基于信息熵的CT圖像目標(biāo)自動(dòng)提取實(shí)驗(yàn)研究——以恐龍蛋殼化石切片CT圖像為例

陳春玉黃映聰王強(qiáng)黎廣榮何月順

基于信息熵的CT圖像目標(biāo)自動(dòng)提取實(shí)驗(yàn)研究——以恐龍蛋殼化石切片CT圖像為例

陳春玉1，黃映聰1，2，4，5，6*，王強(qiáng)7，黎廣榮1，何月順2，3，5

（1.東華理工大學(xué) 地球科學(xué)學(xué)院，江西 南昌 330013；2.東華理工大學(xué) 網(wǎng)絡(luò)與信息中心，江西 南昌 330013；3.東華理工大學(xué) 信息工程學(xué)院，江西 南昌 330013；4.江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013；5.江西省放射性地學(xué)大數(shù)據(jù)技術(shù)工程實(shí)驗(yàn)室，江西 南昌 330013；6.核資源與環(huán)境國(guó)家重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013；7.中國(guó)科學(xué)院 古脊椎動(dòng)物與古人類研究所，北京 100044）

以恐龍蛋為對(duì)象，針對(duì)大量恐龍蛋殼化石CT圖像目標(biāo)與背景的分離需求，以及傳統(tǒng)提取方法繁瑣、精確度不高且需要較多人工參與，不能實(shí)現(xiàn)完全自動(dòng)化等問(wèn)題，提出了一種基于信息熵的CT圖像目標(biāo)自動(dòng)分離提取方法。首先手動(dòng)訓(xùn)練樣本信息熵參數(shù)，將其作為自動(dòng)分離大量CT圖像的參數(shù)；再根據(jù)灰度圖像亮度直方圖確定分割閾值；然后基于信息熵算法進(jìn)行自動(dòng)分離；最后依據(jù)分割閾值和信息熵值，實(shí)現(xiàn)目標(biāo)區(qū)域的最終分離和提取。該方法獲得了良好的分離提取效果，所獲分割閾值范圍為66～188，信息熵值范圍為0.43～0.65。基于3 329張16位恐龍蛋殼原始切片CT圖像樣品數(shù)據(jù)所進(jìn)行的評(píng)價(jià)實(shí)驗(yàn)表明，對(duì)于數(shù)量較多的CT圖像，所提出的方法自動(dòng)分離提取具有很高的效率，可達(dá)到98.89%，并且能在正確提取出目標(biāo)方解石的同時(shí)保留較為完整的目標(biāo)與邊緣細(xì)節(jié)，分離處理的準(zhǔn)確性和快速性良好。

CT圖像；恐龍蛋殼化石；信息熵；分割閾值；自動(dòng)分離提取

1 引言

CT（Computed Tomography）技術(shù)應(yīng)用范圍十分廣泛，主要應(yīng)用于醫(yī)學(xué)診斷領(lǐng)域，其次應(yīng)用于工業(yè)無(wú)損檢測(cè)、工程檢測(cè)、安全檢查以及探測(cè)地球內(nèi)部結(jié)構(gòu)等方面［1］。近年來(lái)，隨著圖像技術(shù)的發(fā)展以及各種功能軟件的開(kāi)發(fā)，其應(yīng)用范圍還在不斷拓寬。傳統(tǒng)的圖像分割方法依賴于人工處理，需要花費(fèi)大量時(shí)間和精力。由于圖像的多變性和各種突發(fā)情況的發(fā)生（設(shè)備、人工、環(huán)境等），從圖像中自動(dòng)分離目標(biāo)與背景非常具有挑戰(zhàn)性，因此這一難題引起國(guó)內(nèi)外學(xué)者的廣泛研究。目前圖像分割方法包括基于閾值分割［2-3］、基于像素值分割［4］以及基于神經(jīng)網(wǎng)絡(luò)分割［5-6］的方法等。

