复杂图像范文（精选6篇）
复杂图像 第1篇
关键词：彩色图像分割,AdaBoost学习算法,分类器
0 引言
随着计算机图形学的发展, 以及计算机图形学在其他领域的广泛应用, 人们越来越关注是否可以通过图像处理的方法来改善林业生产的工作方式。使用图像识别技术可以改善林业野外作业的工作方法, 提高工作效率以及测量数据的准确性, 并能为以后的林业数据的计算提供存储上的方便。但是目前只有针对理想条件下的原木材积检测系统, 而对于野外现场作业中原木的识别, 因为有很多固有的难点, 目前在国内外的文章中尚不多见。对于理想条件下原木照片, 通常是在一定的特定条件下取得的, 而在实际的林业野外作业现场, 有时特殊的拍摄条件不能够得到满足, 这样就会大大的影响图片的质量, 造成图片具有复杂的背景等问题。而对于复杂条件下生产现场的原木照片, 要求摄像头跟原木这间符合一定的拍摄条件也许并不能够解决距离、稳定性所造成的影响。另外, 野外环境中出现的背景以及原木不规范堆放所引起的遮挡也会影响效果。以上这些问题都是原木图像分割提取过程中出现的主要问题, 一种方法并不能够全部解决, 只能够兼顾一方面, 因此原木的识别依然是图像识别方面的一个难题。本文结合前人的研究通过改进步骤和方法, 提出了一种新的原木图像识别算法, 首先通过处理颜色特征取得对原木的初步分割, 然后在的到的结果上结合多种区域特征结合Ada Boost学习算法的分类器作进一步的细化。算法主要是首先在亮度和饱和度空间进行初步的分割, 然后结合两个空间分割的结果Ada Boost算法进行细致的分割。这种算法利用了HIS空间中包含的颜色特征所提供的信息, 但是这种算法需要浪费大量的计算资源在处理颜色信息上, 所以速度上不能够满足林业生产的现场实际。为此我们这里提出首先进行相态学处理再在S通道上进行阈值分割, 然后再结合I通道信息进行第二次分割, 其流程如图1所示。
1.1彩色空间转换
数码相机取得的彩色图像是使用红、绿、蓝 (Red/Green/Blue, RGB) 空间表达的, 但是照片表达内容信息分布在三种颜色中并且三种颜色存在一定的关联, 因此对其中一种颜色提取信息一般不会取得全部的信息。为此我们可以首先把RGB空间转变为HSI彩色空间, 因为H、S、I空间中个分量易于分割并且每个空间的信息相对独立对不同的空间提取不同的信息在进行综合会取得比较好的效果。因此采用HIS彩色空间进行图像处理是现行比较流行的处理方式。本文所提出的算法也使用HSI彩色空间, 因此必须从RGB空间转换到HSI空间, 其转换公式为:
1.2 分割算法
在HSI空间中经过大量的对比研究发现其饱和度空间S中具有大量的颜色区域, 为此我们可以单独对S空间进行处理。图2 (a) 给出了一张林业野外生产现场图片, 图2 (b) 给出其对应的S通道图像, 从图中可以看出图片颜色的主要内容均可以完整的显示出来并且我们处理对象原木所表现出主要的特征。所以这里可以直接使用S通道进行分割并把结果作为主要的处理结果, 结合其他通道的信息得出分割结果。这里先对S通道图像S (x, y) 进行分割然后结合I通道I (x, y) 分割的结果组合成一张新的图像。
通过两次分割并结合图像, 得到分割结果如图2 (c) 所示。
1.3 形态学后处理
从图2 (c) 中可以看到, 图像分割后各个原木之间的空隙还是存在一些灰度不一致性, 这是需要进行进一步的形态学处理, 把图像中原木中的缝隙进行统一去除。把图像中的一些可能存在的小洞使用开闭运算进行去除。经过形态学后处理以后的结果如图2 (d) 所示。
2 基于Ada Boost算法的原木分类
从上面的图中我们看出虽然经过一系列的颜色特征处理但是一些原木还是被一些噪音所影响, 例如如果原木截面上的积雪超过原木界面的50%我们就不能够准确的分割出原木轮廓。为此我们想使用机器学习中的Boosting算法来解决这个问题。
2.1 Boosting算法简介
Boosting算法是通过统计学习以适应对象的集成学习算法。在实际应用中由于该算法使用限制小, 因此可以比较容易地应用到实际问题中。
自适应推动算法主要理论是首先规定一定量的学习样本, 通过不同样本多次迭代的使用期间不断的调节不同样本的比重从而生成一个最终决定性的样本也就是一个强分类器。
2.2特征的选择
使用Ada Boost算法就必须从一系列样本中找出特征值, 这些样本的采集以及特征值的选择对于算法的准确率具有决定的意义。结合林业野外生产的具体实际结合不同树种的具体特征, 我们使用了一个12维的特征向量来刻画一个区域:x=[<1, <2, <3, <4, <5, <6, <7, e, S, L, R, C]T。其中<1~<7是区域的不变矩。这种识别模式在平移、尺度、和旋转等方便具有很好的稳定性。E给出了区域的扁度, 这里定义为区域的长短轴之比, 计算公式如下:
我们把一个区域的像素个数等同与这个区域的面积, 周长为区域边缘像素的个数。同时结合这个区域的周长L来一起描述这个区域的特征。通过S和L我们可以通过以下的公式判断该图形接近圆的程度。其计算公式为:
2.3 弱分类器的设计
我们对每个区域进行一个12维特征向量的描述, 所以生成的模式空间向量是12维的。这里规定每种原木类型采样一定量的图像作为训练样本, 那么可以把他们的平均特征向量作为弱分类器即可。因此在设计若分类器的决策函数是可以计算其特征向量与样本平均特征向量的欧式距离其中最小的即可最为弱分类器。
2.4 强分类器的实现
在多个弱分类其中可以进行多次的优胜劣汰的选择, 并且可以对12个方向的弱分类器进行多次的迭代, 其中效果最好的作为当前的弱分类器, 其误差作为当前误差。如果不同的样本计算出的分类算法结果相异代表样本区域不是一个原木区域。
3 实验结果与分析
为了验证本文所描述算法的有效性, 进行了一系列的现场实验, 总共采集可用图像23张。
实验结果所示, 实验对图片的处理结果以及所示误差。
由表1可以得出这样的结论, 图像中原木的正确率大于70%, 这样的结果验证了本文的实验思路。另外误差主要是由于图像条件比较差, 对于成像效果较差的原木端面, 尤其是被部分遮挡的端面, 利用本文的算法不能得到很好的效果。从上面进行的误差分析中可以得出以下结论:分割算法对采集到的图像质量比较敏感, 在过差的条件下 (光照、天气、特征区不全) 可能会失败;基于Ada Boost学习算法的分类器非常鲁棒, 在23张图像上的实验中, 没有因为分类器的原因而出现识别错误。
4 结语
本文提出了一种新的原木图像识别算法, 主要是针对林业生产中原木图像的分割与识别问题。计算机图像学在林业的应用上还属于初步的探索, 一些传统的方法还没有被取代, 本文也只是使用新技术的探索, 在计算机图形学在林业上的应用还需要大量的研究, 本文还有很多提升的空间, 会在以后的工作中继续加强。
参考文献
[1]龙德帆.用于原木材积检测的图像处理与分析算法[北京航空航天大学学报]
[2]等长堆积原木材积的自动检测[中国图像图形学报], 2005, vol.31No.1
[3]陈冬娥.图像处理方法在自动报靶系统中的实现[J].微电脑应用, 2000, 16 (8) :56-57.
[4]GONZALEZ R C, WOODS R E.Digital image processing[M].2nded.New York:Prentice Hal, l 2002.
