能正確地放大和有效利用這些響應(yīng)信息，克服以上不足之處,。
    Rangefilt濾波可以在復(fù)雜性的背景,，在各個方向上提取紋理特征圖像并用來做目標(biāo)區(qū)域的分割,，因此，在眾多方向中選擇正確的濾波器是算法分割成功的關(guān)鍵,。由于環(huán)境復(fù)雜多變,，環(huán)境光照會隨著時間發(fā)生變化，位置可能隨攝像機(jī)的旋轉(zhuǎn)而改變,，各種外部條件的不確定性要求Rangefilt濾波的新算法對光照、對比度、旋轉(zhuǎn)變換和背景紋理的干擾有較強(qiáng)的魯棒性,。
3 實驗結(jié)果
　血栓性外痔是肛管外外痔中最常見的一種，本文先以血栓性外痔為例進(jìn)行圖像的紋理濾波,。
　圖3為肛管外外痔中的血栓性外痔圖像的紋理濾波器分割圖像：其中圖3(a)為血栓性外痔預(yù)處理后的圖像,；圖3(b)為圖3(a)的灰度圖像；圖3(c)為圖3(b)灰度圖像的直方圖,；圖3(d)為血栓性外痔灰度共生矩陣的相關(guān)信息,，灰度共生矩陣函數(shù)通過計算一幅圖像中特定的像素在某一空間位置關(guān)系中出現(xiàn)的次數(shù)來刻畫紋理特征；圖3(e)為血栓性外痔不同粒度半徑開操作后剩余的像素和,；圖3(f)為血栓性外痔預(yù)處理后的灰度圖像,；圖3(g) 為預(yù)處理后的二值圖像；圖3(h)為預(yù)處理后的底部紋理圖像,；圖3(j)為形態(tài)學(xué)關(guān)操作后,，邊緣光滑后的圖像；圖3(k)顯示填充后的圖像,；圖3(l)顯示紋理圖像,；圖3(m) 顯示圖像頂部；圖3(n)顯示圖像底部,；圖3(o)為標(biāo)準(zhǔn)差濾波后的圖像,；圖3(p)為Rangefilt濾波后的圖像；圖3(q)顯示分割結(jié)果,。本實驗中采用整體和局部相結(jié)合的分割方法,，同時滿足整體和局部分割的要求,，提高了分割圖像的層次性，保留了圖像的細(xì)節(jié),，同時提高圖像分割的質(zhì)量,。

　而現(xiàn)實中，肛管外的各種病癥并不是單獨出現(xiàn)的,，現(xiàn)將幾種相互獨立且相互關(guān)聯(lián)的病癥圖像進(jìn)行處理,，如圖4所示。

　　圖4中,，圖4(a),、(b)、(c),、(d)是息肉的圖像,圖4(e),、(f)、(g),、(h)是混合痔的圖像,圖4(j),、(k)、(l),、(m)是息肉血栓混合痔(PTCMH)的預(yù)處理后的圖像,、紋理圖像、底部紋理圖像,、顯示分割結(jié)果圖像,。三種病癥與血栓性外痔的紋理特征反映了圖像灰度模式的空間分布，包含了圖像的表面感興趣區(qū)域信息及其非感興趣區(qū)域信息的關(guān)系,。因此,，紋理分割從圖像的分割效果上講，效果較好且能夠識別各種關(guān)聯(lián)的病癥,。
    本文中針對肛管外外痔中的血栓性外痔圖像,，結(jié)合均值濾波和中值濾波算法，對受到噪聲影響的圖像進(jìn)行了濾波處理,，減小了圖像分割的難度,，同時提高了分割的精度。在濾波的基礎(chǔ)上,，還提出了一種利用紋理濾波器分割圖像的方法,，將形態(tài)學(xué)操作、局部標(biāo)準(zhǔn)差濾波和Rangefilt濾波相結(jié)合,，提高了圖像分割的實時性,。在保證圖像分割整體性的同時，增強(qiáng)了分割后圖像的細(xì)節(jié)特征,，達(dá)到了良好的分割效果,。
　本文結(jié)合血栓性外痔,、息肉、混合痔,、息肉血栓混合痔四種肛管外病癥,，對預(yù)處理后的圖像、紋理圖像,、預(yù)處理后的底部紋理圖像,、顯示分割結(jié)果圖像進(jìn)行比較，能夠達(dá)到分割和識別的目的,。因此,，利用紋理濾波器分割圖像的方法能夠獲得很好的識別效果。
參考文獻(xiàn)
[1] 張榮祥,鄭世杰,夏慶觀．基于Hilbert掃描和小波變換的自適應(yīng)圖像分割[J] ．中國圖象圖形學(xué)報,2008,13(4):
666-671．
[2] 湯可宗,張磊,高尚．一種基于矢量閾值的自適應(yīng)圖像分割方法[J]．昆明理工大學(xué)學(xué)報(理工版), 2007,32(5): 23-26．
[3] 李中海, 郭禾．一種綜合多種方法的紋理圖像分割[D]．大連:大連理工大學(xué)碩士論文,，2008．
[4] 劉 輝,趙文杰．一種自適應(yīng)圖像分割算法[J]． 四川兵工學(xué)報,2009,30(12):31-33．
[5] 張培培,陳徳運．骨髓細(xì)胞圖像自動識別技術(shù)的研究[D]．哈爾濱:哈爾濱理工大學(xué)碩士論文,，2008．
[6] 張強(qiáng),王正林．精通MATLAB圖像處理[M]．北京:電子工業(yè)出版社,2009.
[7] 孫小煒,李言俊,陳義．局部標(biāo)準(zhǔn)差濾波在圖像處理中的應(yīng)用[J] ．電光與控制, 2008,15(9):32-34．
[8] 謝浩覃, 羅三定．分割類圓形聚集區(qū)域的Gabor方法研究[D]．長沙：中南大學(xué)碩士論文,2008．