【摘要】 爆炸、海嘯、空難、車禍等災(zāi)難性事故以及刑事案件的不斷發(fā)生使得個體身份鑒定技術(shù)的應(yīng)用需求越來越迫切。通常用于識別的生理特征諸如指紋、虹膜、唇紋、人臉等在上述事件中因自身所有的有機物質(zhì)的組織特性而無法長久保存,從而不能發(fā)揮其應(yīng)有的價值,而精確度極高的DNA檢測的鑒定成本高,檢測周期長,同時其檢驗準確性也受到所用材料的質(zhì)量和數(shù)量的影響,失去了其在大型災(zāi)難事故身份鑒定的實用性。牙齒由于自身穩(wěn)定的性質(zhì)以及頜骨的保護,具有很好的防腐性和抗降解性,而口腔醫(yī)學的發(fā)展和人們護牙意識的提升,積累和保存了大量的牙齒醫(yī)學圖片,同時不同個體之間存在牙齒的差異性,可以滿足作為識別特征的唯一性,使得牙齒作為災(zāi)難事故中個體身份鑒定的特征成為可能。個體身份鑒定技術(shù)就是指利用計算機圖像處理技術(shù)通過判斷識別人類的生物特征進行個體身份認定的技術(shù)。通常所用的生物特征包括兩類：生理特征與行為特征,指紋、虹膜、掌紋等均屬于生理特征,而語音、步態(tài)、簽名等屬于行為特征。用于識別的特征通常需具備唯一性、可測量、一定時期內(nèi)的穩(wěn)定性以及不易假冒和偽造的特點。在基于牙齒形態(tài)的個體身份鑒定系統(tǒng)中,目標牙齒的分割與定位是關(guān)鍵步驟之一,分割目標的完整性直接決定了識別結(jié)果的有效性。特征的提取選擇需選擇具有個體差異性的方面,其結(jié)果的好壞會嚴重影響后續(xù)的分類、相似性度量等操作的效果。本文首先介紹了數(shù)字圖像分割與特征提取技術(shù)的定義、研究意義和國內(nèi)外發(fā)展現(xiàn)狀,然后研究了牙齒醫(yī)學圖像(咬翼片)的分割與輪廓特征的提取方法。牙齒醫(yī)學圖像的分割目標就是將單顆牙齒所在的區(qū)域從整幅圖像中分割出來。分水嶺算法是屬于數(shù)學形態(tài)學領(lǐng)域的基于區(qū)域的圖像分割算法,能夠得到封閉邊緣且能夠良好地響應(yīng)微弱邊緣,但是傳統(tǒng)的分水嶺方法存在嚴重的過分割現(xiàn)象。鑒于牙齒醫(yī)學圖像存在前景目標與背景灰度值差別不大、多目標物體且相鄰牙齒之間存在粘連、灰度值分布不均勻、以及噪聲較多的特點,運用形態(tài)學方法對其進行預處理操作,可以降低或消除目標物體之間的粘連性,改善牙齒醫(yī)學圖片的可讀性。輪廓特征作為圖像最基本的特征之一,是圖像分析不可缺少的一部分。主動輪廓模型即Snake模型融合了先驗知識和圖像本身的特征,具有良好的提取特定區(qū)域內(nèi)目標的能力。作為Snake算法的改進算法,GVF (Gradient Vector Flow)-Snake算法即梯度矢量流模型具有更大的捕獲范圍,且能夠檢測凹陷區(qū)域的輪廓,從而得到重視與廣泛應(yīng)用。在應(yīng)用GVF-Snake算法進行牙齒輪廓特征提取時,針對初始輪廓的選擇問題,提出了一種與前面形態(tài)學處理得到的結(jié)果相結(jié)合的初始輪廓設(shè)置方法,無需再人工設(shè)置初始輪廓；對提出的算法進行仿真實驗,得到的結(jié)果表明單顆牙齒的分割與牙齒輪廓特征的提取結(jié)果較為精確。 

