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行濾波預處理,，同時利用紋理濾波器分割圖像將紋理圖像,、形態(tài)學操作、局部標準差濾波和Rangefilt濾波相結合,，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，同時將其應用在肛管外病癥圖像的分割中,，獲得了很好的效果,。
關鍵詞：紋理分割；均值濾波,；中值濾波,；局部標準差濾波

　醫(yī)學圖像分割是高層次醫(yī)學圖像理解和分析的前提條件，在醫(yī)學研究,、臨床診斷,、病理分析、手術計劃,、影像信息處理,、計算機輔助手術等方面應用廣泛，已經成為醫(yī)學圖像分析領域中一個具有挑戰(zhàn)性的研究課題,。圖像分割是模式識別,、計算機視覺中的關鍵技術之一，是圖像識別和圖像理解的基本前提步驟,，其分割質量直接影響著后續(xù)圖像處理的效果,。分割的程度取決于要解決的問題，在應用當中,，當感興趣的對象已經被分離出來時,，分割停止。計算機視覺研究的目標檢測,、目標識別,、特征提取等精度都依賴于圖像分割的質量[1]。醫(yī)學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研究提供可靠依據,。目前，關于圖像分割的算法，國內外學者已經提出了上千種,，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用，幾乎出現在有關圖像處理的所有領域,，并涉及各種類型的圖像,。其應用廣泛,從醫(yī)學圖像診斷中的癌細胞識別到從遙感圖片中識別多種有用的軍事或民用目標[3]。
1 圖像預處理
　醫(yī)學圖像在傳輸,、轉換,、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量下降,，即產生噪聲。這些噪聲將給醫(yī)學圖像的分析帶來困難,，甚至影響圖像處理的最終結果,。因此，對獲取的醫(yī)學圖像進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脈沖干擾,。為了降低這兩種噪聲的干擾,，經常使用濾波的方法,。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)學圖像質量,，最大限度地保存醫(yī)學圖像細節(jié)，本文應用均值濾波和中值濾波的方法對醫(yī)學圖像的高斯噪聲和椒鹽噪聲進行處理[4],。
　肛管外病癥圖像在傳輸,、轉換、處理等過程中也不可避地會產生噪聲,，對于一幅圖像來說,，除了邊緣，圖像中噪聲和紋理細節(jié)也屬于較高的空間頻率范圍，經過邊緣檢測后,，圖像的所有高頻分量(包括噪聲和紋理細節(jié))都被“放大”了,，得到的圖像可能會顯得比較混亂。因此,，可以采用預處理進行彌補,。
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（以目標象素為中心的周圍8個像素,，構成一個濾波模板，即去掉目標像素本身）,，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，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行排序,，然后選擇排序結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,，通過自適應地施加結構方面的限制來減少圖像中結構的扭曲。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構特征。窗口的大小可以通過自適應的技術來進行控制,，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像素領域內的平均值，而中值濾波器輸出的像素值為相應像素領域內的中值,。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行濾波處理，即先采用中值濾波降低圖像的椒鹽噪聲,，進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
　物質組成成分不同的最直接的外部表現就是紋理的差異，因此,，無論是人眼識別還是計算機視覺,，紋理特征都是非常重要的特征量。
　國內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,，從這一步取得的結果可以進一步用于紋理區(qū)分、紋理分類或目標成形,。
　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計上的自相似性,，而分形正是描述紋理自相似的結構特征,，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,，現已經成為最常用的紋理分析方法之一,。灰度共生矩陣是在考慮像素之間空間關系時提出的一種檢測紋理特征的統計方法,?；叶裙采仃嚭瘮低ㄟ^計算一幅圖像中特定的像素在某一空間位置關系中出現的次數來刻畫紋理特征[5],。
　使用紋理濾波器進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行分割[6],。
2.2局部標準差濾波
2.2.1 圖像局部標準差
　標準差(Standard Deviation),也稱均方差(Mean Square Error),，是各數據偏離平均數的平均距離，是離均差平方和平均后的方根,，用σ表示,。標準差是方差的算術平方根,反映一個數據集的離散程度。平均數相同的,，標準差未必相同,。
