一种基于角点检测方法的骨龄图像关键点定位

冉隆科

（1.重庆医科大学计算机教研室，重庆400016；2.重庆医科大学法医学及生物信息技术研究室，重庆400016）

角点是图像的一个重要的局部特征，它集中了图像上的很多重要的形状信息。由于角点具有旋转不变性，在没有丢失图像数据信息的条件下，角点是最小化了要处理的数据量，因此角点检测具有极大的实用价值，近年来越来越引起人们的重视。数字图像中的特征主要有边缘特征、区域特征和点特征（其中点特征就是通常所说的角点）[1]。与边缘特征或区域特征相比，点特征指示的数据量明显要少很多：点特征对噪声的敏感也比前两种特征低；在灰度变化或遮掩等情况下，点特征也比边缘特征和区域特征更为可靠：当边缘线断裂或者图像中引入了新内容，边缘特征和区域特征的有效性将会降低，由于特征选取的优劣将直接影响到后续的特征匹配，故制约了这两种特征的应用范围[2]。

在骨龄自动化评定的研究中，对指骨兴趣区的提取，主要是根据定位出的关键点（包括指骨的顶端和谷底点）进行的。通常的方法是依据手掌的形状，依据几何方法进行，这要求拍摄出的骨龄X光图像位置比较标准。而事实上，在拍摄骨龄X光图像时，位置常常与实际情况不相符合。这对采用一般方法来定位指骨关键点显然不适应，本文把角点检测方法技术应用到骨龄X光图像指骨的关键点定位，实验表明，并与传统方法比较，用该方法来定位指骨关键点比较准确，且处理速度快。

1 基于角点检测技术的指骨关键点定位

Rosenfeld and Johnston[3]，简称RJ73，提出用k向量之间的角度k余弦来定位角点，定义公式如下：

其执行过程如下:

1）从m=kN开始。

2）k是递减的，直到cik停止增加，满足cim＜ci，m-1＜…＜cin≮

3）k=n被选取为点i处的最佳值。

4）角点存在于i中，也就是当cin＞cip对所有的j满足|i-j|≤n/2，p是点j处的最佳值k。

由于式（1）计算出的角度候选值过多，且定位出的角点存在伪角点，因此必须对伪角点排除掉，Rosenfeld and Weszka[4]，本文简称RW75，在对公式（1）计算出的角点值的基础上，再计算均值，即用公式（2）的cik值代替公式（1）中的cik

这里在以上两种算法的基础上，提出一种改进的方法来定位指骨关键点，其算法描述如下：

1）输入原骨龄X光图像；

2）用文献[5]方法对原图像二值化，并提取出图像轮廓；

3）用RJ73算法和RW75算法对步骤2）提出的图像轮廓进行指骨关键点定位；

4）将步骤3）定位出的指骨关键点，映射到原始图像中，从而定位出原图像的关键点。

用改进的方法定位出的指骨关键点位置比较准确，且速度比较快，RJ73和RW75是针对原始骨龄X光图像直接进行的，因此速度极慢。本文提出的算法是对二值化后的图像进行定位，因而计算量减少，从而大大缩短处理时间。

2 实验和结果分析

为了验证本算法定位的准确性，本文选取骨龄X光片图像50例（其中男孩30例，女孩20例，年龄范围在2到18岁），部分来源于重庆医科大学附属儿童医院放射科，部分来源于网上[6]。图像大小为1629×2154×8 bit，实验平台为matlab7。采用文献[7-9]所使用的CSS算法，文献[10]用到的Chetverikov算法与本文提出的算法来定位指骨兴趣区关键点。由于定位的准确性与图像的位置、方向和图像的不均匀性密切相关，因此本文测试的图像中含有这三种类型的图像，每副图像代表一种类型，共3幅：图像一位置比较正，但有部分噪音；图像二位置比较倾斜；图像三灰度值不一致且有噪声。指骨ROI的主要关键点包括指骨顶端点和指骨谷底点共9个，分别通过本文算法用3种不同的图像与CSS算法和Chetverikov算法作比较，这两种算法的参数取能获得最好结果的值。图1～图3是用3种不同类型的骨龄图像通过3种算法定位的结果效果图，表1列出了定位结果数据。通过实验数据可知，Chetverikov算法和CSS算法用来定位手指骨ROI的错误率都在33%以上，CSS高达44%，采用本文提出的算法错误率为0%，正确率为100%。

图1 位置比较正的图像Fig.1 Test image with good position

图2 倾斜图像Fig.2 Test tilted image

图3 有噪声图像Fig.3 Test image with noise

表13 种方法比较Tab.1 Comparison of the 3 localization algorithms

对本文算法的性能可以从3个方面进行来衡量：1）准确性。本文提出的算法能准确定位出指骨ROI的9个全部关键点、且没有错误点或多余点。其他两种算法虽能定位到指骨谷底点，但对指骨顶端点都存在定位错误点或多余点或位置有偏差；2）稳定性和鲁棒性。本文提出的算法对图像的噪声、位置和方向都不敏感，因为实验中的三幅图像分别代表这三种情况。当这些情况发生改变后，本算法仍然能准确定位到指腕骨关键点上；3）速度上。用本文提出的方法来定位指骨关键点，平均时间在10 s左右，而其他几种方法都在200 s左右，可见本文提出的方法在时间上有极大的优势。

3 结束语

本文分析了常见的角点定位方法的原理与不足，通过与其它几种角点检测算相法比较。实验表明，用本文提出的算法来定位指骨关键点，不但能精确定位指骨关键点，而且处理速度快，可以直接应用到骨龄自动化评定中。

[1]陈乐，吕文阁，丁少华.角点检测技术研究进展[J].自动化技术与应用，2005，24（5）:1-4，8.

CHEN Le，LV Wen-ge，DING Shao-hua.A survey of corner detection algorithms[J].Techniques of Automation and Applications，2005，24（5）:1-4，8.

[2]段欠华，王慧琴，毛力.一种改进的Harris角点检测算子[J].科技展望，2010（11）:47-48.

DUAN Qian-hua，WANG Hui-qin，MAO Li.Improved harris-based corner detection algorithm[J].Keji Zhanwang，2010（11）:47-48.

[3]Rosenfeld A，Johnston E.Angle detection on digital curves.[C]//IEEE Trans.Computers，22:875-878，1973.

[4]A.Rosenfeld and J.S.Weszka.An improved method of angle detection on digital curves[C]//IEEE Trans.Computers，24:940-941，1975.

[5]冉隆科.一种鲁棒的骨龄X射线平片自动轮廓提取方法[J].中国组织工程研究与临床康复，2010，14（52）:9735-9738.

RAN Long-ke.An robust automatic contour extraction method for skeletal bone age X-ray images[J].Journal of Clinical Rehabilitative Tissue Engineering Research，2010，14（52）:9735-9738.

[6]Anon.Digital hand atlas database system[EB/OL].[2011-06-20].http://www.ipilab.org/BAAweb/

[7]Mokhtarian F，Suomela R.Robust image corner detection through curvature scale space[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（12）:1376-1381.

[8]He X.C.，Yung N.C.，Curvature scale space corner detector with adaptive threshold and dynamic region of support"[C]//Proceedings of the 17th International Conference on Pattern Recognition，2:791-794，2004.

[9]He X C，Yung N H C，“Corner detector based on global and local curvature properties”[J].Optical Engineering，2008，47（5）：57-65.

[10]Anon.Detection of high curvature points in planar curves[EB/OL][2011-06-20].http://visual.ipan.sztaki.hu/corner/cornerweb.html