第一章緒論

1.1課題背景與研究意義
數(shù)字圖像處理技術(shù)起源于二十世紀二十年代，當時通過海底電纜采用數(shù)字壓縮技術(shù)從英國倫敦到美國紐約傳輸了第一幅數(shù)字照片，隨后在遙感領(lǐng)域得到應(yīng)用而逐步受到關(guān)注。第三代計算機技術(shù)的問世使得數(shù)字圖像處理技術(shù)得到了飛速的發(fā)展，其應(yīng)用也更加廣泛，逐步成為了一個新興的學科。早期的數(shù)字圖像處理主要是為改善圖像的質(zhì)量，它以人為服務(wù)對象，以改善視覺效果為目的。信息高速公路概念的提出與Internet在實際生活中的廣泛應(yīng)用，使得人類對擁有信息含量大、傳輸速度快等眾多優(yōu)點的圖像信息的需求量與日俱增，數(shù)字圖像的處理技術(shù)已經(jīng)成為了人類獲取信息的重要來源，同時也是利用信息的重要方法。隨著計算機技術(shù)、人工智能、和思維科學研究的迅速發(fā)展，數(shù)字圖像處理技術(shù)向更高、更深層次的方向發(fā)展。圖像處理科學與技術(shù)逐步向計算機科學、信息科學、醫(yī)學等其他學科逐步滲透，并為其所利用的趨勢己經(jīng)成為必然。
數(shù)字圖像的處理技術(shù)在生物醫(yī)學工程方面的應(yīng)用非常廣泛，且其成效十分顯著。在1972年，英國EMI公司工程師Housfield發(fā)明了 X射線計算機斷層攝影裝置用于頭頗疾病的診斷，這也就是醫(yī)學圖像中通常所用的CT(ComputerTomograph)o之后該公司又成功研制出可獲得人體各個部位的清晰的斷層圖像裝置，并因此獲得了備受科學界矚目的諾貝爾獎，為人類做出了卓越的貢獻，數(shù)字圖像處理技術(shù)因此而大放異彩[1]。除CT技術(shù)之外，數(shù)字圖像處理技術(shù)在對醫(yī)用顯微圖像的處理分析方面如白細胞、紅細胞進行分類，染色體的分析，癌細胞的識別等應(yīng)用非常廣泛。同樣數(shù)字圖像處理技術(shù)也在X射線肺部圖像增強、超聲波圖像的處理、心電圖的分析、立體定向放射治療等醫(yī)學診斷方面得到了有效運用。這些包含大量生理、病理信息的醫(yī)學圖像是醫(yī)生用來進行臨床診斷、病情跟蹤、手術(shù)計劃、鑒別診斷的重要依據(jù)。
.....................................

1.2數(shù)字圖像處理技術(shù)概論
一幅圖像可以用一個二維函數(shù)來表示：/(x,y)，其中)c, y是空間坐標，/在Oc，y)處的值的大小即為圖像在該點處的灰度或者亮度[1]。當X, y, /的值均為有限的離散值時，圖像就被稱為數(shù)字圖像。即數(shù)字圖像是由有特殊位置和數(shù)值的元素組成，這些元素被稱為像素或畫素。
數(shù)字圖像處理技術(shù)從兩個方向發(fā)展起來的，一個從人的角度對圖像改進便于人們的分析解讀，另外一個方向是從設(shè)備或者機器的角度對圖像信息能夠進行有效的處理、顯示和存儲。
圖像的計算機化處理分為三種類型：低級、中級和高級。低級的計算機處理包括像降噪的預處理、對比度增強與銳化處理等原始操作。中級的處理一般輸入為圖像，其輸出則是與從圖像提取出的某些屬性特征相關(guān)，例如輪廓、邊緣等。高級的計算機化處理則是通過執(zhí)行與人類視覺相關(guān)聯(lián)的感知函數(shù)來對對象進行識別確認的處理。
常用的數(shù)字圖像的處理方法有很多種。圖像編碼壓縮技術(shù)能夠減少描述圖像的冗余數(shù)據(jù)量，達到節(jié)省傳輸、處理圖像的時間和減少存儲容量的目的。數(shù)據(jù)的壓縮可以以不失真為前提，也可以在允許的失真條件下進行。編碼壓縮在圖像處理技術(shù)中屬于發(fā)展較早且較成熟的技術(shù)。圖像變換即是利用傅里葉變換、離散余弦變換等處理將圖像從空域變換到頻域進行處理，也可以利用小波變換、S變換等在空域與頻域均有良好的局部特性的處理方法來全面查看圖像信息，為后續(xù)操作打下基礎(chǔ)。為提高圖像的質(zhì)量可以對圖像進行增強和復原的操作，比如除噪、提高清晰度等。圖像增強能夠突出圖像的感興趣目標的部分，并不考慮圖像質(zhì)量下降的原因，例如對圖像的高頻部分進行增強可使物體目標的輪廓清晰、細節(jié)明顯，而強化低頻部分可以濾除一部分噪聲。而圖像的復原操作則需要了解圖像質(zhì)量下降的原因，然后在復原的過程中根據(jù)分析出的降質(zhì)的原因采用相對應(yīng)的濾波方法以恢復或重建原來的圖像。圖像分割技術(shù)是指將待處理的圖像細分為對象或者組織區(qū)域，其細化的程度取決于要解決的問題。分割是提取圖像中感興趣目標的定量信息不可缺少的手段，同時也是識別分類過程的預處理步驟。圖像描述是圖像分類識別的必要前提。對于最簡單的二值圖像可采用其幾何特性描述圖像的特性。一般來說，圖像的描述方法可采用邊界描述或區(qū)域描述等二雒形狀描述，對于具有特殊的紋理圖像來說釆用二維紋理特征描述比較適合。圖像的分類識別技術(shù)主要是將圖像經(jīng)過去噪、增強等預處理后對圖像進行分割和提取特征，用來進行分類識別的特征通常需要具備唯一性、穩(wěn)定性，可量化計算。計算提取樣本與待識別目標的特征向量的相似性距離，應(yīng)用某種判決方法進行分類識別[24]。
.....................................

