基于OTSU算法分割肺CT图片

曹 爽，王园园，蔡自伟

(运城学院 数学与信息技术学院，山西 运城 044000)

引言

随着人们健康意识的不断增强，肺部疾病的计算机诊断已成一大热点。但是目前国内在图像处理[1，2]方面仍存在各种问题，尤其肺部CT图像在获取、传输和处理的过程中，难免会由于电子设备的噪声和不稳定而加入噪声。为了实现有效分割以及提高分割效率，众多专家学者提出了各种肺实质[3]分割方法。比如：阈值法、区域生长法、边缘检测法等等。由于区域生长法仅可以实现具有相同结构图像的有效分割，所以区域生长法容易出现分割效果不准确等问题。边缘检测法中图像的边缘是图像分割[4]中一个十分重要的特征，但是由于一幅图像的多数信息都存在于不同的区域边界上，所以准确地提取边缘就显得十分困难。

阈值分割法[5]因为实现过程简单，分割速度较快，因此被广泛应用。如今，许多学者提出了多种不同的阈值分割方法，其中日本学者大津于1979年提出的一维OTSU[6，7]算法，可以实现自动获得最佳阈值，并且分割速度比较快、自适应能力较强、提目标效果较好，深受广大学者的喜爱。其基本思想为自动遍历所有灰度值，当目标和背景灰度间的方差达到最大值时的阈值为最佳分割阈值。并且一维OTSU算法[8]还具有模式识别和分割功能。因此在国内许多学者把OTSU算法应用于医学[9]辅助诊断，大大提高了诊断效率。

本文研究肺CT[10]图片分割的软件平台是Matlab。针对广泛发展的图像处理而开发的Matlab图像处理工具箱函数是图像处理研究人员的一把重要的武器，包括图像转换、图像增强、图像压缩、图像分析、图像分割和识别等大量命令和函数。本文将利用Matlab强大的图像处理功能，实现基于一维OTSU算法[11]的肺CT图像的快速分割。

1．一维OTSU阈值法

一维OTSU阈值法[12]最先由日本研究者大津提出，该方法以一维直方图为基础，根据目标图像的灰度特征对图像进行分割，当目标和背景间灰度值的方差达到最大时的阈值为最佳分割阈值，此时目标与背景间的差别最大，分割最有效。

假设一幅图像的灰度级为L，图像总的像素点个数为N，ni代表灰度为i的像素点数，即

(1)

Pi代表灰度级为i的像素点出现的概率，即

Pi=ni/N，i=0，1，2，3……L-1

(2)

(3)

如果把图像由阈值x分成目标α1和背景α2两部分，α1由灰度值在[0,x]之间的像素组成，α2由灰度值在[x+1，L-1]之间的像素组成。那么这两类出现的概率为:

(4)

(5)

故这两个类α1，α2的灰度均值分别为：

(6)

(7)

其中

(8)

(9)

综上可得：

μT=w1μ1+w2μ2

(10)

-2(w1μ1+w2μ2)μT

=w1w2(μ1-μ2)2

(11)

易知一维OTSU算法简单、运算速度快、适用于实时处理且物理意义明确。因此OTSU算法在国内受到了众多学者的喜爱，并且把OTSU广泛应用于医学领域，尤其近年在肺CT图像分割方面具有重大意义。

2. 实验结果与分析

2.1 实验环境

为了验证该文所提出算法分割肺CT图片的有效性和可行性。选取了4幅医学图像，在戴尔2.3GHZ、4G内存的计算机上进行，操作系统为Windows 10、编程环境为Matlab R2018b。利用Matlab R2018b编写仿真程序，从而实现对图像的分割。

2.2 实验评价标准

该实验选取了两个评判指标：一个是峰值信噪比PSNR，另一个是算法执行的时间。其中峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方差(MSE)进行定义。两个m×n单色图像I和K，如果一个与另外一个的噪声近似，那么它们的均方差定义为：

(11)

峰值信噪定义为：

(12)

(13)

其中MAXI是表示图像点颜色的最大数值。

2.3 实验过程

利用本文所提算法对四幅肺CT图像进行分割，图1是利用一维OTSU算法对肺部CT图像进行分割后的结果比较。根据分割的顺序为肺部CT图像1～4，第一列为原始图像，第二列为采用OTSU算法分割后的图像。

从分割后的图片可以看出，图片还是比较清晰的，目标和背景的轮廓也比较分明，可以比肉眼较清楚地看出病灶的位置，从而对于医务人员来说可以快速地并且较清晰的查看病人病灶的位置，因此该算法对于计算机医学辅助[13]诊断带来了极大的帮助，受到了国内外广大学者的喜爱，并对此进行了深入的研究。

图1 肺部CT图像分割结果

通过Matlab平台实现对肺部CT图像的分割，又进一步对分割后的图像以及分割[14]时间进行了分析，结果如表1所示。

表1是对图1实验结果的评价数据。在分割时间上看来，一维OTSU算法[15]分割时间在1秒左右，易知该算法的分割时间还是比较快的，从而在时间性能上得能够到大大的改善。在峰值信噪比上来看，利用该算法分割后的图像还是比较清晰的，可以较清楚地查看病灶的位置，得到较清晰的目标轮廓，因此对于医学诊断带来极大的帮助。正如图1中肺CT-1通过OTSU算法分割后的图像中错分的像素几乎很少，背景和目标的分割也比较正确，可以比肉眼较清楚地看出肺部病灶的物理位置，所以医务人员可以方便快捷地诊断出病理及查看病灶的位置。

表1 肺部CT图像运行结果

2.4 实验小结

通过实验结果来看，一维OTSU算法可以较快地找到最佳阈值，运行时间较快，大大节省了时间。分割后的图像成像比较清晰，可以较清楚地分辨出目标和背景，分割效果还是比较理想的。因此可以验证本文所提算法对于肺部CT图像分割的有效性和可行性，并且通过与其他算法比较可以得出该算法对于医学诊断方面具有较大的实用价值。

3. 结束语

图像分割在医学诊断领域具有极其关键的作用，但是由于医学图像自身成像因素的影响，对比度低，肉眼无法精确的识别各个区域的边界。基于此本文着重研究基于OTSU算法的图像分割技术，也称最大类间方差法。OTSU法自1979年提出之后，一直都被看作是自动选取阈值中的最优方法，该方法简单、分割速度快、自适应能力强，受到国内外广大学者的喜爱，因而被大量应用。

肺部CT图像分割一直都是计算机辅助诊断的一个巨大挑战。本文根据传统方法分割肺部图像出现的难点问题，提出一种基于OTSU算法的图像分割技术，以肺部CT图像为实验数据。实验表明：该算法分割速度较快，分割后的目标和背景较明显，总体来说分割效果理想，对于计算机辅助诊断中肺部CT图像的分割具有深远意义，在医学领域中具有可见的实用价值。