在醫(yī)學(xué)領(lǐng)域，翟偉明等［7］提出了一個(gè)動(dòng)態(tài)自適應(yīng)的體素生長(zhǎng)的算法，對(duì)肺部CT圖像進(jìn)行三維分割，解決了肺部分割時(shí)左右肺難以區(qū)分的問(wèn)題；宋紅等［8］提出一種基于動(dòng)態(tài)自適應(yīng)區(qū)域生長(zhǎng)的算法進(jìn)行腫瘤分割，成功提取出人體肝臟CT圖像中的腫瘤區(qū)域；張麗娟等［9］也提出區(qū)域生長(zhǎng)與全卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)肝臟CT圖像進(jìn)行交互式分割。近年來(lái)，一些學(xué)者也開(kāi)始對(duì)CT圖像的自動(dòng)分割方法進(jìn)行一些探索。Reboucas等［10］提出了專門用于分割復(fù)雜物體的三維自適應(yīng)清晰主動(dòng)輪廓法，它是一種在胸部CT掃描中自動(dòng)分割肺部的新技術(shù)。Men等［11］基于深度反卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)鼻咽癌CT圖像進(jìn)行目標(biāo)自動(dòng)分割，但需要仔細(xì)的人工審查和大量的編輯；Athertya等［12］提出了一種基于模糊特征點(diǎn)的輪廓自動(dòng)初始化方法，該方法在脊柱CT圖像醫(yī)學(xué)圖像分割中有較大的適用性，在模擬高斯噪聲的情況下具有良好的魯棒性；Vania等［13］將卷積神經(jīng)網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)結(jié)合，利用類冗余作為軟約束從CT圖像中分割脊柱，顯著提高了分割結(jié)果的準(zhǔn)確性和系統(tǒng)處理時(shí)間。而在古生物恐龍蛋殼化石的顯微結(jié)構(gòu)研究領(lǐng)域，CT圖像智能處理技術(shù)尚處在探索階段。古生物學(xué)家處理的數(shù)據(jù)量隨著各種技術(shù)的進(jìn)步也在迅速增加，但海量古生物方面的數(shù)據(jù)依然需要依賴人進(jìn)行手動(dòng)處理，并且雖然在古生物學(xué)的研究中使用了眾多數(shù)字化手段，如CT掃描等，但如何在這些數(shù)據(jù)中找到所需要的信息依然是一項(xiàng)充滿挑戰(zhàn)的工作［14］。

由于在處理大量恐龍蛋殼化石CT圖像方面可借鑒的經(jīng)驗(yàn)過(guò)于稀少，而手動(dòng)分割導(dǎo)致分離工作難度較大、效率較低，為了達(dá)到自動(dòng)分離恐龍蛋殼化石CT圖像目標(biāo)與背景的目的，本文提出了一種基于信息熵的CT圖像目標(biāo)與背景自動(dòng)分離提取方法。實(shí)驗(yàn)結(jié)果表明，使用該方法取得了理想的分離效果，目標(biāo)提取有效率高達(dá)98.89%，并且處理時(shí)間也大幅縮短，提高了古生物恐龍蛋殼化石CT圖像處理效率。該方法能精確地提取出恐龍蛋殼氣孔與邊界，為后續(xù)重建恐龍蛋三維立體結(jié)構(gòu)提供了可靠的基礎(chǔ)，也為其他目標(biāo)為方解石的古生物CT圖像自動(dòng)分離提取提供了新的技術(shù)解決方案。

2 數(shù)據(jù)與方法

2.1　圖像數(shù)據(jù)集

本文選取廣東河源晚白堊世地層發(fā)現(xiàn)的一類蜂窩蛋類（恐龍蛋的一種類型）進(jìn)行了蛋殼結(jié)構(gòu)的計(jì)算機(jī)斷層掃描，采用的設(shè)備為GEphoenix vtomex m 180 kV/300 kV，測(cè)試電壓為70 kV，測(cè)試電流為130 μA，得到了3 329張16位的恐龍蛋殼原始切片CT圖像樣品數(shù)據(jù)，空間分辨率為3.896 μm/像素，圖像保存為tif格式。由于樣品數(shù)據(jù)頭部和尾部CT圖像的目標(biāo)區(qū)域太?。繕?biāo)區(qū)域像元比率小于3%），為提高處理速度，僅選取切片樣號(hào)483～2 599作為樣本數(shù)據(jù)集。圖1展示了樣本數(shù)據(jù)集里隨機(jī)選取的前、中、后3段的原始圖像，分別為切片樣號(hào)704，1 668，2 595，每個(gè)切片目標(biāo)范圍大小不一，其中亮度值高且呈現(xiàn)較明亮的區(qū)域?yàn)槟繕?biāo)區(qū)域，其余為背景區(qū)域。