第二章基于數(shù)學形態(tài)學預處理的分水嶺分割算法

2.1數(shù)學形態(tài)學綜述
2.1.1 二值圖像形態(tài)學
數(shù)學形態(tài)學的語言和理論通常表現(xiàn)為二值圖像的二重視圖[1]。運用數(shù)學形態(tài)學對二值圖像進行操作是一種針對集合的操作過程，是將結(jié)構(gòu)元在圖像內(nèi)平移，同時施加交、并等基本集合運算。
膨脹即是將二值圖像中的目標物體“加長”或“增粗”的操作[1]。改變的方式與程度由一個稱為結(jié)構(gòu)元素的集合來控制。設(shè)待處理的圖像為J，結(jié)構(gòu)元素為5，A被5膨脹記為乂?5，定義為：
其中0表示空集。圖像J被結(jié)構(gòu)元素5膨脹即為所有結(jié)構(gòu)元素原點位置組成的集合，映射并平移后的5至少與X的某些部分重疊。
腐燭即是將二值圖像中的目標物體“收縮"或“細化”的操作[1]。同膨脹操作同，改變的方式與程度也是由結(jié)構(gòu)元素來控制。圖像A被結(jié)構(gòu)元素B腐燭定義為：
對二值圖像分別作膨脹與腐她操作得到的結(jié)果如下：
從上圖（b)中可以看出，膨脹操作將圖像中的目標物體的邊緣點與其相鄰的背景像素按照一定方式結(jié)合并且作為目標圖像的一部分使目標圖像的面積增大，通過膨脹，圖像中較小的孔洞或者物體邊緣的小的H陷部分能夠被填充，起到對圖像背景進行濾波的作用。而從（C)中可以看到腐蝕操作將圖像中目標物體的邊界點進行一部分的消除使得目標物的面積減少，相當于一定程度上對圖像的目標物體進行濾波。
...............................