[5]COMANICIUD, MEER P.Robustanalysis of feature spaces:color image segmentation[C]//Proceedings of the 1997 Conference on Computer Vision and Pattern Recognition (CVPRp97) .Washington, DC:IEEE Computer Society, 1997:750-755.
复杂背景下输电导线图像特征的提取 第2篇
文中对复杂自然背景下输电导线图像特征的提取进行了研究。首先对导线图像进行预处理, 调整灰度范围增强对比度。接着选择Canny算子检测边缘, 然后运用数学形态学分析对边缘图像进行腐蚀和膨胀的运算, 扩大背景边缘与导线边缘的差异, 避免误检。最后, 采用自适应阈值区间的广义Hough变换提取电力线。
1 输电导线图像特征的分析
通过可见光照相机采集到的图像数据中的电力线有以下一些特征: (1) 由于弧度比较小, 图像中的导线可以近似看成一条直线; (2) 每一条输电导线都是细长型的, 常常穿过整幅图像, 像素宽度很小, 约一到两个像素点的宽度; (3) 导线上所有的像素点灰度都是相同或者相近的值。如图1所示。
由图中可以看出, 与背景相比, 输电导线具有明显的线性特征, 但是当天气变化, 拍摄角度导致背景变化时, 这种特征会变得不显著, 甚至人眼都不能分辨目标和背景。同时, 会受到背景中一些具有类似线性特征的物体的干扰, 例如道路与屋檐等。这些因素给提取电力线都带来了一定的困难。
2 图像的预处理
2.1 灰度校正
由于光线的影响, 电力线图像有可能会曝光不足或曝光过度, 为了改善图像的质量, 增加信噪比, 增强对比度, 必须对导线图像进行灰度校正。这里采用有限对比自适应直方图均衡化来校正灰度。首先, 把图像分为小块的区域, 在每一小块区域上进行直方图均衡化。接着使用双线性插值的方法来组合相邻的区域。此方法能够使输出图像的直方图与指定的直方图进行匹配, 消除人为产生的边缘。
2.2 图像去噪
由图2可以看出, 对比度加强后, 灰度值范围变宽, 原有的噪声像素点也变得更加的活跃, 这是不利于后续实验提取输电导线的。本文采用均值滤波对图像进行去噪, 均值滤波可以很好的滤除粒状噪声, 如图3所示, 避免图像细节边缘丢失, 有利于保护输电导线的边缘信息。
3 边缘检测
对于输电导线图像的背景, 通常包含有云, 道路, 农田, 河流, 小山丘, 森林, 建筑物等各种各样复杂多变的物体[3]。使得电力线的图像特征被削弱, 提取相当困难。为了从图像数据中提取导线的像素点, 必须选用合适的边缘检测算子对图像进行边缘检测, 从而区分出导线的边缘和背景边缘。
常用的边缘检测方法有一阶微分算子、二阶微分算子以及Canny算子。一阶微分算子包含梯度算子、Roberts算子、Prewitt算子和Sobel算子, 它们的区别在于采用不同的方法来计算一阶偏导数。二阶微分算子称为拉普拉斯算子, 定义为梯度的散度, 即二阶偏导数的和。本文选用图像处理领域广泛采用并且抗噪声性能良好的Canny算子进行边缘检测。Canny算子是最优的阶梯型边缘检测算子, 可以尽可能多地标示出原始图像中的实际边缘, 对可能存在的图像噪声不标识成边缘。算法具体步骤如下:
(1) 待检测的图像数据与二维高斯滤波器进行卷积运算;
(3) 梯度方向的确定:求出边缘方向后, 把边缘的梯度方向分成几种角度, 找到这个像素梯度方向的领接像素;
(4) 遍历图像:若是某个像素的灰度值与它梯度方向上的前后两个像素的灰度值相比不是最大的, 此像素点即不是边缘, 灰度值置0;
(5) 用累计直方图来计算两个阈值:大于高阈值的一定是边缘, 小于低阈值的一定不是边缘, 若在两个高低阈值之间, 就根据领接像素中有没有超过高阈值的边缘像素进行判断, 有就是边缘, 反之不是。
4 数学形态学处理
形态学分析包含膨胀和腐蚀两种基本的运算[4]。
腐蚀运算:
膨胀运算:
其中A是输入的待处理的二值边缘图像, B是结构元素。对于边缘检测得到的二值图像, 虽然能够区分出导线边缘和背景边缘, 但是那些都是一些离散的像素点, 往往非常的稀疏, 因此并不能得到连续的导线边缘。
对一幅图像先进行腐蚀再进行膨胀得到的图像会比原图像更简单, 这有利于从复杂背景中更准确的提取具有一定特征的输电导线, 如图4所示。首先, 对边缘图像进行腐蚀运算, 除去背景中的非导线边缘, 接着通过膨胀运算实现被腐蚀掉的断开导线的连接。
5 Hough变换的改进算法
Hough变换是图像处理领域经典的直线提取算法, 将图像空间中复杂的边缘特征信息映射为参数空间中的聚类检测问题。传统的Hough变换计算量大、耗费内存空间、参数空间的峰值点易被次峰值点包围, 造成漏检误检等问题。
为了适应实际应用的需求, 本文采用自适应阈值区间的广义Hough变换来提取输电导线[5]。该方法首先将图像边缘的像素点根据领接关系聚集为不同类别, 顺序存在数组中, 其次对数组中动态采样得到的像素点按照一定规则进行阈值区间的自适应估算, 并依据阈值区间对存储的像素点进行直线检测。该算法在减小计算量的同时, 提高检测的效率。
5.1 直线检测的原理
在图像域检测直线时, 直线上的某一点可能位于无数条不同的直线, 通过式
5.2 阈值区间的3个约束条件
5.3 直线提取步骤
(1) 聚类邻近的像素点, 分别将每一类的所有像素映射到参数空间中进行检测, 可以使目标更明确, 减小计算量;
(2) 根据直线检测阈值区间的3个约束条件设定参数阈值区间;
(3) 对图像域的像素点执行一次映射计算, 即可实现类型识别, 判断相应的数组存储的像素点是否为导线上的像素点。
6 实验结果与分析
为了验证算法的有效性, 选取了较为具有代表性的几类电力线图像一共50张, 作为实验的样本, 其中包含近距离拍摄和远距离拍摄, 背景包含有天空、树林、石山等, 以及有单根导线也有很密集的多根导线的图像。实验在MATLAB8.3平台上完成, 提取结果如图7所示, 可以看出在导线数量, 拍摄角度, 背景变换的情况下, 本文的方法都能成功的提取图像中的具有线性特征的电力线, 具有较好的鲁棒性和提取率。
7 结语
在前人的研究成果基础上, 本文提出了一种能够在背景复杂, 拍摄角度不同, 导线数量不同的样本图像中成功的提取输电导线的方法, 该算法能够在参数空间中更有针对性的计算, 取代了传统Hough变换的盲目性计算, 相对来说计算量更小, 提高了算法的实时性, 对于输电导线巡检图像的自动处理具有很大的实用价值。
参考文献
[1]仝卫国, 苑津莎, 李宝树.图像处理技术在直升机巡检输电线路中的应用综述[J].电网技术, 2010, 34 (12) :204-208.
[2]Ma Lili, Chen Yangquan.Aerial surveillance system for overhead power line inspection[R].Center for Self-organizing and Intelligent Systems (CSOIS) , USA, Utah, 2003.
[3]Tong Wei-Guo, Li Bao-Shu, Yuan Jin-Sha, Zhao Shu-Tao.Transmission line extraction and recognition from natural complex background[C].Proceedings of 2009 International Conference on Machine Learning and Cybernetics, Baoding, China.2009, 7:2474-2477.