　圖像局部標準差(LSD)算子，也叫圖像局部標準差梯度[7],它反映了在一幅圖像當中局部區(qū)域對比度的變化,。標準差算子反映了圖像灰度局部的對比度變化程度,。在標準差大的地方，圖像灰度起伏較大,，即出現圖像邊緣的幾率大,；相反，在標準差小的地方,，圖像灰度變化平緩,，即出現圖像邊緣的幾率小。因此,，可以根據圖像局部標準差(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是在計算局部標準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,，本文將對其性質進行分析。
2.2.2 LSD邊緣檢測
　邊緣檢測一直是圖像處理研究領域中一個基礎但又十分重要的內容,。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。此外經過邊緣檢測的圖像具有數據量少的優(yōu)點,，有利于進一步的處理,。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為梯度的突變,，在頻域中都表現為高頻信息,，這就使得邊緣檢測非常困難,。在這種情況下，經典的邊緣檢測算子都不能很好地進行邊緣提取,。在實驗中通過對LSD邊緣檢測得到的結果圖像取閾值就得到最終的目標圖像,。
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準差來實現濾波，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準差作為像素相似性測度，如果某一個像素與其鄰域相似,，則該像素的局部統計值,，即標準差值就會較小。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準差就會較大。
2.3 Rangefilt濾波后的圖像
　Rangefilt濾波與傳統的Gabor濾波[8]的區(qū)別是傳統的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,，則頻率響應會大大超出目標區(qū)域的范圍，無法得到好的分割結果,；如果頻帶選擇過窄,，則頻譜響應會出現很多空洞。然而,，Rangefilt濾波能正確地放大和有效利用這些響應信息,，克服以上不足之處。
    Rangefilt濾波可以在復雜性的背景,，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鍵,。由于環(huán)境復雜多變,，環(huán)境光照會隨著時間發(fā)生變化，位置可能隨攝像機的旋轉而改變,，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、旋轉變換和背景紋理的干擾有較強的魯棒性,。
3 實驗結果
　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信息,，灰度共生矩陣函數通過計算一幅圖像中特定的像素在某一空間位置關系中出現的次數來刻畫紋理特征,；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)為血栓性外痔預處理后的灰度圖像,；圖3(g) 為預處理后的二值圖像,；圖3(h)為預處理后的底部紋理圖像；圖3(j)為形態(tài)學關操作后,，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)為標準差濾波后的圖像,；圖3(p)為Rangefilt濾波后的圖像,；圖3(q)顯示分割結果。本實驗中采用整體和局部相結合的分割方法,，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，保留了圖像的細節(jié),，同時提高圖像分割的質量,。

　而現實中，肛管外的各種病癥并不是單獨出現的,，現將幾種相互獨立且相互關聯的病癥圖像進行處理,，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)的預處理后的圖像,、紋理圖像,、底部紋理圖像、顯示分割結果圖像,。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聯的病癥。
    本文中針對肛管外外痔中的血栓性外痔圖像,，結合均值濾波和中值濾波算法,，對受到噪聲影響的圖像進行了濾波處理，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)學操作,、局部標準差濾波和Rangefilt濾波相結合，提高了圖像分割的實時性,。在保證圖像分割整體性的同時,，增強了分割后圖像的細節(jié)特征，達到了良好的分割效果,。
　本文結合血栓性外痔,、息肉、混合痔,、息肉血栓混合痔四種肛管外病癥,，對預處理后的圖像、紋理圖像,、預處理后的底部紋理圖像,、顯示分割結果圖像進行比較，能夠達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
[1] 張榮祥,鄭世杰,夏慶觀．基于Hilbert掃描和小波變換的自適應圖像分割[J] ．中國圖象圖形學報,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圖像分割方法[J]．昆明理工大學學報(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:大連理工大學碩士論文,，2008．
[4] 劉 輝,趙文杰．一種自適應圖像分割算法[J]． 四川兵工學報,2009,30(12):31-33．
[5] 張培培,陳徳運．骨髓細胞圖像自動識別技術的研究[D]．哈爾濱:哈爾濱理工大學碩士論文,，2008．
[6] 張強,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．局部標準差濾波在圖像處理中的應用[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：中南大學碩士論文,2008．