吳倩，王民慧

（貴州大學(xué)電氣工程學(xué)院，貴州 貴陽，550025）

0 引言

白癜風(fēng)是一種常見的后天性限局性或泛發(fā)性皮膚色素脫失病[1]，該病的主要特征是在體表形成大小無規(guī)則的白斑皮損，是一種嚴重影響外貌美觀的疾病[2]。參照中國中西醫(yī)結(jié)合皮膚性病學(xué)會色素病學(xué)組有關(guān)白癜風(fēng)的臨床分型及療效標準[3]，白斑面積是臨床治療效果的重要評價指標，所以白斑面積的測量是將白癜風(fēng)療效評價客觀量化的關(guān)鍵。

傳統(tǒng)白斑面積測量方法有目測估算法、點估算法[4]、宮格法[5]等，這類方法主觀性強，缺乏統(tǒng)一標準。隨著圖像處理技術(shù)的發(fā)展，出現(xiàn)了許多基于圖像分析的測量方法，這類方法是非侵入式，客觀性較好，如張鑫等[6]利用PS和ΙmageJ軟件通過魔棒等工具手動分割目標區(qū)域并計算出白斑面積，但此法操作繁瑣。羅衛(wèi)等[7]利用北京航空航天大學(xué)設(shè)計的計算機圖像分析系統(tǒng)在紅綠藍幀體的基礎(chǔ)上測量了白斑光密度及平均面積，該法準確性較好，但在實際應(yīng)用中實時性不強。朱衛(wèi)江等[8]通過圖像中白斑區(qū)域邊緣根據(jù)微積分原理計算曲線下白斑面積，魯功榮[9]利用皮膚鏡測量了白癜風(fēng)的色度及邊緣形態(tài)但卻無法測量大面積白斑面積。所以設(shè)計一種簡單準確、快速的白斑面積測量方法是目前白癜風(fēng)療效評價體系中亟待解決的關(guān)鍵問題之一。因此本文提出了基于混合顏色空間Κ均值聚類的方法來快速測量白斑面積。

1 方案設(shè)計

本文提出的基于混合顏色空間Κ均值聚類方法的關(guān)鍵是將白斑皮損從圖像中完整的提取出來，尤其是在大面積白斑的測量中。白斑無特定形態(tài)，有的面積大而分散，因此在拍攝時難免會將背景或光照等干擾帶入圖像，使得提取的難度進一步加大，所以處理此類圖像的關(guān)鍵在于圖像分割。經(jīng)典的圖像分割大致分為：基于閾值、邊緣和區(qū)域的方法，本文研究的是彩色圖像，包含著豐富的顏色、亮度等信息，僅用這些方法難以達到理想的分割效果。所以采用了基于數(shù)據(jù)挖掘思想的Κ-means聚類來分割圖像，得到目標區(qū)域后，應(yīng)用一系列數(shù)學(xué)形態(tài)學(xué)方法來處理，得到更為完整的白斑區(qū)域，并通過提取像素點來計算白斑實際面積[10]。

1.1 圖像顏色空間轉(zhuǎn)換

由于本文研究的白斑主要是依據(jù)其與圖像的背景及前景中正常皮膚顏色的差異來進行提取的，所以選擇合適的顏色空間在圖像分割中非常重要。經(jīng)過對圖像進行相關(guān)分析和實驗，本文選擇在Lab、HSV、YCbCr混合顏色空間模型下來做Κ均值聚類分割圖像。由于Lab空間是均勻的顏色空間，相比RGB，在衡量不同膚色與白斑的較小色差方面比較有優(yōu)勢，但它會受到亮度影響，所以本文引入了HSV和YCbCr兩種可將亮度與顏色分離的模型來減弱光照對圖像分割的影響。Lab模型中L是亮度，a 、b是顏色通道。L表示從黑到白，a是綠色到紅色；b是藍色到黃色[11]。HSV模型中H是色調(diào)，S是飽和度，V是明度。H表示顏色，S表示顏色的純度，V表示色彩的明亮程度。YCbCr中Y為顏色的亮度，Cb和Cr分別為藍色和紅色的濃度偏移量。將采集到的RGB圖像轉(zhuǎn)換至這三種顏色模型的公式如下：

（1）RGB轉(zhuǎn)Lab

不能直接轉(zhuǎn)換，需要由標準XYZ顏色模型過渡，記X、Y、Z代表XYZ顏色空間中3分量，R、G、B代表RGB顏色空間3分量，其轉(zhuǎn)換公式如下[12]：

其中Xn、Yn、Zn表示XYZ空間中的對應(yīng)參考白點的三色值。

（2）RGB轉(zhuǎn)HSV

1.2 K均值聚類

Κ-means算法屬于聚類算法中的劃分法，是一種無監(jiān)督自適應(yīng)的搜索算法。Κ均值聚類的實質(zhì)是將具有某種相似性質(zhì)的數(shù)據(jù)樣本進行分類組織的過程，其原理是先隨機選取Κ個樣本作為初始聚類中心，然后計算每個樣本與每個種子聚類中心之間的距離，把每個樣本分配給距離它最近的聚類中心，聚類中心以及分配給它們的樣本就代表一個聚類。一旦樣本集中的所有樣本都被分配了，每個聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象被重新計算。這個過程將不斷重復(fù)直到滿足全部樣本到其所屬類別的聚類中心的距離之和已經(jīng)達到局部最小狀態(tài)[13-15]。Κ均值聚類的算法可以看成如下幾步：

（1）設(shè)n個數(shù)據(jù)組成樣本集為：

其中Xi為d維向量，每個樣本由原始數(shù)據(jù)的d個特征組成，Κ均值聚類就是要將這n個數(shù)據(jù)樣本在一定的準則下劃分為K類，構(gòu)成數(shù)據(jù)集：

隨機選取K個樣本，作為S中各類的聚類中心，記為初始聚類中心集：

（2）定義Sk中任一樣本到聚類中心的歐式距離為：

根據(jù)公式（4）可知，集合S中任一個子類Sk中的所有樣本到其所屬聚類中心的距離之和可表述為：

則X中全部樣本到各自所屬類的聚類中心之和為：

其中ωi為權(quán)值，只有當樣本Xi屬于相應(yīng)Sk類中時才有意義。

（3）根據(jù)聚類準則，要使距離總和最小，依據(jù)公式分析，需要取子集Sk中所有樣本的平均值作為類中心才能滿足，由此獲得新的聚類中心。

（4）根據(jù)新的質(zhì)心，再次迭代計算 E( Xi)，直至函數(shù)收斂，此時算法終止，獲得最佳Κ均值聚類圖像。

2 圖像處理算法流程

本文實驗所研究的是大面積白斑皮損圖像，但前景部分既包括我們所要提取的白斑皮損，也包括正常的皮膚，本文實驗采用Κ均值聚類來做圖像分割，所以這里設(shè)定的初始聚類中心為3個，圖像分割后通過數(shù)學(xué)形態(tài)學(xué)相關(guān)算法進行修正，更為精確的提取出目標區(qū)域像素點，整體算法流程圖如圖1所示。

3 實驗結(jié)果與分析

3.1 圖像增強

在圖像采集的過程中，往往因為環(huán)境、光線等原因會產(chǎn)生一定的噪聲，為便于處理，先對圖像做增強處理?？紤]到后續(xù)研究的需要，采用對邊緣信息保護效果較好的中值濾波來增強圖像，對原始圖像內(nèi)每一像素點的灰度值取其鄰域內(nèi)所有像素點灰度的中值，既降低了噪聲，又提升了圖像的整體亮度，同時相對擴大了白斑與背景的差異度，有利于圖像分割。

3.2 圖像分割

圖1 圖像處理算法流程圖Fig.1 Flow chart of image processing algorithm

將增強后的圖像從RGB顏色空間分別轉(zhuǎn)到Lab、HSV、YCbCr顏色空間，原始圖像中皮膚顏色包含白、紅、黃三色，而背景近灰色，所以將Lab中a、b顏色分量，HSV中的H、S分量，YCbCr中Cb、Cr分量分別取出來聚類。因歐氏距離能較精確地測量顏色之間微小的差距，因此采用歐式距離來做衡量標準，更有利于皮損與正常皮膚顏色差異較小的區(qū)域的分割。分別對圖像在三種顏色空間做Κ均值聚類，在此分割的基礎(chǔ)上將三種分割結(jié)果相與，得到基于混合顏色空間的聚類結(jié)果，如圖2所示。

由此可知，對于復(fù)雜的大塊白斑，在Lab空間，分割結(jié)果中噪聲較多,邊緣毛刺現(xiàn)象嚴重；在HSV空間，分割邊緣較為平滑，但漏分的區(qū)域相對較大；在YCbCr空間，分割噪聲較多，但分割區(qū)域較準確。因此，在此基礎(chǔ)上將三者混合，得到的分割結(jié)果視覺效果更好，噪聲較少，分割區(qū)域更完整，且三者取相同的部分使分割可靠性更高。

圖2 分割結(jié)果Fig.2 Segmentation results

因為面積測量需要提取目標區(qū)域的像素點，所以這里將該圖像轉(zhuǎn)換成二值圖像，如圖3（a）所示，轉(zhuǎn)換成二值圖后只需要提取出圖像中白色部分即像素值為1的像素點即可知道白斑皮損的面積。