[4]冈萨雷斯.数字图像处理[M].第2版.北京:电子工业出版社, 2003:463-473.
复杂图像背景下的一维条码定位研究 第3篇
条码技术是在计算机、光电技术和通信技术的基础上发展起来的一项综合性科学技术,是信息数据自动识别、输入的重要方式和手段。由于条码技术具有准确、快速、方便、经济的特点,因此很快渗透到自动化管理的各个领域,并逐步扩大到各行各业和人们的日常生活之中[1]。目前的条码识别技术大多数是基于光电扫描装置的,该种识别技术简单易行,也已成熟,投入商业使用。而随着视频技术的发展,基于视频的条码识别引起了人们的广泛关注,成为了人们的研究热点,在该技术的实现过程中,主要的困难是如何在复杂的图像背景中检测出条形码。
在这一方面,人们从条码图像的空域和频域两方面分别进行了研究,并取得了一定的成果[2,3,4]。文献[2]研究了基于小波多分辨率分析的条码检测算法,该算法在高频子图基于特征向量利用纹理相似性原理,采用区域增长法产生条码数据区域的候选子区域集合,然后在低频子图利用条码的边界特征对候选子区域进行验证,该方法对含有倾斜的条码图像并不适用。文献[3]中提出了基于DCT域算法对条码区域自动定位,该算法可以定位任意旋转角度的条码,然而当图像中其他区域的纹理比重远大于条码区域时,该算法将会失效。文献[4]研究在空域中利用条码区域的纹理特征,以及条码区域的形状并且结合形态学检测条码区域,该方法在后面用多次形态学膨胀时,容易将条码区域与其他区域连通到一块,易出现误检及漏检的现象。对此,本文提出了一种利用边缘像素梯度方向的方法提取边缘,结合条码区域边缘特征,并利用二值形态学检测条码区域。
1 基于边缘梯度方向的边缘提取
1.1 候选边缘点检测
常用的梯度锐化算子有正交梯度算子(Roberts, Prewitt,Sobel)、方向梯度算子(Kirsch)、二阶导数算子(Laplacian,LOG)[5]。基于计算量以及噪声抑制两个方面的考虑,本文采用具有平滑功能的Sobel梯度算子计算每个像素的梯度,其水平和垂直的模板分别如式(1)所示,并将梯度方向量化到上(下文所述的方向都是指量化后的边缘梯度方向)。
在理想情况下,条码区域垂直于边缘走向的灰度应该是非高即低的,如图1(a)所示,但是实际中由于光照、图像采集装置以及传输的影响,垂直于边缘走向的灰度值会出现缓变的现象,如图1(b)所示,所以在非理想情况下(一般视频采集到得图片都是非理想情况的),在边缘像素附近也会出现梯度值较大的像素,所以需将这些干扰像素点去除(即沿着该像素的梯度方向上进行非极大值抑制),得到候选边缘点图N。
1.2 边缘提取
一般在空域中的边缘提取法都是按照梯度锐化、判断梯度幅值是否大于一定的阈值两个步骤来进行,该种方法易受光照的影响,特别是在光照不均匀的条件下影响更加明显,易丢失一些低强度的边缘。对此,本文提出一种利用边缘方向的方法来进行边缘连接。对于某个像素点m,如果是条码区域的边缘点,则该像素的8领域内有一个或两个像素与m具有相同的方向,利用该特征可去除大量的噪声点以及相邻像素具有不同方向的像素点。
为了减少计算量,可认为梯度幅值小于一定阈值的像素肯定不是边缘点。图2是梯度锐化后的直方图,从该图可以看到,绝大多数的像素都集中在低灰度区域中,只有少部分的像素具有较高的灰度值,而只有在灰度急剧变化的区域(边缘)才有高梯度幅值,利用边缘的梯度幅值特征可大大减少计算量。
根据上述原理,基于边缘方向的边缘提取法可描述如下:
(1) 扫描候选边缘图像N;
(2) 对于扫描到的候选边缘点m,判断该点的梯度幅值是否大于阈值,如果不是,转(7);
(3) 判断m的8邻域内是否有其他候选边缘点,并且该候选边缘点的梯度幅值大于阈值,若没有,转(7);
(4) 对m的8邻域内扫描到的第一个大于梯度阈值的候选边缘点ti(i=1,2,…,8),判断ti的方向与m的方向是否相等,如果相等,转(6);
(5) 继续扫描点m的8邻域内其他未被标记的候选边缘点,并且判断其是否满足梯度幅值以及梯度方向要求,如果满足转(6),否则转(7);
(6) 将领域中心点m及满足条件的领域点ti都标记为边缘点;
(7) 继续扫描候选边缘图像N,寻找新的候选边缘点,若该点未被标记为边缘点,转(2),否则继续扫描其他点,直到没有新的未标记为边缘点的候选边缘点,算法结束。
其核心编程如图3所示。
图中N:候选边缘图像,m:未标记的候选边缘点(假设候选边缘点的标记为128),Ti:m的8领域像素,Grad(x):像素x的梯度幅值,o(x):像素x的梯度方向,Thred:前面计算出的梯度幅值阈值。
2 条码定位算法
一维条码由一系列的条空组合而成,相对于其他区域,条码区域含有丰富的单方向边缘,因此可先提取出条码图像的边缘,以及边缘像素的梯度方向,并利用条码区域的单边缘密度特征、以及二值形态学得到条码区域。
算法主要分为三个步骤,首先对图像进行预处理,主要完成图像的灰度化,对比度增强,然后提取出条码图像的边缘,最后利用条码区域的特征得到条码区域。图4为算法流程图。
具体算法如下:
(1) 对图像进行预处理,首先将得到的彩色图像进行灰度化,然后利用文献[6]提出的一种改进的基于直方图的图像对比度增强方法对图像进行对比度增强。
(2) 利用第一节中的边缘提取法得到边缘图像E1,以及边缘像素的方向。
(3) 将图像E1分割成x×y个互不相交的子区域(应使子区域小于条码区域),计算每个子区域Ai(0<=Ai<=x×y)的主方向,记为Aio,以及该主方向上的边缘个数,利用条码区域的单方向的边缘密度特征去除不满足条件的子区域,得到图像E2,并以满足条件的子区域的Aio,以及Aio上的子区域个数n画直方图,直方图的最高点所对应的方向即为条码区域的方向,记为o,将E2中边缘像素的方向不是o的像素点去除,得到图像E3,最后在E3中剩下的大部分都是条码区域的边缘像素与一些零散的其它边缘像素,再次利用边缘密度特征即可得到候选的子区域。
(4) 以前面分割的子区域为单位,利用区域生长法[5]得到连通区域,最大的连通区域即为条码区域,将其他连通区域去除,得到图像E4。
(5) 对图像E4利用二值形态学膨胀,得到连通的条码区域。
(6) 验证保留下来的区域是否是矩形,并且垂直于条码方向的扫描线上有满足条件的灰度跳变次数。
3 实验结果与分析
本文实验所用PC机的配置为:Pentium(R) 4 CPU 3.06GHZ,内存为512MB,实验平台为VC++6.0, 所用照片使用7878型号摄像头拍摄,分辨率为480×640。
实验一 不均匀光照下基于梯度幅值的边缘连接与本文的边缘连接法比较,如图5所示。
图5(a)是在光照不均匀条件下图像,用基于梯度幅值的边缘提取法在这种条件下就会丢失边缘细节,如图5(b)所示,有些对比度较低的边缘就没有被检测出来,而本文的边缘提取法解决了这种问题,如图5(c)所示。
实验二 条码定位过程结果如图6所示。
图6(a)原图,图6(b)边缘提取图,图6(c)为利用条码区域单方向边缘密度特征以及区域合并后的结果图,图6(d)为经过二值形态学膨胀后确定条码区域最终结果图。
实验三 不同方向的条码定位如图7所示。
图7显示了3幅含有不同方向条码图像定位结果,由该图看出,本文算法能很好地定位出不同方向的条码区域。
现有的在空域中进行条码定位的算法都需利用条码区域边缘密度特征,但是这些算法在确定边缘像素时,都只是简单地利用边缘检测算子进行锐化,然后确定一个阈值提取出边缘,该种方法易受光照的影响,特别是在光照不均匀的条件下,影响更是严重。本文算法利用边缘像素方向来进行边缘提取,在一定程度上克服了如上问题,有较好的实用性。
参考文献
[1]陈丹晖,刘红.条码技术与应用[M].北京:化学工业出版社,2006.