圖1　原始圖像示例。（a）切片704；（b）切片1 668；（c）切片2 595。

2.2　信息熵

信息熵（Imformation Entropy）最早是由Shannon借鑒熱力學(xué)中熵的概念在1948年提出的，它描述了信息來(lái)源的不確定性，本質(zhì)上是對(duì)不確定信息的數(shù)學(xué)化度量，其大小描述了信息的有序程度及包含的信息量。將信息熵引入到圖像中可以度量圖像信息量，評(píng)判圖像信息有序與豐富程度［15-16］。CT圖像由大量不同灰度級(jí)的像素構(gòu)成，在CT圖像處理過(guò)程中，熵一般度量圖像像素亮度值的均勻程度，CT圖像的信息熵清晰地反映了其信息量的多少，它與圖像灰度變化的不確定性程度密切相關(guān)［15］。

假設(shè)一張CT圖像的灰度級(jí)分布范圍為［0，］，∈［0，］，代表灰度級(jí)，（）代表概率；各灰度級(jí)像素出現(xiàn)的概率為0，1…p，各灰度級(jí)像素具有的信息量則分別為-log20，-log21，…，-log2p。其中（）值越高，圖像所含信息量越大，圖像灰度變化的不確定性程度越大，圖像也就越混亂［16-18］。圖像的信息熵計(jì)算公式如式（1）所示：

2.3　信息熵參數(shù)提取

由于CT圖像是16位的，所以需要將其轉(zhuǎn)換為8位，以便進(jìn)行后續(xù)圖像處理。首先從訓(xùn)練數(shù)據(jù)集里的前、中、后三段中隨機(jī)選取3張CT圖像切片，分別為切片編號(hào)704，1 668，2 595，通過(guò) Adobe Photoshop軟件進(jìn)行人工手動(dòng)分離CT圖像目標(biāo)與背景，獲得分離后的圖像（圖2）；然后計(jì)算所選分離后圖像各自的信息熵，分別是0.65，0.54，0.43（表1）。從圖2可以看到，圖2（b）所含信息量相較而言更大，更具代表性，因此最后選取中間圖像切片（樣號(hào)1 668）的信息熵0.54作為本文方法的信息熵參數(shù)初始經(jīng)驗(yàn)值。最后計(jì)算切片樣號(hào)704和樣號(hào)2 595的信息熵值與樣號(hào)1 668的信息熵值0.54的誤差都為20%，因此，后續(xù)進(jìn)行CT圖像的自動(dòng)分離時(shí)，設(shè)置信息熵的誤差范圍為20%。

圖2　手動(dòng)分離后的圖像。（a）切片704；（b）切片1 668；（c）切片2 595。

表1信息熵參數(shù)訓(xùn)練結(jié)果

Tab.1　Training results of information entropy parameters

2.4　分割算法步驟

本文主要針對(duì)CT圖像來(lái)分離目標(biāo)與背景從而提取目標(biāo)，通過(guò)信息熵的方法使分離得到的目標(biāo)在完整性和邊緣細(xì)節(jié)保留方面都得到了較好的效果。具體分割算法步驟和流程如圖3所示。

圖3　目標(biāo)智能提取技術(shù)流程示意圖

步驟1：將轉(zhuǎn)換后的8位圖像進(jìn)行信息熵計(jì)算，再訓(xùn)練信息熵參數(shù)。

步驟2：統(tǒng)計(jì)灰度圖像的亮度直方圖。用lambda函數(shù)根據(jù)亮度值進(jìn)行排序，輸出hisR1（根據(jù)像素亮度值從小到大排序）、hisR2（根據(jù)像素亮度值統(tǒng)計(jì)個(gè)數(shù)從大到小排序）兩個(gè)列表。

步驟3：把hisR2統(tǒng)計(jì)結(jié)果中像素亮度值統(tǒng)計(jì)個(gè)數(shù)最多時(shí)的亮度值作為分割閾值，根據(jù)該閾值分離原始灰度圖像的目標(biāo)與背景，輸出分割閾值。