3.3 形態(tài)學(xué)處理

由圖3（a）所示目標區(qū)域二值化圖像可知，皮損區(qū)域中有一部分紅血絲較多的地方被誤分割為正常皮膚，形成孔洞，圖像邊緣受光干擾影響產(chǎn)生較多噪點，為減少像素點提取的誤差，本文應(yīng)用了數(shù)學(xué)形態(tài)學(xué)的相關(guān)算法對二值圖去噪。由二值化圖像分析可知，要去掉邊緣部分的細小而不連續(xù)的點，同時要求不能改變目標區(qū)域面積，根據(jù)文獻[16]可知，可以采用開運算或?qū)ο笠瞥齺磉_到類似的目的。

開運算是利用結(jié)構(gòu)元素對圖像進行先腐蝕后膨脹的過程，這里結(jié)構(gòu)元素是具有特定形狀的矩陣，通過與圖像的相互作用提取圖像的形態(tài)結(jié)構(gòu)。腐蝕是用結(jié)構(gòu)元素掃描圖像中每一個像素并與其覆蓋的二值圖像部分的像素做“與”操作，如果都為1，則該像素為1，否則為0；而膨脹恰好與其相反，全部為0時，則圖像素中的該像素為0，反之為1，相當于濾波窗口的作用。由于白斑形狀無規(guī)則，邊緣呈曲線狀，在去除噪聲的同時又要盡可能保留邊緣信息[17]供后續(xù)分析，所以在實驗中創(chuàng)建了平面圓盤作為結(jié)構(gòu)元素去探測圖像，根據(jù)文獻[18]可知，結(jié)構(gòu)元素尺寸越大，圖像邊緣損失越嚴重，通過實驗也發(fā)現(xiàn)，半盤半徑選的越大，邊緣形狀變化越大，為盡可能保留白斑形態(tài)，選取半徑為1的圓盤對二值圖做開運算后結(jié)果如圖3（b）所示。

圖3 形態(tài)學(xué)處理1Fig.3 Morphological processing 1

圖4 形態(tài)學(xué)處理2Fig.4 Morphological processing 2

圖3 （a）和（b）中測得的相應(yīng)二值圖中像素值為1的像素點數(shù)目分別為42601、42405，可以看到經(jīng)開運算后，圖像邊緣一些不連續(xù)的細小噪點基本上已經(jīng)被消除了，且完整的保留了白斑的形態(tài)及邊緣信息，但在小面積白斑分散聚集的地方仍有些許噪聲，所以這里對圖像再進行一次處理。采用形態(tài)學(xué)中的“對象移除”算法來處理，因圖像大小為386×271，根據(jù)估算，移除像素小于50的的連通對象，結(jié)果如圖4（a）所示，發(fā)現(xiàn)邊緣噪聲已基本上被濾掉了，白斑邊緣清晰，細節(jié)信息保留完整。

經(jīng)過開運算和對象移除的形態(tài)學(xué)處理后的圖像，中間還有孔洞，所以要對其進行填充，結(jié)果如圖4（b）所示，白斑區(qū)域中間的孔洞均被填充，內(nèi)部均勻，視覺效果更好，其中白色像素點的數(shù)目為42701，而要測得白斑皮損的實際面積只需提前將相機定標或者將某一已知實際面積的標準物件，如1元硬幣等一同拍攝到圖像中，通過計算出該物件區(qū)域的像素點數(shù)目，即可得到單個像素點所代表的實際面積：單個像素點實際面積 =標準件實際面積 / 標準件像素個數(shù)。這樣:白斑的實際面積=單個像素點實際面積×提取像素點個數(shù)，就實現(xiàn)了白斑面積的快速測量。

3.4 實驗結(jié)果分析

通過本文實驗可知，包含大面積白癜風(fēng)白斑的圖像，在經(jīng)中值濾波后，圖像整體亮度得到改善，對比度增強。將增強后的圖像在混合顏色空間下進行Κ均值聚類，圖像分割效果明顯。將分割后的圖像轉(zhuǎn)換成二值圖，并進行形態(tài)學(xué)處理，能最大程度保留白斑原始形態(tài)和細節(jié)信息，同時消除了處理過程中產(chǎn)生的噪聲。最后進行區(qū)域填充，提取出的白斑變得更均勻平滑，獲得了更好的視覺效果，更有利于白斑區(qū)域的像素提取。從實驗過程中，還可以看到在做不同處理時，白斑像素點的變化，使得通過提取白斑區(qū)域像素點來計算實際白斑面積更可靠。且整個算法約1s完成，實時性好。

4 結(jié)論

本文提出的算法有效的實現(xiàn)了對大面積白斑的無損快速檢測，在保證準確性的前提下，相比于前人的方法，不僅有效提高了效率還降低了成本，在臨床上發(fā)展前景廣闊。而且對于白癜風(fēng)病患的跟蹤測量，只需按周期提取白斑圖像的像素點，根據(jù)像素點測出相對面積變化，就可以了解病情的發(fā)展和判斷治療是否有效，指導(dǎo)意義重大。在此基礎(chǔ)上，后續(xù)將研究改進算法，使得對于被毛發(fā)覆蓋的白斑也能有效提取。