[2]吕佩卓,赖晓铮,赖声礼.基于小波多分辨率分析的PDF417定位算法[J].自动化学报,2008,35(5):597-600.
[3]Tropfa,Chaid.Locating 1-D Barcodes In DCT-domain[C]//IEEE In-ternational Conference on Acoustics,Speech and Signal Processing.Toulouse,France,2006:14-19.
[4]刘发耀,殷建平,李宽,等.复杂背景下PDF417条码定位研究[J].计算机工程与科学,2010,32(6):55-57.
[5]高守传,姚领田.Visual C++实践与提高—数字图像处理与工程应用篇[M].北京:中国铁道出版社,2006.
复杂图像 第4篇
目前几种常用的动态视频目标检测方法主要有:背景差分(background subtraction)方法,时间差分(temporal difference又称相邻帧差)方法,光流方法[8](optical flow)等。背景差分(background subtraction)方法是目前运动检测中最常用的一种方法,它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据,但对光线的敏感度较高;时间差分(temporal difference又称相邻帧差)方法充分利用了视频图像的特征,从连续得到的视频流中提取所需要的动态目标信息,对于动态环境具有较强的自适应性,但一般不能完全提取出所有相关的特征像素点,在运动实体内部容易产生空洞现象,只能够检测到目标的边缘[6,7]。而且,当运动目标停止运动时,一般时间差分方法便失效。基于光流方法的运动检测采用了运动目标随时间变化的光流特性,如Meyer等作者通过计算位移向量光流场来初始化基于轮廓的跟踪算法,从而有效地提取和跟踪运动目标。该方法的优点是在所摄场所运动存在的前提下也能检测出独立的运动目标。然而,大多数的光流计算方法相当复杂,且抗噪性能差,如果没有特别的硬件装置则不能被应用于全帧视频流的实时处理。针对大型舰船模型横摆度与纵摆度的检测问题,文中提出了改进的背景差分法与扫描线算法相结合的方法对基于序列图像的字符进行识别以检测舰船模型的摆度量,在主频为2.6 GHz的PC机上对视频图像大小为768×576的实验结果表明,该方法克服了对光线特别敏感的缺点,而且具有较好的实时性和准确性,有一定的实用价值。
1 实时背景提取算法
背景图像差分算法是基于静止背景的,而实际情况下基于序列图像的运动目标提取,背景并不是静止的。而背景图像的变化为运动目标检测带来了很大的难度,因此必须对背景图像进行实时更新。
传统的背景更新算法一般采用差分图像直方图算法。此算法更新背景时,要计算差分图像统计直方图,因此这种算法非常耗时,同时由于计算的是图像的整体灰度值,当背景中物体位置发生变化时,其统计直方图基本不变,此时无法进行背景更新。通过研究发现,一幅图像相邻背景区域,灰度值变化非常缓慢,其灰度值之差实际上很小。因此采用高斯低通滤波算法来提取背景,其原理图如图1所示。高斯低通滤波是作为一种运动检测降噪的方法,只要方差σ2取合适的值,就可以达到滤除颗粒噪声,还有一定消除摄像机抖动的不良效果的作用,为下一步提取感兴趣的运动目标创造了有利条件,而且获得的初始背景的质量不依赖起始时间。经过实验确定,背景随光线的变化自适应更新能力较强。
当图像通过这个高斯低通滤波器时,图像序列的缓变部分可以从图像的快速变化过程中分离出来。其时域递归低通滤波器表示为
在实际应用中,在计算高斯函数的离散近似时,在大概3σ距离之外的像素都可以看作不起作用,这些像素的计算也就可以忽略,通常,图像处理程序只需要计算(6σ+1)×(6σ+1)。
通过实验证实,这种改进的实时背景更新算法运算速度快,更新效果好,可以有效地消除由照明或天气的缓慢变化引起的背景变化以及背景突变带来的影响。
2 背景图像差分算法
背景图像差分算法是常用的基于图像灰度信息的运动检测算法之一,其特点是位置精确,运算速度快,能够分割出完整的运动对象,但算法对背景图像的变化比较敏感,需要对背景进行更新。背景图像差分算法的公式如下
式中,D(x,y)为当前检测图像差分后在(x,y)处的灰度值;I(x,y)为当前检测图像在(x,y)处的灰度值;B(x,y)为更新后的背景图像在(x,y)处的灰度值。
3 基于差分图像统计信息的自适应阈值分割算法
差分后的图像需要进行图像分割。阈值分割算法是最常见的并行直接检测区域的分割算法。图像分成前景和背景,阈值分割相当于对图像进行二值化,实质是对每个像素确定一个阈值Threshold,根据阈值[Threshold]判定像素I(x,y)是前景像素还是背景像素。阈值的选取是一个难点,固定阈值分割算法简单,但分割效果不理想。直方图阈值分割算法要求被分割图像的灰度直方图有明显双峰,没有双峰时则不能采用。
利用正态分布的“3σ原则”,考虑选用像素I(x,y)在相邻两帧图像中灰度值之差的变化分布方差的三倍值作为阈值,即[Threshold]=3σ。实验发现,在差分图像中,字符图像区域像素的灰度值与当前检测图像的平均灰度值有直接关系,当前检测图像的平均灰度值大时,字符区域像素的灰度值之差的均值大,当前检测图像的平均灰度值小时,字符区域像素的灰度值之差的均值小。选用阈值Thre sh old=3σ进行图像分割时,在因照明光线较暗导致当前检测图像的平均灰度值较小的情况下,字符图像区域出现大面积的断裂和漏空,大量的前景像素被误判为背景像素。
因此,文中提出一种基于图像平均灰度值的阈值分割算法,即用当前差分图像的平均灰度值Average_Gray与比例系数u的乘积作为差分后图像分割的阈值
式中,[Threshold]为差分图像分割的阈值;u为比例系数;Average_Gray为当前差分图像的平均灰度值。
实验研究发现,当u在范围(2.5,4.0)内取值时,在照明光线较暗和较强的情况下,图像分割的效果都非常理想。在算法的编程实现时,选用μ=3.5,并在文章后面给出Threshold=3.5时的实验效果。
