目前,肺结节是最常见的一种肺部疾病,而肺癌的发病率和死亡率最高,严重威胁人类的健康。目前临床肺结节筛查的主要手段是胸部CT平扫和增强检测,而医生诊断肺部CT图存在以下问题:医生诊断的正确性依赖很多主观因素;医生的工作量大,并且不同资龄的医生诊断结果有差异;临床专家需要从巨大数量的CT检查中找到与肺病有关的信息,这本身是复杂度高,技术含量高的工作。本文从辅助医生专家的角度出发,利用图像处理手段提供自动的病灶检测分析,能够在极短的时间内完成CT检查分析,降低了医生的误诊率与阅片时间。本文针对肺结节的边缘检测与特征值的计算进行研究。首先分析了肺部CT图像的特征。其次研究了肺部CT图像边缘检测算法、肺部CT图像常用的区域生长算法、深度学习算法。总结了它们的原理及其优缺点。最后采用了Top-Hat算法与小波算法相结合的方式,在多尺度、多形状、多方向上对Top-Hat算法的结构元素进行改进。针对肺部CT医学图像进行了图像采集、图像预处理、肺实质分割、图像对比度增强、疑似点边缘检测、疑似肺结节诊断等处理过程的研究。论文处理了大量的肺部CT医学图像,结合肺实质内肺结节与血管的形态特征,采用圆形和线形结构元素相结合的方法提取疑似点边缘信息。采用小波分解与重构算法,将肺实质分解为低频分量和高频分量,结合改进的Top-Hat算法提高了低频分量的对比度、降低了高频分量的噪声。采用改进的Top-Hat算法检测疑似区域的边缘信息,为特征值计算奠定基础。实验证明,重构之后的肺实质区域的对比度提高了135%,边缘检测算法提取的图像边缘闭合度可达到84.7%,提取了疑似点周长、面积、直径等关键特征值,为医生诊断病情提供准确的数据。