一种基于空间滤波器和Ostu算法的MR图像自适应居中方法

计算;推算;计数设备的制造及其应用技术一种基于空间滤波器和ostu算法的mr图像自适应居中方法技术领域1.本发明涉及一种基于空间滤波器和ostu算法的mr图像自适应居中方法，尤其涉及到空间滤波器和图像阈值分割方法，属于mr图像处理的技术领域。背景技术：2.mri也就是磁共振成像，磁共振成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。3.磁共振成像过程中完成了选层编码、频率编码、相位编码，从而对信号进行三维空间定位，这些都是通过梯度系统完成的。梯度系统有偏差或者本身位置定位有偏差就会导致mr图像产生偏移。技术实现要素：4.为了解决mr图像偏移的问题，同时为了简化方法，不需要过多的人工介入修改，本发明提供了一种基于空间滤波器和ostu算法的mr图像自适应居中方法。5.为了实现上述目的，本发明的技术方案如下：一种基于空间滤波器和ostu算法的mr图像自适应居中方法，所述方法包括以下步骤：6.步骤1、灰度区间归一化，空间滤波器选择：为了使得平滑图像噪声并使得第二步阈值分割能将图像分成较为完整的两部分，选择窗口大小较大的均值滤波器或中值滤波器，大小为35*35；7.其中均值滤波器：图片中一个方块区域内，中心点的像素为全部点像素值的平均值。均值滤波就是对于整张图片进行以上操作：[0008][0009]其中中值滤波器：图片中一个方块区域内，中心点的像素为全部点像素值的中值。中值滤波就是对于整张图片进行以上操作。[0010]此方法将背景中的噪声去除，背景能够从噪声中分离出来；此方法能将某些器官部位内部的空洞和器官的灰度值相容，使得器官内部同样被认为是器官；这两点优势可以保证后续对图像进行阈值分割的时候能分的很清楚。[0011]步骤2、使用ostu算法或者人工经验阈值对图像进行阈值分割，其中ostu算法：[0012](1)将灰度值区间为[0,m]，对于[0,m]间的每一个灰度t，将它作为阈值将图像分割为灰度为[0,t]以及[t+1,m]两部分；[0013](2)计算每一部分的所占比例w0，w1；每一部分的平均灰度μ0，μ1，以及总的平均灰度μ值；[0014](3)计算他们的类间方差:[0015]δ2＝w0(μ0-μ)2+w1(μ1-μ)2＝w0w1(μ0-μ1)2[0016]其中δ2为t确定之后的类间方差。[0017](4)取出类间方差最大时对应的阈值t，这就可以作为我们最终所取的阈值。[0018]此方法不需要手动选择获得二值图像的阈值，能够自动获得阈值分割的阈值，是自适应方法；[0019]步骤3、在垂直和水平两个方向判断是否发生偏移：在二值图像的中间行和中间列进行遍历，保存最大的两个背景区间的大小(若只存在一个则第二个大小为0)，若两个区间大小的差值大于给定阈值则判定需要进行平移。[0020]该步骤保证了正常图像不进行操作，因为是自适应判断，所以可以将正常图像和发生异常的图像混合进行处理，不需要人工分离。[0021]步骤4、在发生偏移方向的中轴线上寻找将图片切割的位置：在二值图像的中间行和中间列进行遍历，保存最大的两个背景区间的大小l1，l2(若只存在一个则第二个大小为0)，若小区间在前，大区间在后，则切割位置为大区间起始位置+(l1+l2)/2，若大区间在前，小区间在后，则切割位置为大区间起始位置+(l1-l2)/2。小区间l2＝0时两者皆可。[0022]步骤5、从切割位置将整张图象分割成两部分，将这两部分交换位置得到处理完的自适应居中的mr图像。[0023]相对于现有技术，本发明的有益效果如下：(1)能够直接对发生偏移的图像进行自适应居中操作，方法简单高效，不需要其他复杂的方法，就能比较好的完成自适应居中。(2)对于mr图像灰度值归一化和较大的空间滤波器选择使得对于不同的mr图像同样的操作的有效性不变，整个算法鲁棒性较好。(3)ostu算法自适应计算阈值，不需要人为操作进行阈值分割。附图说明[0024]图1为本发明的流程示意图；[0025]图2为本发明所解决的问题的目标mr图像；[0026]图3为空间滤波器处理后的图像；[0027]图4为做了图像阈值分割之后的二值图像；[0028]图5为解决问题之后的结果mr图像，mr图像中的器官部位已自适应居中。具体实施方式[0029]下面结合附图和具体实施方式，进一步阐明本发明。[0030]实施例1：一种基于空间滤波器和ostu算法的mr图像自适应居中方法总体流程图如图1所示，具体包括如下步骤：[0031]步骤1、空间滤波器选择：为了使得平滑图像噪声并使得第二步阈值分割能将图像分成较为完整的两部分，选择窗口大小较大的均值滤波器或中值滤波器，大小为35*35；[0032]选择35*35大小的均值滤波器对mr图像集进行操作得到新的模糊图像集。其中均值滤波器：图片中一个方块区域内，中心点的像素为全部点像素值的平均值，均值滤波就是对于整张图片进行以上操作：[0033][0034]其中g为处理后的图像像素点，x和y表示像素点位置，s表示滤波器覆盖的像素点集，f表示像素点集内的点。[0035]其中中值滤波器：图片中一个方块区域内，中心点的像素为全部点像素值的中值。中值滤波就是对于整张图片进行以上操作。[0036]步骤2、使用ostu算法或者人工经验阈值对图像进行阈值分割，使用所得到的阈值对mr图像进行阈值分割，得到新的二值图像集，其中ostu算法：[0037](1)设灰度值区间为[0,m]，对于[0,m]间的每一个灰度t，将它作为阈值将图像分割为灰度为[0,t]以及[t+1,m]两部分；[0038](2)计算每一部分的所占比例w0，w1；每一部分的平均灰度μ0，μ1，以及总的平均灰度μ值；[0039](3)计算他们的类间方差:[0040]δ2＝w0(μ0-μ)2+w1(μ1-μ)2＝w0w1(μ0-μ1)2[0041]其中δ2为t确定之后的类间方差。[0042](4)取出类间方差最大时对应的阈值t，这就可以作为我们最终所取的阈值。[0043]步骤3、在垂直和水平两个方向判断是否发生偏移：在二值图像的中间行和中间列进行遍历，保存最大的两个背景区间的大小(若只存在一个则第二个大小为0)，若两个区间大小的差值大于给定阈值则判定需要进行平移。[0044]步骤4、在发生偏移方向的中轴线上寻找将图片切割的位置：在二值图像的中间行和中间列进行遍历，保存最大的两个背景区间的大小l1，l2(若只存在一个则第二个大小为0)，若小区间在前，大区间在后，则切割位置为大区间起始位置+(l1+l2)/2，若大区间在前，小区间在后，则切割位置为大区间起始位置+(l1-l2)/2。小区间l2＝0时两者皆可。[0045]步骤5、从切割位置将整张图象分割成两部分，将这两部分交换位置得到处理完的自适应居中的mr图像集。[0046]需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!