4 基于改进扫描线算法与模板匹配的识别算法
4.1 区域定位
经典区域填充扫描线算法的基本思想是:首先利用区域在扫描线上的连贯性,填充当前扫描线上的一个区段,然后利用相邻扫描线上区段的连贯性,在上下两条相邻扫描线上寻找新的区段,并以种子点堆栈的形式保存这些区段。反复处理堆栈内的区段,直到保存的所有区段都处理完为止。这一过程可以分为如下5个步骤进行:
步骤1:(初始化)将算法设置的堆栈置为空,将给定的种子点(x,y)压入堆栈。
步骤2:(出栈)如果堆栈为空,算法结束;否则取栈顶元素(x,y)作为种子点。
步骤3:(区段填充)从种子点(x,y)开始沿纵坐标y的当前扫描线向左右两个方向逐个像素进行填色,其值置为128,直到到达边界为止。
步骤4:(定范围)以x_l和x_r分别表示在步骤3中填充的区段两端点的横坐标。
步骤5:(进栈)分别确定当前扫描线的上下相邻两条的扫描线上位于[x_l,x_r]区域内的区段。如果这些区段内的像素的颜色值为128或者255(边界上像素的颜色值),则不产生新的区段,直接转到步骤2,否则取区段的右端点为种子点压入堆栈(可能不止一个),再转到步骤2继续执行。
而改进型的扫描性算法不是作为区域填充算法,而是作为区域定位算法,它不仅可以确定兴趣区域的位置,而且可以确定兴趣区域的大小。具体步骤如下:
步骤1:对图像进行行扫描,将扫描到第一个黑色像素点的位置坐标(x,y)赋值给CPoint Current,并将其像素值赋值为128,将其坐标(x,y)确定为种子点,并确定最大值点为(x,y),最小值点也为(x,y)。
步骤2:用扫描线算法进行区域填充,将区域中的黑色像素点的像素值全部赋值为128,并将其与max,min像素点比较,若大于max,则max等于当前像素点的值;若小于min,则min等于当前像素点的值。
步骤3:知道该区域无黑色像素点,结束该次扫描,然后比较max.x-min.x与max.y-min.y是否符合感兴趣区域的大小,若符合则令interest[i][0]=min,interest[i][1]=max。
步骤4:跳转到步骤1从Current像素点开始扫描。直至扫描整个图像为止。
4.2 区域归一化
从interest[i][0]、interest[i][1]数组中读出区域的最大值与最小值,然后将该区域的图像归一化到32×32区域。
4.3 特征提取与模板匹配识别
提取两种统计特征,一种是网格特征,由于输入的图像都是32×32大小的,所以图像分成了4×4=16个小格子,在每个格子里统计其黑色像素的个数,形成一个16维的矢量,另外一种特征是交叉点特征,在水平方向以及垂直方向四等分的地方,作水平线或垂直线穿过字符,看其与字符边缘相交的次数,这样又获得了9个数值,加起来一共获得了25维的特征量。将模板的特征提取出来,保存在系统文件中,识别一个新字符的时候,提取出它的特征矢量,然后求出其特征矢量与26个字符模板特征矢量的马氏距离,距离最短的,即为识别出的结果。
5 试验及结果分析
该算法是基于Visual C++6.0平台上开发与实现。舰船模型的摆度量检测系统通过大恒的DH_CG400采集卡与模拟摄像头,获取舰船模型上M,Z,H,B,K五个特征字符,然后通过上述的一系列图像处理算法,解算出舰船的横纵摆量。其全过程主要包括背景图像更新、计算当前图像与背景的差分图像、用差分图像平均灰度值与比例系数的乘积作为阈值进行图像二值化、依据基于改进扫描线算法与模板匹配的识别算法对图像进行定位识别。流程图如图2。
图3这组图像是分别在阳光直射、阳光正常、傍晚光线微弱情况下获得的。图4是运用一般的背景差分法提出的字符实验效果,无论光线较强还是较弱,字符所在的前景图都不能与背景图完全分离开。图5是用文中的背景差分法提出的字符实验效果。可以看出,不论在阳光直射情况下,还在傍晚微弱光线情况下,都能够明确地分离出前景图与背景图。图6是基于差分图像统计信息的分割效果图,这是一种自适应阈值分割法,结合文中的背景差分法可以有效地克服光线、环境与噪声带来的影响。图7使用基于改进扫描线算法与模板匹配的识别算法识别出的字符。实验结果表明,该算法对光线、噪声有很好的消除效果,能够完整准确地分割识别出字符(识别出的字符用红色显示)。
6 结论
提出了一种在复杂环境下对序列图像中字符检测与跟踪算法。在不需要已知背景图像的条件下,该算法首先将一帧图像经过高斯低通滤波器后与该帧图像相差分,可以较完整地检测出动态字符的全貌。然后,通过自适应阈值分割和改进的扫描线算法可以得到舰船特征字符在视频窗口中的位置信息,其中改进的扫描线算法只需要对图像扫描一遍,这大大地提高了算法的速度,便于软件的实时处理。最后经过模板匹配识别算法确知字符信息。在确知字符信息,字符位置信息及它们的相对位置关系信息后,通过演算得出舰船模型的横纵摇摆度。
参考文献
[1]严勇,黄席樾,刘爱君.Kalman滤波在运动图像背景提取及更新中的应用[J].自动化与仪器仪表,2006(2):28-30.
[2]刘贵喜,邵明礼,刘先红.真实场景下视频运动目标自动提取方法[J].光学学报,2006,26(8):1150-1155.
[3]罗洪艳,杨维萍,郑小林,等.小鼠切片图像自动去背景方法的研究[J].电子科技大学学报,2011,40(4):625-629.
[4]李晋惠,容慧.一种静态背景下的运动目标检测算法研究[J].西安工业大学学报,2008,28(6):573-576.
[5]唐宜清,彭可,罗湘运.视频监控中一种完整提取运动目标的检测算法[J].计算技术与自动化,2007,26(2):42-45.
[6]Opelt A,Pinz A,Zisserman A.A boundary-fragment-modelfor object detection[M].London:Springer-Verlag,2006.
[7]唐旭晟,陈丹.基于局部边缘特征的快速目标检测[J].计算机辅助设计与图形学学报,2011,23(11):1902-1907.
