曲蕴慧 弓明 廖尹坤 王鑫 扬伍连 刘哲

摘要：针对传统图像分割算法在头部CT图像分割时存在的易受光线、伪影等噪声干扰等问题，提出一种基于Gabor滤波的头部CT图像分割算法。首先使用Cabor滤波器对头部CT图像进行滤波，虑除图像中的光线以及伪影等噪声，然后使用Gaussian滤波器对图像进行平滑操作，最后使用二阶微分算子：Lapla-clan边缘检测算子对图像进行分割处理。实验结果表明：提出的基于Gabor滤波的头部CT图像分割算法能够有效的分割出头部CT图像边缘，并对头部CT图像中常见噪声伪影，具有很强的鲁棒性。

关键词：Gabor滤波器;Gaussian滤波器;边缘检测;头部CT图像

中图分类号：TP391

文献标识码：A

随着我国医学设备的不断更新与完善，计算机断层图像（CT）技术在临床医学领域的广泛使用，医学CT图像数量不断增多，医院收集大量病人的T图像数据，对这些收集的CT图像数据进行信息分析，能够帮助医生快速准确诊断病人病变尤为重要[1]。但这些大量的CT图像数据给医生浏览判读带来了巨大的工作量，导致医生视觉疲惫，不可避免地发生误判。随着计算机视觉技术以及图像处理算法的发展，借助医学图像处理与分析手段不仅可以减轻由于图像过多而使医生解读费时的压力，同时极大地提高了医生诊疗水平，从而为医学的研究和进一步发展提供了坚实的基础[2]。

在医学图像处理与分析领域，医学图像分割是正常组织和病变组织的三维重建、定量分析、病灶识别等后继操作的基础，分割的准确性对医生判断疾病的真实情况并做出正确的诊断至关重要。图像分割就是把医学图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。由于CT图像的多样性和复杂性，以及目前计算机断层图像成像技术上的特点，使得CT图像存在一定的噪声，CT图像的分割更加困难[3]。

针对传统的数字图像分割方法在头部CT图像分割时存在的易受光照、伪影等噪声干扰的问题，提出一种基于Gabor滤波的图像分割算法，并将其运用于头部CT图像分割中，实验结果证明：所提出的基于Gabor滤波的头部CT图像分割算法能够有效的分割出头部CT图像边缘，并对CT图像中常见噪声，有很强的鲁棒性。

1 头部CT图像滤波

1.1 Gabor滤波器

Gabor变换是Dennis Gabor在1946年提出的，其基本思想是：把信号划分成许多个小的时间间隔，然后用傅里叶变换来分析每一个时间间隔，确定信号在这个时间间隔存在的频率[4]。二维Gabor变换是图像的多尺度表示和分析的良好工具。Ga-bor滤波器具有在空间域和频率域同时取得局部最优的特性，因此能够很好地描述空间频率（尺度）、空间位置及方向选择性等局部结构信息。Gabor滤波器的频率和方向表示接近人类视觉系统，常用于纹理表示和描述[5]。

在图像处理的领域中，Gabor滤波器是一个线性滤波器，常用于图像的边缘检测。典型的二维Gabor滤波器的函数φ（x，y）如公式（1）所示：

本文首先对采集到的头部CT图像使用Gabor滤波器来进行滤波，去除掉光照以及伪影的干扰，增强头部CT图像的对比度。

1.2 高斯（Gaussian）滤波器

本文算法将经过Gabor滤波后的头部CT图像，再利用Gaussian滤波器对图像进行平滑处理。Gaussian滤波平滑效果柔和，对边缘保留也相对较好[7]。Gaussian滤波函数如式（3）所示：

标准差σ是Gaussian滤波器的唯一参数，它与滤波操作邻域的大小成正比。离中心越近，像素影响越大;离中心越远，像素影响越小;离中心超过3σ位置的像素的影响可以忽略不计。在实际平滑过程中，σ过小，则偏离中心的所有像素权重会非常的小，当σ小到一定程度时，滤波操作则会退化为对图像进行點运算，无法起到平滑噪声的作用;但如果σ过大，邻域较小时，在邻域内的Gaussian模板将会退化为均值模板，会造成边缘模糊的效果，所以必须选择合适的σ值，才能达到较好的效果。在本文算法中，对于3X3的Gaussian滤波模板，取σ值为0.7左右效果较好。

2 基于Gabor滤波的头部CT图像分割

2.1 拉普拉斯（Laplacian）边缘检测算法

本文采用拉普拉斯（ Laplacian）算法对去除伪影并且平滑后的头部CT图像进行分割。

基于二阶微分的拉普拉斯算子对于细节可以产生更强的响应，因此比一阶的梯度算子更适合于精度要求高的医学影像图像的分割[9]。

由于图像是二维的，所以使用Laplacian时，需要在两个方向进行求导。二阶Laplacian线性微分算子的定义如公式（4）所示：

2.2 基于Gabor滤波的头部CT图像分割算法流程

本文提出一种基于Gabor滤波的头部CT图像分割算法，检测算法流程如图1所示。

基于Gabor滤波器的低对比度纸病检测算法主要有以下步骤：

1）读取头部CT图像，并将其转换为灰度图像;

2）对图像序列进行Gabor滤波，去除掉原始头部CT图像中的光照以及伪影等的干扰;

3）对Gabor滤波后的图像使用Gaussian滤波器进行平滑滤波;

4）Gaussian滤波后的图像使用Laplacian边缘检测算法进行图像分割;

因为Laplacian边缘检测算法的输人为经过Gaussian滤波后的图像，所以对于本算法，公式（4）中的f（x，y）应先与公式（3）中G（x，y）做卷积。所以在实际计算时，将Gaussian滤波和Laplacian边缘检测相结合（即传统的LoG算子），同时结合卷积运算的性质，步骤（3）和步骤（4）可按公式（6）进行计算。