步驟4：分割單個(gè)圖像目標(biāo)與背景。創(chuàng)建一個(gè)大小與原圖像一樣的空白圖像矩陣，根據(jù)輸入的閾值對(duì)原圖像進(jìn)行分離，若像素亮度值大于閾值，則認(rèn)為是圖像的目標(biāo)，則將該像素對(duì)應(yīng)的位置輸出到新圖像并將亮度值賦值為255，遍歷原灰度圖像的所有像素值，輸出新圖像。

步驟5：計(jì)算分離后圖像的信息熵值。將信息熵0.54這個(gè)樣本參數(shù)值作為處理訓(xùn)練數(shù)據(jù)集中第一張CT圖像的輸入值，得到一個(gè)新的信息熵值，然后將新信息熵值作為下一個(gè)圖像運(yùn)算的參考值，由此循環(huán)運(yùn)算直到最后一張圖像運(yùn)行結(jié)束。

步驟6：設(shè)置信息熵誤差范圍為20%，判斷誤差是否不大于20%，若是說(shuō)明分離的結(jié)果是可靠的，則結(jié)束分離并輸出當(dāng)前信息熵；若不是則回到步驟5，直到誤差在20%以下。

步驟7：對(duì)訓(xùn)練數(shù)據(jù)集里所有圖像遍歷進(jìn)行自動(dòng)分割，最后輸出分割后的圖像文件以及表格文件。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)環(huán)境為Windows10系統(tǒng)下安裝的PyCharm開(kāi)發(fā)環(huán)境，通過(guò)Python編程語(yǔ)言實(shí)現(xiàn)自動(dòng)分離實(shí)驗(yàn)，分割對(duì)象為數(shù)量較多的恐龍蛋殼化石切片CT圖像。上述算法運(yùn)行后最終的結(jié)果包括兩部分：分割后的圖像和輸出的表格。其中圖像內(nèi)容可以明顯提取出目標(biāo)和邊緣，而表格內(nèi)容包括CT圖像的樣號(hào)、分割閾值以及信息熵值。

3.1　分離效果定量分析

本研究為了符合恐龍蛋殼化石CT圖像數(shù)據(jù)的特點(diǎn)，將樣本數(shù)據(jù)集樣號(hào)483～2 599的切片CT圖像作為測(cè)試集。鑒于信息熵已用于CT圖像目標(biāo)與背景的自動(dòng)分離與提取中，本文也給出了該方法對(duì)恐龍蛋殼化石切片CT圖像的自動(dòng)分離結(jié)果，包括訓(xùn)練集和測(cè)試集中2 117張切片CT圖像的分割閾值和信息熵。由于通過(guò)以上方法獲得的從483～2 599的每個(gè)樣號(hào)都有一個(gè)分割閾值和信息熵值，導(dǎo)致數(shù)據(jù)量很大。通過(guò)觀察輸出的結(jié)果表格，發(fā)現(xiàn)信息熵的范圍和分割閾值的范圍都并不寬泛，因此將其分拆成兩個(gè)部分，即信息熵結(jié)果的頻次統(tǒng)計(jì)（表2）和分割閾值的頻次統(tǒng)計(jì)（表3）。從表2和表3中發(fā)現(xiàn)，樣本數(shù)據(jù)集中CT圖像的信息熵值范圍在0.43～0.65之間，最大信息熵值為0.6，出現(xiàn)頻次有236次；分割閾值范圍是66～188，最大分割閾值為97，出現(xiàn)頻次有98次。其中分割閾值范圍即為CT圖像目標(biāo)的亮度值范圍，由于恐龍蛋殼是由方解石構(gòu)成的，故所提取的目標(biāo)即為方解石。

表2信息熵結(jié)果頻次分布

Tab.2　Frequency distribution of information entropy results

根據(jù)表2、表3進(jìn)行的信息熵與分割閾值統(tǒng)計(jì)，獲得圖4、圖5兩個(gè)直方圖。如圖4所示，樣本數(shù)據(jù)集CT圖像的信息熵分布范圍在0.43～0.65之間，只有一個(gè)峰，其中信息熵峰值為0.6；同時(shí)信息熵在0.43～0.51之間分布比較均勻但很少且起伏不大，而其他主要集中分布在0.51～0.65之間且大致呈正態(tài)分布，說(shuō)明樣本數(shù)據(jù)集分割后CT圖像的信息熵主要集中在0.6左右。而在圖5中，CT圖像分割閾值范圍在66～188之間，且有兩個(gè)峰，一個(gè)是94～104，另一個(gè)是138～150，但主要集中在前一個(gè)峰，其中分割閾值最高峰值為97，說(shuō)明樣本數(shù)據(jù)集中CT圖像的分割閾值大部分都集中在97左右。