复杂图像 第5篇
随着航天技术的飞速发展,空间飞行器的有效载荷数量、分辨率、采样率等不断增加,目前有限的信道传输和存储能力已经无法适应空间航测、遥感图像的海量数据,成为制约空间航测、遥感分辨力提高的瓶颈。因此必须对高分辨力航测、遥感图像产生的数据进行实时的压缩,以解决数据码率传输、存储和信道带宽之间的矛盾。然而传统的数据压缩方法都存在不同程度上的局限性,如差分脉冲编码调制(DPCM)[1]压缩不高,矢量量化(VQ)方法的计算复杂度随着维数的上升急剧增加,JPEG在压缩比较高时又存在明显的方块效应[2]。在传统傅里叶分析基础上发展起来的基于小波分析理论的多种图像压缩算法以其良好的时频局域性和多分辨率分析能力而广泛应用于航测、遥感等图像压缩领域[3]。
目前,国内外许多学者已经提出了多种结合不同编码措施的小波压缩算法。其中改进和应用较多的有EZW,SPIHT和EBCOT算法[4,5,6]。传统的EZW和SPIHT在编码时都是采取了链表式结构,存储空间较大,熵编码采用算术编码,计算量较大,不宜与硬件实现。EBCOT是当前流行的JPEG2000的核心编码算法,虽然EBCOT编码会产生较高的压缩比、细致的码流结构和良好的稳健性等诸多优点,但是EBCOT算法是采用比特位平面算术编码,在编码时除对最高比特平面外,每个比特平面都要进行三通道扫描编码。且在编码时要为每个编码码块分配一定的存储空间,在第二级码率截取时,又会丢失掉前一级编码中产生的码率,从而造成了巨大的资源浪费,算法复杂高,硬件实现困难较大。
考虑到算法的复杂度以及硬件实现的困难性,本文提出了一种基于提升小波变换的高分辨力航测图像压缩算法。通过对原始的图像进行提升变换,依据正交小波变换的子带变换增益对变换后的图像系数进行最佳量化,利用图像进行小波分解后的系数概率分布特点,对最低频子带LL进行一种基于上下文的预测编码。对去除相关性的其他频带应用游程编码联合哥伦布指数编码进行图像压缩。实现结果表明,与目前常用的基于小波分析的图像压缩算法相比,本文方法在压缩性能指标上接近JPEG2000,明显优于SPIHT算法。但算法复杂度远比JPEG2000和SPIHT低,适合于硬件的高速实现。
1 算法简介
图像压缩目的主要是去除图像当中的诸多冗余,从而实现用较少的比特率来表示一幅图像信息。通常图像变换编码框架主要由3部分组成,即变换、量化和熵编码。变换主要是去除图像像素之间的相关冗余,量化去除视觉冗余,而熵编码是为了去除概率冗余。其中量化是实现数据压缩最主要的方式,故如何对变换数据实施最佳量化就显得至关重要(后面将会单独介绍)。图1给出了本文算法的流程框图。
首先对于输入的图像数据进行5级二维5/3小波变换,由于图像分辨力较大,采用5级变换可以较好地去除图像像素之间的相关性。然后对变换后的系数进行量化,量化准则参考后面所介绍的最佳量化准则进行。为了进一步去除LL频带系数之间的相关性,对LL频带进行一种二维预测编码方式进行编码。而由于在其他高频子带量化后的系数会出现大量0。结合小波变换的特点,按照一定的方式进行扫描,对扫描后的系数进行自适应游程编码联合哥伦布指数编码对其他高频子带进行熵编码,以较好地去除量化后像素之间的概率冗余。
2 提升小波变换与最佳量化
2.1 5/3提升小波变换
传统的基于卷积的小波变换计算复杂度高,内存需求量大,不能满足实际工程需求。提升小波的提出很大程度上克服了这些难题。提升小波变换算法的基本思想是将Mallat算法中的每一级滤波运算分解为分裂、预测和更新三大步骤,完成对信号的分解。本文算法采用的是一种适合硬件实现的5/3提升小波变换。当对一副图像进行变换时,只需对行和列进行一次提升就可以实现一级变换。式(1)和式(2)为5/3正向小波变换表达式
式中:Xext(n)表示对原始信号X进行对称边界扩展后的信号;i0,i1分别是X第一个样本和最后一个样本的序号。从上面2个表达式可以看出,5/3提升小波变换在变换中无须添加附加内存,小波系数可以直接覆盖原始数据。正反变换的提升结构对称、实现简单、便于并行计算等优点使得该提升结构成为硬件实现的主流方法。
2.2 最佳量化准则
一般认为,同一小波子带中各个系数值具有相同的概率分布,故对同一子带中所有系数采用同一量化器。文献[7]中指出小波高频子带系数符合广义高斯分布。该小波系数的概率密度函数为p(x)=aexp(-|bx|r),其中a和b是与r有关的参数,r是控制概率密度函数形状的参数,r=2时即为高斯分布。当r=0.7时,p(x)与小波高频子带系数分布最为接近[8]。将问题归一化,如果输入数据符合方差为1的r=0.7广义高斯分布,量化器层数为L时,带死区的均匀量化误差D为
令,解式(5)这个非线性方程,就可以得到在不同L下的最优量化步长Δ。由于小波变换不同子带中所含信息对整幅图像的重建所占的权重大小不一样,不同子带码率的分配应该等效于该子带量化器步长的选择。考虑到变换增益和HVS(Human Visual System)对图像压缩系统的影响,在此引入Wb(人眼视觉加权因子)[9]和Gb(不同频带的能量增益因子)[10]。子带b的最优量化步长由式(6)给出[9]
式中:中Δ0为基本量化步长,通过改变Δ0可以对压缩码率和失真度进行调节。对于正交小波变换可以近似为Gb≈22b。结合式(6)得到5级小波变换系数最优化量化步长如表1所示。
3 熵编码
3.1 熵编码结构
由于小波变化后的图像像素在最低频带仍然有着很强的相关性,故本文算法选择对最低频带采用复杂度较低、准确性较高的JPEG_LS预测算法,其预测模板如图2所示,根据预测式(7)求出Ni,j
在低频子带中,利用预测出的Ni,j与真实值Ii,j进行差值计算,对残差进行哥伦布指数编码。具体方法为在对当前像素Ni,j进行编码时,首先判断Ni,j与Ni,j+1是不是相等,如果相等则进入游程编码模式。在游程编码模式中,对于中断游程的像素再进行哥伦布指数编码。而在HH,HL和LH频带由于小波变换的良好去相关性,这些频带中将会出现大量0区域。结合小波变换系数特点,按照图3的扫描方式对量化系数进行自适应游程编码。
3.2 哥伦布指数编码与自适应游程编码
指数哥伦布码字是一种可变长的前缀码,对经常出现的数据指定较少的位数表示,对不常出现的数据指定较多的位数表示,故而得到的码长不是固定的,总体来说节省了存储空间。此外由于编码时无需事先建立和存储码表,可以通过比访问存储码字快的多的硬件计算产生码字,故硬件实现起来更加简单。正是由于哥伦布编码的诸多优点,其已被JVT的H.264和中国的音视频编码标准AVS所采用。哥伦布编码时需要选定一个参数b,对于样本n的码字主要包含两部分,n/b的整数部分一元码字和n mod m的二进制表示。这些码字对于呈几何分布的整数n(即n的概率是(1-r)rn,其中0
以上所有讨论的哥伦布编码样本都是非负的,但是由于小波变化后的系数不可能都为负数,故算法采用式
小波变换有效地去除了像素之间的相关性,使得在高频子带出现许多区域为全零,如果直接编码样本系数,则码率必然大于系数的一阶熵[10],为提高编码效率,本文在对高频子带编码时,采用了自适应游程编码联合哥伦布指数编码方式。具体方式可描述如下:编码时首先对输入的样本进行连续相同样本个数统计,但是该统计只限于在一行中进行,对于统计后的样本个数和样本值进行哥伦布指数编码。文献[11]中实验结果表明对于量化后的图像小波系数,游程编码可以有效地减少样本个数,提高压缩比。随着量化步长的的增加,游程编码后的样本数也成倍的减少,但其信息熵几乎不变。这样的话,采用哥伦布指数算法对这些量化后样本编码就可以快速高效地实现图像数据的压缩。
4 实验结果与分析
为了检验上述算法的效果,笔者在VC6.0环境下开发了编解码仿真程序。实验图像大部分采用自行研制开发的航测相机外在场实验拍摄的航测图像(除常用测试图像机场外)来检验本文算法。这些图像包括航测图像城市(City1,City2)、海洋(Ocean)、农田(Farmland)、山丘(Mountain)和机场(Air station),测试图像见图4。图像分辨力大小为2 048×2 048,深度为8 bit。并与常用的基于小波变换的SPIHT压缩算法和最新的JPEG2000标准在压缩性能上进行了比较。实验结果数据采用最小二乘拟合得到3种算法的PSNR(Power Signal Noise Ratio)-压缩比曲线如图5所示。从实验结果可以看出:
1)本文算法在压缩性能上完全优于常见的SPIHT算法,略低于JPEG2000标准。相对于JPEG2000和SPI-HT算法来说,本文算法编码更加简单,既没有SPIHT算法中的3个链表LSP,LIP和LIS,也不需要像JPEG2000标准算法那样为每个码块分配一个较大的存储单元,这样节省了硬件实现时大量的存储容量。
2)本文算法在压缩性能上(PSNR)稍逊于JPEG2000标准,这是因为JPEG2000采用了高复杂度的EBCOT编码算法。该算法在编码时对每个码块的每一个位平面都采用三通道扫描编码方式。熵编码效率要优于本文所提算法。虽然JPEG2000的压缩算法性能优越,应用较广,但是若将其应用到空间飞行器上则具有很大的局限性。首先,JPEG2000本身是基于最佳率失真的,内部必然会有一些反馈操作[6],这不利于硬件的并行实现;其次,它的编码核心算法EBCOT相当复杂,采用硬件实现十分困难。该算法硬件实现的不易性导致它不可能广泛应用于数据量相当大的高空航测遥感领域数据的压缩。
3)支持无损压缩,如果不对变换后的小波系数进行量化,直接按照上述扫描方式进行编码,则可以完全解码出原始图像,而不丢失任何信息。仿真结果表明本文无损压缩效果要好于JPEG2000算法,和JPEG_LS算法相当。
由此可见,本文算法在算法的复杂度和压缩性能上进行了较好的平衡。当然在压缩性能上也明显优与传统的一些图像压缩算法。
5 小结
针对航测图像数据量庞大,难以实时存储和传输的问题。本文提出了一种基于小波分析的低复杂图像压缩算法。该算法首先将图像进行5级5/3小波变换,基于统计意义对变换后的图像数据进行了最优量化。针对低频子带的数据相关性,引入了JPEG_LS预测编码。而对于高频子带采用了复杂度低,易于硬件实现的自适应游程编码联合哥伦布指数编码对量化后的数据进行编码。本文算法具有以下优点:1)复杂度低;2)无需建立链表,没有复杂的上下文关系;3)整个算法过程中无需存储大量数据,大大地节省了硬件实现的存储器需要;4)最佳量化准则的引入使得整个算法在编码过程中,无需涉及过多的乘法和小数运算;5)支持无损到有损的图像压缩,适应范围广。实验结果表明本文算法针对不同的航测图像都具有较好的压缩效果,从而验证了算法的可行性,为研制高性能、高速的VLSI图像压缩芯片提供算法基础。
参考文献
[1]徐康兴.低码率场内预测DPCM图象编码及其图象质量评价[J].电视技术,1987,11(10):2-6.
