演算法集錦（5）|醫學圖像的邊緣檢測|Python

點擊上方藍色字體，關註：九三智能控

計算機視覺是一門研究如何使機器「看」的科學，更進一步的說，就是是指用攝像機和電腦代替人眼對目標進行識別、跟蹤和測量等，並進一步做圖形處理成為更適合人眼觀察或傳送給儀器檢測的圖像。

今天，我們介紹一些常用的機器學習演算法（卷積網路、邊緣識別等）在醫學圖像處理上的應用。這些演算法未來可以嵌入到深度卷積神經網路中，本文中通過簡單的實例，直觀的展現不同演算法對醫學圖像處理後的效果。

原始圖像

（1）乳腺癌細胞

（2）UCSB生物分割基準數據集的細胞二維圖

（3）視網膜圖像

（4）神經系統圖像

（5）大腦核磁共振圖像（側面）

（6）大腦核磁共振圖像（正面）

恆等卷積核（Identiti Kernel）

恆等卷積核的大小為3x3，填充（padding）模式為SAME。進行卷積操作後，圖像的大小不變，只是由彩色圖像轉變為黑白圖像。

邊緣檢測（水平）

進行水平邊緣檢測後的各醫學圖像如下。

邊緣檢測（垂直）

經過垂直邊緣檢測後，垂直方向的紋理更加清晰。

邊緣檢測（梯度模）

圖像的梯度模的定義如下，它可以同時檢測圖像的水平和垂直方向的變化。

邊緣檢測（梯度方向角）

梯度方向定位為水平像素和垂直像素之比的反正切值，從我們分析的結果看，基於梯度方向的邊緣檢測結果難以直觀的去理解。

Sobel運算元（梯度模）

Sobel運算元是一離散型差分運算元，用來運算圖像亮度函數的梯度之近似值，在圖像的任何一點使用此運算元，將會產生對應的梯度矢量或是其法矢量。我們將梯度模與Sobel運算元結合起來進行醫學圖像的邊緣檢測，結果如下。

直觀上看，採用了Sobel運算元後，與之前僅使用梯度模的結果差異不大。

超像素(Super Pixel)

超像素（SuperPixel），就是把原本多個像素點，組合成一個大的像素。超像素由一系列位置相鄰且顏色、亮度、紋理等特徵相似的像素點組成的小區域。這些小區域大多保留了進一步進行圖像分割的有效信息，且一般不會破壞圖像中物體的邊界信息。

關注公眾號，並輸入「20180411」，可獲得源代碼。

微信群&合作

• 加入微信群：不定期分享資料，拓展行業人脈請在公眾號留言：「微信號+名字+研究領域/專業/學校/公司」，我們將很快與您聯繫。
• 投稿（無稿費）、合作事宜請留言聯繫。

http://weixin.qq.com/r/AC91bd-EloLprZsO93oS (二維碼自動識別)