论文部分内容阅读
骨龄是衡量青少年儿童生长发育的重要指标,因其稳定性和可靠性可广泛应用于疾病诊断、体育运动员选才和司法判案等领域。由于手腕骨能综合反映人体骨骼的生长成熟状况,同时手腕骨X光图像获取方便、所受辐射少,因此手腕骨是世界公认的识别骨龄的最理想骨骼。传统的人工读片的骨龄识别方式主观性较强、测定周期长,对专业水平要求高。随着计算机技术的发展,将数字图像处理技术引入骨龄领域,实现骨龄识别的自动化是目前骨龄研究的热点。本文研究了一种基于CHN法的骨龄识别方法,针对手腕骨x光图像的特点,对骨龄的自动识别过程进行了研究。本文的主要内容如下：(1)提出了一种基于k-余弦曲率的指骨分割算法。首先对手腕骨X光图像进行星型中值滤波、图象二值化操作,然后对二值图象进行最大连通区域标记选择、膨胀、腐蚀等形态学操作,从而获得手腕骨的完整二值图像,最后通过k-余弦曲率算法定位指骨关键点,实现手腕骨X光图像中手指的有效分割。(2)结合手腕骨x光图像的特点,根据手指中轴线上的灰度分布特点提取指骨特征区域(Epiphysis/Metaphysis Region of Interest, EMROI),将高斯差分滤波算法和Canny算子边缘提取算法应用于对EMROI图像的处理,并对其进行二值化和孔洞填充等操作。然后提取和分析能够描述骨骼发育过程中的各个等级的本质特征,将其作为骨龄特征参数用于后面的骨龄识别。(3)提出了一种基于小波支持向量机(Wavelet Support Vector Machine, WSVM)的骨龄识别算法。先结合模式识别中的分类算法,对各种用于图像识别的分类决策方法进行了比较,然后分析了支持向量机(Support Vector Machine, SVM)的基本原理和分类算法,最后基于小波核函数,使用WSVM多分类器对骨骼等级进行分类,并与传统的SVM多分类器进行比较。实验结果表明,WSVM在非线性逼近性能和识别的准确率方面均获得了较大的提高,证明了该算法的有效性和可行性。