圖4　信息熵統(tǒng)計(jì)直方圖

圖5　分割閾值統(tǒng)計(jì)直方圖

表3分割閾值結(jié)果頻次分布

Tab.3　Frequency distribution of segmentation threshold results

3.2　分離效果定性分析

由于進(jìn)行自動(dòng)分離的CT圖像數(shù)量較多，因此本文僅從樣本數(shù)據(jù)集原始圖像與自動(dòng)分離后圖像的前、中、后3段各自隨機(jī)選取3張進(jìn)行分離效果分析。前段選取的是切片520，668，770；中段選取的是切片1 526，1 655，1 731；后段選取的是切片2 322，2 481，2 576。圖6、7、8給出了CT圖像樣本數(shù)據(jù)集中前、中、后段選取切片各自的原始圖像及自動(dòng)分離圖像。圖中左邊列（a）、（b）、（c）為原始圖像，右邊列（d）、（e）、（f）為自動(dòng)分離目標(biāo)與背景后提取的目標(biāo)圖像，即去除了背景后的參考標(biāo)準(zhǔn)圖像。

原始圖像僅以肉眼無(wú)法對(duì)目標(biāo)進(jìn)行有效提取，且存在很大的主觀性，導(dǎo)致誤差過(guò)大；而且從原始圖像中并不能清晰辨認(rèn)目標(biāo)邊緣輪廓，也不能分辨哪些是氣孔哪些是目標(biāo)，這對(duì)我們的目標(biāo)分離提取工作帶來(lái)了很大的困難（圖6、7、8的左邊列原始圖像）。從圖6、7、8的右邊列分離后的圖像可以看出，自動(dòng)分離提取目標(biāo)的結(jié)果與手動(dòng)分離的結(jié)果（圖2）相差并不大。本文方法用于自動(dòng)分離提取目標(biāo)時(shí)獲得了較好的效果，在將目標(biāo)從背景中正確提取出來(lái)的同時(shí)保留了完整的目標(biāo)輪廓，邊緣也十分清晰，并且還可以從圖中分辨出氣孔，為構(gòu)建恐龍蛋殼三維立體結(jié)構(gòu)提供了基礎(chǔ)。

圖6　前段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

圖7　中段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

圖8　后段原始圖像與分離后圖像。（a）、（b）、（c）原圖像；（d）、（e）、（f）分離后圖像。

根據(jù)信息熵理論可知，圖像所含內(nèi)容越多就越混亂，信息熵值就越高。由表2可知，樣本數(shù)據(jù)集分割后CT圖像的最大信息熵為0.60，而在表4中也可以看出，前、中、后3段信息熵均較高，但中段信息熵均值為0.60，是前、中、后3段圖像里最高的，這與最大信息熵值相同，這說(shuō)明在樣本數(shù)據(jù)集中段位置的CT圖像相較其他位置的信息熵更高一些，其內(nèi)容相對(duì)來(lái)說(shuō)也更多。而從圖6、7、8也可看出，中段圖像相較于前、后兩段而言，它所含信息量更多。上述方法用于CT圖像的目標(biāo)與背景自動(dòng)分離和提取目標(biāo)時(shí)均獲得了較好的效果，這證明了信息熵用于恐龍蛋殼化石切片CT圖像目標(biāo)與背景分離提取是可行且有效的。

