CT图像的分形特征和Facet边缘检测

doi:10.3778/j.issn.1002-8331.2009.03.049

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (3): 165-167.DOI: 10.3778/j.issn.1002-8331.2009.03.049

• 图形、图像、模式识别 • 上一篇下一篇

CT图像的分形特征和Facet边缘检测

蒲云^1,2,曾理^1,2,马睿^1,2

1.重庆大学光电技术及系统教育部重点实验室 ICT研究中心，重庆 400030
2.重庆大学数理学院，重庆 400030

收稿日期:2008-07-09 修回日期:2008-10-06 出版日期:2009-01-21 发布日期:2009-01-21
通讯作者: 蒲云

Fractal feature of CT image and facet edge detection

PU Yun^1,2,ZENG Li^1,2,MA Rui^1,2

1.ICT Research Center，Key Laboratory of Optoelectronic Technology and System of the Education Ministry of China，Chongqing University，Chongqing 400030，China
2.College of Mathematics and Physics，Chongqing University，Chongqing 400030，China

Received:2008-07-09 Revised:2008-10-06 Online:2009-01-21 Published:2009-01-21
Contact: PU Yun

摘要/Abstract

摘要： Facet模型能够获得准确的图像边缘信息，但运用Facet模型对目标进行分割时，时间复杂度比较高。针对该问题，从CT图像目标特征的角度，将分形维数特征引入Facet模型。首先利用图像边缘分形维数较大的特点，获得大致的边缘候选点，然后对边缘候选点集运用Facet模型进行分割，得到边缘点的准确位置。实验结果表明，该方法不仅能获得准确的边缘，而且提高了处理速度。

关键词: 分形维数, Facet模型, 边缘定位, 边缘检测, CT图像

Abstract: Facet model can obtain accurate image edge，but the time complexity is greatly high while be used to segment target.Against this question，from the perspective of target feature in CT images，fractal dimension characteristics are introduced into Facet model in this paper.Firstly rough candidate point set is obtained on the basis of truth the fractal dimension on the edges is larger than other part，and then obtains the exact edges by using Facet model in the candidate point set.Furthermore，the experimentation results indicate that this method can not only be accurate on the edge，but also improve the processing speed.

Key words: fractal dimension, Facet model, edge localization, edge detection, CT image

蒲云^1,2,曾理^1,2,马睿^1,2. CT图像的分形特征和Facet边缘检测[J]. 计算机工程与应用, 2009, 45(3): 165-167.

PU Yun^1,2,ZENG Li^1,2,MA Rui^1,2. Fractal feature of CT image and facet edge detection[J]. Computer Engineering and Applications, 2009, 45(3): 165-167.

[1]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[2]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[3]	封雪梅，张志毅，杨龙. 分形维数的全局点云初始配准算法[J]. 计算机工程与应用, 2020, 56(5): 234-241.
[4]	陶永鹏，景雨，顼聪. 融合超像素和CNN的CT图像分割方法[J]. 计算机工程与应用, 2020, 56(5): 200-205.
[5]	裘静韬，邹俊忠，郭玉成，张见，王蓓. 应用化肝脏病灶分割的预测方案[J]. 计算机工程与应用, 2020, 56(20): 173-178.
[6]	张福玲，张少敏. 应用于CT图像肺结节检测的深度学习方法综述[J]. 计算机工程与应用, 2020, 56(13): 20-32.
[7]	涂兵1，2，3，张晓飞1，3，潘建武1，3，张国云1，2，3，周紫璇1，3. 多特征与边缘校正融合的天际线检测算法研究[J]. 计算机工程与应用, 2019, 55(6): 178-185.
[8]	孙梦茹，王瑜，邢素霞. 基于结构局部边缘模式的绿色植物物种识别[J]. 计算机工程与应用, 2019, 55(3): 167-170.
[9]	吴保荣，强彦，王三虎，唐笑先，刘希靖. 融合多维度卷积神经网络的肺结节分类方法[J]. 计算机工程与应用, 2019, 55(24): 171-177.
[10]	韩彬，杨大利. 基于透射变换的印刷品图像归一化研究[J]. 计算机工程与应用, 2019, 55(23): 188-193.
[11]	聂东林，王洪辉，王翔，孟令宇. 基于图像处理的滑坡后缘裂缝运动轨迹分析[J]. 计算机工程与应用, 2019, 55(22): 201-205.
[12]	冯正英，王世东. 结合MNF变换和Canny算子的遥感影像变化检测[J]. 计算机工程与应用, 2019, 55(14): 266-270.
[13]	吴进，赵隽，李聪，吴汉宁. 机器视觉中边缘检测算法的SDSoC加速实现[J]. 计算机工程与应用, 2019, 55(12): 208-214.
[14]	刘丽霞1，李宝文3，王阳萍1，2，杨景玉1，2. 改进Canny边缘检测的遥感影像分割[J]. 计算机工程与应用, 2019, 55(12): 54-58.
[15]	曾有灵，陈耿铎，熊威，李喆. 基于Spark的CT图像FBP重建算法程序并行设计[J]. 计算机工程与应用, 2019, 55(10): 218-224.

CT图像的分形特征和Facet边缘检测

Fractal feature of CT image and facet edge detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics