算法集锦（5）|医学图像的边缘检测|Python

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等，并进一步做图形处理成为更适合人眼观察或传送给仪器检测的图像。

今天，我们介绍一些常用的机器学习算法（卷积网络、边缘识别等）在医学图像处理上的应用。这些算法未来可以嵌入到深度卷积神经网络中，本文中通过简单的实例，直观的展现不同算法对医学图像处理后的效果。

原始图像

（1）乳腺癌细胞

（2）UCSB生物分割基准数据集的细胞二维图

（3）视网膜图像

（4）神经系统图像

（5）大脑核磁共振图像（侧面）

（6）大脑核磁共振图像（正面）

恒等卷积核（Identiti Kernel）

恒等卷积核的大小为3x3，填充（padding）模式为SAME。进行卷积操作后，图像的大小不变，只是由彩色图像转变为黑白图像。

边缘检测（水平）

进行水平边缘检测后的各医学图像如下。

边缘检测（垂直）

经过垂直边缘检测后，垂直方向的纹理更加清晰。

边缘检测（梯度模）

图像的梯度模的定义如下，它可以同时检测图像的水平和垂直方向的变化。

边缘检测（梯度方向角）

梯度方向定位为水平像素和垂直像素之比的反正切值，从我们分析的结果看，基于梯度方向的边缘检测结果难以直观的去理解。

Sobel算子（梯度模）

Sobel算子是一离散型差分算子，用来运算图像亮度函数的梯度之近似值，在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。我们将梯度模与Sobel算子结合起来进行医学图像的边缘检测，结果如下。

直观上看，采用了Sobel算子后，与之前仅使用梯度模的结果差异不大。

超像素(Super Pixel)

超像素（SuperPixel），就是把原本多个像素点，组合成一个大的像素。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。