2.2分水嶺分割算法
分水嶺算法[43]是較新的基于拓撲理論的圖像支解要領(lǐng)，同樣屬于數(shù)學形態(tài)學范疇，作為一種有用的圖像支解本領(lǐng)，現(xiàn)在已遍及應(yīng)用于圖像闡發(fā)范疇。
2.2.1分水嶺算法原理
分水嶺分割算法的實現(xiàn)過程目前較著名且使用較多的有模擬浸水與模擬降水兩種算法：
一是自下而上的桂地積水也就是模擬浸水的過程：首先，對原始圖像求取梯度圖像；然后，將梯度圖像視為一個高低起伏的地形圖，原圖上較平坦的區(qū)域梯度值較小，構(gòu)成盆地，原圖上的邊界區(qū)域梯度值較大，構(gòu)成分割盆地的山脊；接著，水從盆地內(nèi)最低桂的地方滲入，隨著水位不斷長高，有的桂地將被連通，為了防止兩塊洼地被連通，就在分割兩者的山脊上筑起水壩，水位越漲越高，水現(xiàn)也越筑越高；最后，當水現(xiàn)達到最高的山脊的高度時，算法結(jié)束，每一個孤立的積水盆地對應(yīng)一個分割區(qū)域。
二是自上而下的模擬降水的過程：在地理學中，分水嶺即為在其兩側(cè)區(qū)域有著不同流向的水系的山脊。眾所周知，水朝地勢低的地方流動直至某個低洼處停留下來，這些低洼處可以被稱為儲水盆地。最后，所有的水會分聚在不同的儲水盆地，任意的相鄰的兩個吸水盆地之間的山脊被稱為分水嶺。在水流開始時水朝不同的吸水盆地流去的可能性是相等的，這些儲水盆地就可以看作是分水嶺分割出來的。將這種想法應(yīng)用于圖像分割中，對圖像進行空域分析，可以將待處理的灰度圖像看成拓撲地形圖，其中像素的灰度值對應(yīng)為該點的海拔高度值，尋找不同的吸水盆地即分割后的小區(qū)域與分水嶺即分割線就是完成圖像分割。其示意圖如下：
...............................

第三章 基于GVF-Snake模型的輪廓特征提取 ................33-39 
3.1 傳統(tǒng)Snake模型簡介 ...................33-36 
3.1.1 傳統(tǒng)Snake模型的定義....................... 33-34 
3.1.2 基于傳統(tǒng)Snake模型的輪廓提取............ 34-36 
3.2 GVF-Snake模型簡介 ....................36-38 
3.2.1 GVF-Snake模型的定義 ....................36 
3.2.2 基于GVF-Snake模型的輪廓提取 ............36-38 
3.3 本章小結(jié) .....................38-39 

第四章 牙齒分割與輪廓特征提取算法應(yīng)用

4.1牙齒圖片介紹：
成人牙齒即恒牙按照其形態(tài)與功能可分為四類：切牙(Incisor)位于口腔前部，共8個；尖牙(Cuspid)位于口角處，共4個，牙冠粗壯，牙根長而粗；前磨牙(Premolar)；又稱雙尖牙，位于尖牙之后，磨牙之前，共8個；磨牙(Molar):位于前磨牙之后，共12個，結(jié)構(gòu)復雜。國際通用牙齒結(jié)構(gòu)圖如下:
在實驗中我們所用的圖片牙齒X線圖像主要有三種類型：咬翼醫(yī)學影像、根尖周醫(yī)學影像、全齒醫(yī)學影像。三類圖片舉例如圖4.2所示，其中（a)為咬翼醫(yī)學影像，（b) (C)分別為上頜牙與下頜牙的根尖周醫(yī)學影像，（d)為全齒醫(yī)學影像。
為全面獲取診斷信息，全齒醫(yī)學影像一般呈現(xiàn)了較為復雜的煩面部解剖結(jié)構(gòu)，其成像范圍一般包括牙齒在牙槽骨中的位置及其與周圍組織的解剖關(guān)系，因此在牙齒鑒定相關(guān)處理范圍內(nèi)存在很多的冗余信息，且在門牙等區(qū)域受其它器官與組織的干擾較大，該部分區(qū)域較為模糊。根尖周圖片一般用來顯示特定的關(guān)注部位。
咬翼片圖像顯示的是牙銀線上方的牙齒以及牙齒之間的部分骨頭信息，圖像中包含的牙齒種類一般有前磨牙和磨牙兩種，被用來診斷牙銀病變與牙齒蛀洞，通過咬住放在舌頭一側(cè)的紙板片來進行定位拍照。
通過對三類圖片分析發(fā)現(xiàn)，咬翼圖像作為牙科醫(yī)學中最常見的X光片之一，成像較為清晰且取材方便，因此在本實驗中應(yīng)用咬翼醫(yī)學影像為圖像處理對象。
..............................

