骨龄识别系统中对手腕特征骨轮廓提取方法的研究

论文摘要

本课题的任务是采用各种边缘检测的技术进行骨龄识别系统中已分割出来的特征骨的边缘提取方法的研究。在本课题中尝试各种传统的边缘检测的方法。并研究如何将结合高层知识的Snake模型应用到该课题中。 在获得特征骨后,要对目标的边缘进行提取作为后期的待测目标形状分析和判定方面的依据。在一幅图像中,边缘信息是十分重要和有用的。通过提取出连续的边缘获得目标的一些高层信息,如目标的长、宽、面积或比例大小。通过这些信息进行后期的识别工作。边缘是灰度值不连续的结果,主要表现为图像局部特征的不连续性,是图像的亮度函数发生急剧变化的位置。传统的边缘提取方法有微分法、线性滤波法。在微分法中,是对原始图像中像素的某个小的邻域来构造边缘检测算子。但在使用该种方法时,首先存在边缘检测精确性与噪声滤除之间的矛盾,若提高检测精度,则噪声产生的伪边缘会导致不合理的轮廓;若提高抗噪性,则会产生轮廓漏检和位置偏差;其次存在检测到的边缘不连续的问题。因此,提出了线性滤波的方法。该方法首先在一定范围内作平滑滤波,以消除噪声的干扰,然后检测发生在相应尺度上的边缘。该方法虽较好地兼顾抗噪性和检测精度,但仍不能从根本上克服两者之间的矛盾。 Snake模型是一种人机交互的,自上而下的边缘提取模型,模型中利用了一定的高层知识,将注意力放在边缘本身和边缘附近,从而提高边缘提取的可靠性和准确性,可以越过物体边缘上的不连续区域,从而获得完整的边缘。Snake模型基于这样一种假设:边界是连续和光滑的。因此能被用来近似在图像中物体的位置和形状。Snake模型首先通过人的识别能力,在待提取边缘的附近设置若干个控制点,并连成一条连续的曲线。然后充分利用图像信息,外部限制及曲线连续性和平滑性的限制定义一个能量函数,作用于各个控制点,各控制点的能量是根据Snake的形状和该控制点在图形中的位置确定的,使控制点向使能量函数减小的区域移动,最后当能量函数不再减少时,即得到要求提取的目标边缘。Snake模型能够保证得到连续的边缘,并且对图像噪声和对比度不敏感。 但Snake模型的基本算法在实际的应用中存在有不少的问题:初始轮廓的选

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 X射线成像特点
• 1.3 骨龄识别系统简介
• 1.3.1 骨龄的评判方法
• 1.3.2 骨龄识别系统
• 1.4 图像预处理
• 1.5 图像分割
• 1.5.1 图像分割的常用方法及分类
• 1.6 Snake模型简介
• 1.7 论文的内容及编排
• 第二章 传统的边缘提取方法
• 2.1 关于边缘提取的方法
• 2.2 边缘检测中的微分技术
• 2.2.1 差分边缘检测
• 2.2.2 Robert算子
• 2.2.3 Sobel算子
• 2.2.5 Prewitt算子
• 2.2.6 Robinson算子
• 2.2.7 Laplace算子
• 2.3 LoG算子
• 2.4 Canny算子
• 2.4.1 有关Canny算子
• 2.4.2 Canny算子的算法
• 2.4.3 算子的应用结果
• 第三章 Snake模型
• 3.1 Snake模型简介
• 3.2 Snake模型中能量的定义
• 3.2.1 内部能量项Eint
• 3.2.2 图像能量
• 3.2.3 外部能量
• 3.3 Snake模型的算法
• 3.3.1 矩阵迭代法
• 3.3.2 动态规划法
• 3.3.3 贪婪算法
• 第四章 基于Snake的特征分割
• 4.1 Snake模型中的一些问题
• 4.1.1 初始轮廓的选取问题
• 4.1.2 控制点的堆积问题
• 4.1.3 曲线的收缩问题
• 4.1.4 Snake曲线的形态控制
• 4.1.5 实例
• 4.2 对Snake模型的改进
• 4.2.1 初始轮廓的选取
• 4.2.2 对能量项的改进
• 4.2.3 对Snake模型算法的改进
• 4.2.4 对图像能量项的改进和外部能量项的引入
• 4.3 改进后的结果
• 第五章 总结和展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献