[2]吴乐南.数据压缩[M].2版.北京:电子工业出版社,2005.
[3]徐欣锋,黄廉卿,徐抒岩,等.高空间分辨率遥感图像实时压缩进展[J].光学精密工程,2004,12(3):266-271.
[4]SHAPIRO J M.Embedded image coding using zerotree of wavelet co-effieients[J].IEEE Transactions on Signal Proeessing,1993,42(12):2011年第35卷第17期(总第367期)3445-3462.
[5]SAID A,PEARLMAN W A.A new fast and efficient image codec basedon set partitioning in hierarchical trees[J].IEEE Transactions on Circuitsand Systems for Video Technology,1996,6(6):243-250.
[6]TAUBMAN D S,MARCELLIN M W.JPEG2000image compressionfundamentals,standards and pracyice[M].[S.l]:Kluwer Academic Pub-lishers,2001.
[7]ANTONINI M,BARLAUD M,MATHIEU P,et al.Image coding usingwavelet transform[J].IEEE Transactions on Image Processing,1992,1(2):205-220.
[8]LAZAR D,AVERBUCH A,ISRAELI M.Image compression usingvector quantization on wavelet coefficients[J].IEEE Transactions onImage Processing,1996,5(1):4-15.
[9]谭毅华,王振华,田金文,等.率失真最优的多分辨率小波图像压缩方法[J].中国图象图形学报,2004,8(9):927-933.
[10]姜丹.信息论与编码[M].合肥:中科学技术大学出版社,2004.
复杂图像 第6篇
1 资料与方法
1.1 临床资料
本组患者18例, 男13例, 女5例;年龄21～51岁, 平均35.7岁。所有患者均有明确外伤史, CT检查前均行数字X射线摄影 (DR) 片检查, 足部CT检查1周以内12例, 1～3周5例, 3周以上1例。致伤原因:直接暴力伤3例中摩托车碾压伤2例, 重物砸伤1例;间接暴力伤15例, 其中高处坠落伤4例, 扭伤11例。主要临床表现为中足疼痛、肿胀, 行走不便。
1.2 检查方法
全部患者采用PHILIPS Brilliance16层螺旋CT机, 扫描患者取仰卧位, 脚先进方式, 足尖向上并内旋10～15°, 扫描范围自距骨上缘至跖骨基底部, 无间隔连续扫描, 保证扫描的连续性与精确性。一般扫描条件:球管电压120 kV, 电流140 m A, 单层扫描时间0.26 s, 螺距0.6, 平扫层厚3 mm, 层距3 mm, 常规二次拆薄, 层厚0.8 mm, 层距0.4 mm。将二次拆薄数据传输至Extended Brilliance TM Workspace (Version2.0.11) 工作站, 运用三维重建 (3-dimensional reconstruction) BONE软件及二维多平面重组 (multi-planar reconstruction) 软件成像。MPR以横轴位+矢状位+冠状位的骨窗和软组织窗显示图像, 必要时增加各种斜位重建, 以充分显示骨折线, 明确骨折范围是否累及关节面。VR采用多角度旋转, 对骨折进行观察, 对怀疑累及关节面的骨折患者, 用勾画删除技术及多方位切割技术对跖跗骨进行分离重组, 单独显示关节面情况。
1.3 图像分析
由两名影像科医生采用双盲法阅片, 对骨折部位、数量、有无累及关节面情况进行统计, 并对MPR和VR显示技术的优势进行比较, 观察结果采用χ2检验, 以P<0.05为差异有统计学意义。
2 结果
18例中足跖跗骨骨折患者中共发现骨折76处, 其中累及跖跗关节面64处。10例跖跗骨骨折, X线平片 (DR) 图像显示正常 (见图1A, 1B) , 其余8例中跖跗仅确诊骨折18处, 诊断正确率为23.7%。轴位CT图像确诊骨折60处, 诊断正确率为78.9%。未显示的16处骨折多为跖跗骨深部骨折。3处骰骨前端、1处第三跖骨基底部、3处第四跖骨基底部骨折, 2处内侧楔骨前端、1处内侧楔骨前端、1处第一跖骨基底部、2处第二跖骨基底部小撕脱性骨折, 1处内侧楔骨前端、1处中间楔骨前端小骨裂, 以上15处漏诊骨折 (见图2A～2E) , 除1处骰骨漏诊骨折累及跟骰关节面, 其余皆累及跖跗关节面。1处第五跖骨基底部撕脱性骨折, 因骨折碎片来源不明而漏诊 (见图2F, 2G) 。因第2跖骨基底部与周围楔骨构成榫卯样结构, 所以4处第二跖骨基底部和中外侧楔骨前端骨折位置显示不清或显示为假阴性 (见图2A) 。
MPR共确诊中足跖跗骨76处骨折, 诊断符合率为100%。图像分别在横轴位、冠状位和矢状位二维图像上实时显示骨折线的走向和骨折片移位情况图 (图2B～2I) 。VR对足丹骨显示率为100%, 对骰骨、跖骨、楔骨深部骨折显示率较低, 骰骨骨折显示率为83.3%, 跖骨骨折显示率为67.8%, 楔骨骨折显示率为60.0%, 经χ2检验差异有统计学意义 (P<0.01) 。VR采用多角度旋转, 对骨折进行观察 (见图3A, 3B) , 对累及关节面的骨折患者, 用勾画删除技术及多方位切割技术, 对中足跖跗骨进行分离重组, 单独显示关节面及关节面骨折片移位、嵌顿情况 (见图3C, 3D) 。
16层螺旋CT成像技术与X线光平片对比情况见表1。
3 讨论
中足由跖跗骨、跖跗关节及其附着韧带、肌肉构成, 中足跖跗骨包括足舟骨、骰骨、内、中、外侧楔骨、第一至五跖骨基底部。跖跗关节是中足一复杂结构, 近来提出了跖跗关节复合体 (tarsometatarsal joint complex, TJC) 的概念。为了诊断和指导治疗, 中足分为三个柱:内侧柱即第一楔骨和第一跖骨;中间柱为第二三楔骨及第二三跖骨;外侧柱由骰骨和第四五跖骨构成。其中第二跖骨基底部与周围结构构成榫卯样结构[3], Lisfrance韧带为足底连接内侧楔骨和第二跖骨基底部之间的韧带, 是中足最为强大的韧带结构, 是连接中间柱和内侧柱的重要稳定结构。由于中足解剖结构复杂、X线影像重叠, 容易漏诊误诊造成极高的致残率[2]。造成其步行时完成重力向前足传导和在步态各期中支持体重功能丧失。因此对中足骨折诊断不仅要求准确, 而且要求更精确地显示骨折的空间病理解剖关系, 及早提示骨科医生进行治疗, 以恢复其功能。