結(jié)論

隨著計算機技術(shù)的發(fā)展，計算機醫(yī)學圖像技術(shù)已廣泛應(yīng)用于現(xiàn)代醫(yī)學、生物醫(yī)學研究和臨床領(lǐng)域，取得了顯著的成效。利用計算機圖像技術(shù)進行個體身份鑒定的應(yīng)用也越來越廣泛，特別是在許多重大事故的無名尸骨的身份鑒定中，相對于指紋、虹膜等常用的識別特征不易保存的特性，牙齒因其特有強抗腐蝕性、作為識別特征的唯一性以及成本低、取材方便等獨特的應(yīng)用價值發(fā)揮了關(guān)鍵作用。本文對作為識別系統(tǒng)的前期工作即牙齒醫(yī)學圖像（咬翼片）的分割算法與輪廓特征提取方法進行了重點研究。
1、在牙齒醫(yī)學的圖像的分割算法中，提出了一種基于數(shù)學形態(tài)學預處理的分水嶺分割算法。針對醫(yī)學圖像的成像過程造成的前景與背景灰度值相似以及灰度分布不均勻的特點，在分割之前需要應(yīng)用高低帽變換等對圖像進行增強；同時根據(jù)牙齒結(jié)構(gòu)的特點以及相鄰牙齒之間存在的粘連性的特點，需要應(yīng)用腐蝕、空洞填充等操作來進行處理，達到了去噪等目的；最后應(yīng)用基于距離變換的分水嶺分割算法，得到單顆牙齒的分割結(jié)果，無需合并等后續(xù)處理即可達到減少過分割現(xiàn)象的目的；
2、應(yīng)用標記算法將單顆牙齒從整幅圖像中分割出來并編號保存；同時保存其在形態(tài)學處理時得到的輪廓，并對其根據(jù)單顆完整牙齒的編號特性進行相對應(yīng)的編號，便于后續(xù)輪廓特征提取操作；
3、在運用GVF-Snake算法提牙齒外輪廓特征時，應(yīng)用了在形態(tài)學處理時得到的腐蝕后的牙齒輪廓作為初始輪廓，經(jīng)過統(tǒng)一的規(guī)范化處理與保存，初始輪廓的空間位置等信息與待處理的單顆牙齒相同，無需人工設(shè)置初始輪廓，實現(xiàn)了輪廓提取的自動化；
通過對不同的咬翼片圖像進行實驗得到的結(jié)果可以看到，提出的分水嶺分割改進算法在能夠有效的減少過分割現(xiàn)象的同時精確地得到單顆牙齒的定位。與形態(tài)學處理的得到的結(jié)果相結(jié)合的GVF-Snake算法也能夠較為精確地找出牙齒外邊緣語牙髓腔的近似輪廓線，且無需人工干預設(shè)置初始輪廓，能夠進行牙齒的自動分割與輪廓提取。
...........................................
參考文獻:

[1] 蔡軍,王欣.  數(shù)字圖像處理技術(shù)[J]. 科技信息. 2012(31)
[2] 莫宏兵,趙剛.  基于細菌模糊聚類算法的牙齒圖像分割技術(shù)研究[J]. 黑龍江醫(yī)藥科學. 2011(01)
[3] 張德才,周春光,周強,池淑珍,王甦菁.  基于輪廓的孔洞填充算法[J]. 吉林大學學報(理學版). 2011(01)
[4] 徐寶福,豐鶴,趙偉,趙媛霞,賈子庶,劉力.  根據(jù)數(shù)字全頜曲面斷層片進行個體識別研究[J]. 中國法醫(yī)學雜志. 2010(05)
[5] 沈曄,李敏丹,夏順仁.  基于內(nèi)容的醫(yī)學圖像檢索技術(shù)[J]. 計算機輔助設(shè)計與圖形學學報. 2010(04)
[6] 許新征,丁世飛,史忠植,賈偉寬.  圖像分割的新理論和新方法[J]. 電子學報. 2010(S1)
[7] 譚宇,田雪梅,王世安,王新帥.  利用牙齒影像進行同一認定的研究進展[J]. 刑事技術(shù). 2010(01)
[8] 楊玲,王中科,王云鵬.  牙縫約束下模糊連接法對單顆牙齒的分割[J]. 計算機工程與設(shè)計. 2009(21)
[9] 朱士虎,朱紅,何培忠.  形態(tài)學運算中結(jié)構(gòu)元素選取方法研究[J]. 現(xiàn)代計算機(專業(yè)版). 2009(07)
[10] 盧中寧,強贊霞.  基于梯度修正和區(qū)域合并的分水嶺分割算法[J]. 計算機工程與設(shè)計. 2009(08)


本文編號：10210