3.1 X线平片和常规轴位CT图像的不足
X线平片简单、方便、价格低廉是急诊科医生作为辅助检查诊断中足外伤患者有无骨折的常用方法, 但是由于构成中足跖骨基底部和跗骨为不规则骨, 跖跗关节解剖关系复杂, X线影像重叠, 难以显示跖跗骨深部骨折, 特别是细微骨折及小骨折碎片移位、嵌顿情况。本组18例患者中, 10例中足跖跗骨骨折X线平片未发现骨折, 其余8例仅显示骨折18处。常规轴位CT图像避免了X线平片影像的重叠, 较X线平片易显示骨折, 但轴位CT图像对平行于扫描基线的短小骨折不易显示, 本组病例中漏诊骨折16处, 这些骨折多为小骨折或骨折线与扫描层面平行, 或受到部分容积效应影响, 因而导致漏诊。轴位CT图像平行或接近平行于关节面, 对关节面显示是其盲区。因中足跖跗关节面不规则, 相互重叠, 本组轴位CT显示的60处跖跗骨骨折皆不能诊断是否累及关节面。另外轴位CT图像为二维图像, 无立体感, 不能显示骨折的全貌和粉碎性骨折的移位情况。
3.2 MPR在中足复杂骨折中的价值与限度
MPR能在任意平面上对轴位螺旋扫描所得容积资料进行多平面分层重组, 包括冠状、矢状及任意斜面重组。矢状位与冠状位MPR图像与普通X线平片显示方式类似, 均与纵轴平行, 显示直观, 但消除了普通X线平片的遮盖和重叠, 密度分辨率明显提高, 能更加清晰地明确跖跗关节解剖关系, 有助于发现轻微损伤, 并且可显示软组织及骨折嵌塞情况, 以利于指导复位, 对于漏诊患者创伤性关节炎及畸形的评估也有指导意义[4]。本组资料显示, 18例中足76处骨折能在MPR横轴位、冠状位和矢状位图像清晰能显示骨折线的走向和骨折碎片的移位方向, 其中累及跖跗关节面的64处骨折, MPR横轴位+冠状位+矢状位, 必要时增加斜位重建, 能对骨折准确定位, 清晰显示骨折线方向, 骨折碎片移位和对跖跗关节嵌塞及骨性关节面的破碎、塌陷情况。
但是MPR仍是二维图像, 空间解剖关系显示欠佳, 缺乏立体感, 对于一些粉碎性骨折仍难以完整显示骨折线的走向和范围, 临床医生有时也难以通过多层的平面图像建立一个完整的立体图像, 因此会影响骨折治疗方案选择的准确性[5,6]。
3.3 VR在中足跖跗骨诊断中的价值与局限性
VR将轴位螺旋扫描所得的薄层容积数据进行二次拆薄, 以极薄的层厚 (0.8 mm) 和重叠一半 (50%的重组间隔) 的重组方式对中足跖跗骨进行重组。优良的后处理软件使VR三维重组图像与真正的解剖标本相比异常的逼真和类似, 而且无周围肌肉、血管等组织的遮挡, 因此定位准确, 空间立体感极强, 能直观地显示跖跗关节形态结构和骨折线的类型、走向、范围、累及跖跗骨关节面情况。VR三维重组图像可以任意角度旋转, 选择骨折的最佳视角观察, 具有整体观和立体感。VR三维重组图像还可以利用勾画删除技术及多方位切割技术, 对感兴趣区域以外的部位进行删除、切割而单独显示感兴趣区域, 对关节骨端进行分离重组, 去除关节区域骨骼的相互遮挡, 以显示关节面损伤情况。
16层螺旋CT容积再现三维图像与其他多排CT扫描的三维重组图像一样, 同样是表面成像, 对于深部骨折也会遗漏。本组病例研究显示, 在VR图像未能显示骨折主要在第二跖骨和楔骨。VR对中足骨骨折平均显示率69.7%。对于中足一些深部骨折需要结合MPR确定。
3.4 16层螺旋CT MPR结合VR后处理图像对于临床治疗的重要意义
根据跖跗关节复合体概念和中足力柱理论, 跖跗关节复合的重要功能是步行时完成重力由中足向前足传导, 并在步态各期中支持体重。中足内侧柱和中间柱的内在稳定性是这一功能的基础, 外侧柱则在行走过程中有一定的活动度, 使前足在行走时与地面适应。因此治疗Lisfrance关节损伤的关键是跖跗关节复合体骨性结构获得和维持解剖复位, 使Lisfrance在无张力下自行愈合, 从而重建足弓, 加强跖跗关节稳定性[7]。Myerson等[8]认为对于正位或斜位X线复位后仍超过2 mm, 或侧位X线片距骨与第一跖骨夹角大于15°者, 跖骨在跖背侧面上无移位。基于以上原则, 本组病例由于MPR结合VR的准确诊断, 骨科医生在第一至三跖跗关节损伤时选用4.0 mm空心螺钉坚强固定, 以恢复其内在稳定性, 在第四五跖跗关节损伤时选用克氏针固定, 收到了很好的疗效。
综上所述, 多层螺旋CT扫描的MPR图像是判断中足复杂骨折骨折最基本、最可靠的方法。VR影像能直观、立体、形象地显示骨折, 两者密切的结合, 可为中足特别是中足跖跗关节骨折的诊断提供更准确的影像信息, 是中足跖跗骨复杂骨折最有价值的影像诊断方法。
参考文献
[1]张龙军, 叶峰, 张建军, 等.足跖跗骨骨折的漏诊分析[J].中国骨伤, 2008, 21 (9) :706-707.
[2]Tadros AM, AI-Hussona M.Bilateral tarsometatarsal fracture-dislo-cations:a missed work-related injury[J].Singapore Med J, 2008, 49 (9) :234-235.
[3]粟剑, 王福权.跖跗关节损伤的疗效分析[J].中国矫形外科杂志, 2005, 13 (11) :1072-1073.
[4]Aronow MS.Treatment of the missed Lisfrance injury[J].Foot AnkleClin, 2006, 11 (1) :127-142.
[5]Ohkawa M, Tanabe M, Toyama IV, et al.The role of three-dimen-sional computed tomography in the management of maxillofacialbone fractures[J].Acta Med Okayama, 1997, 51 (1) :219-225.
[6]陈瑶, 吴凡, 刘璋, 等.三维CT重建技术在颌面部骨骨折诊疗中的应用[J].实用放射学杂志, 2007, 23 (3) :304-305.
[7]张殿玺, 白建兰, 杨文玉.跖跗关节骨折脱位89例[J].中国骨伤, 2003, 15 (7) :388-390.