表4不同位置分離后圖像結(jié)果

Tab.4　Image results after different positions separation

4 討論

關(guān)于CT圖像分割處理的研究多集中在醫(yī)學(xué)領(lǐng)域上，如研究?jī)?nèi)臟器官和其他病變位置［7-8，10-11］，以及研究脊柱［12-13，19］等，這些方法中有些方法相對(duì)而言更復(fù)雜并且不能處理大量的樣本。如宋紅等［8］提出的基于動(dòng)態(tài)自適應(yīng)區(qū)域生長(zhǎng)分割腫瘤的算法，需要對(duì)圖像先預(yù)分割而獲得感興趣區(qū)域，然后再提取腫瘤區(qū)域。此外，Chu等［19］提出了一個(gè)基于學(xué)習(xí)的統(tǒng)一隨機(jī)森林回歸和分類方法，解決了從CT圖像中全自動(dòng)定位和分割脊柱三維椎體的問(wèn)題，該方法可以完全自動(dòng)化，但也需要先用隨機(jī)森林回歸方法定義脊柱感興趣區(qū)域。兩者在進(jìn)行提取目標(biāo)之前都有先獲得感興趣區(qū)域這一步，而本研究并不需要如此，直接就可以通過(guò)信息熵與分割閾值進(jìn)行自動(dòng)分離并提取目標(biāo)，方法更加簡(jiǎn)便快速。

與目前廣泛使用的醫(yī)學(xué)CT圖像分割方法相比，在恐龍蛋殼化石的CT圖像研究上可借鑒的對(duì)象和參考的實(shí)例較少。由于恐龍蛋殼化石不同于人體組織或者動(dòng)物組織，其成分屬于不同的物質(zhì)類型，兩者的CT圖像信號(hào)特征差異較大，因此不能完全照搬前人在醫(yī)學(xué)領(lǐng)域的CT圖像分割方法，并且醫(yī)學(xué)圖像中物體或結(jié)構(gòu)的分割通常比其他類型的圖像更為復(fù)雜。所以針對(duì)恐龍蛋殼化石CT圖像，需要選擇一種針對(duì)性強(qiáng)且運(yùn)算效率更高的方法。本實(shí)驗(yàn)采用信息熵作為提取目標(biāo)的一個(gè)參數(shù)，在信息熵誤差范圍設(shè)置為20%的情況下，經(jīng)過(guò)多次嘗試，分割閾值與信息熵的選定使分離效果明顯，達(dá)到了大量CT圖像的目標(biāo)與背景自動(dòng)分離的研究目標(biāo)。實(shí)驗(yàn)證明本文方法是十分有效的，該方法不僅能清晰分離出目標(biāo)，而且實(shí)現(xiàn)了自動(dòng)化處理，大幅提高了操作效率，同時(shí)提供了類似CT圖像處理情況中使用該信息熵范圍直接作為處理的參數(shù)。

由于在評(píng)價(jià)不同方法時(shí)使用的數(shù)據(jù)集以及處理的對(duì)象復(fù)雜程度不同，直接比較不同的方法是困難的，不能簡(jiǎn)單地認(rèn)為哪一個(gè)更好。但值得注意的是，本研究方法可以處理大量CT圖像樣本數(shù)據(jù)并且效果都不錯(cuò)，不需要過(guò)多的人機(jī)交互，真正實(shí)現(xiàn)了自動(dòng)化、智能化?？傊?，本研究的主要貢獻(xiàn)是提出了一種CT圖像在新領(lǐng)域的處理方法。該方法可用于研究類似恐龍蛋殼化石一樣由方解石構(gòu)成的其他物體CT圖像的分類處理，以該信息熵范圍參數(shù)來(lái)進(jìn)行自動(dòng)分離并提取目標(biāo)，為快速重構(gòu)物體三維空間結(jié)構(gòu)奠定了數(shù)據(jù)基礎(chǔ)。

5 結(jié)論

針對(duì)大量恐龍蛋殼化石CT圖像手動(dòng)分割步驟繁瑣、分割精度不高、處理時(shí)間長(zhǎng)、誤差較大等問(wèn)題，在閾值分割的基礎(chǔ)上，提出了一種基于信息熵的自動(dòng)分離CT圖像方法。利用手動(dòng)分割CT圖像獲取到的信息熵值作為自動(dòng)分離圖像的參數(shù)，通過(guò)閾值分割和信息熵的方法進(jìn)行大量圖像目標(biāo)與背景的自動(dòng)分離研究，并進(jìn)行了廣泛的測(cè)試與實(shí)驗(yàn)，其中所獲分割閾值范圍為66～188，信息熵值范圍為0.43～0.65。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的方法在CT圖像數(shù)量較多時(shí)，在自動(dòng)分離圖像目標(biāo)與背景上可取得很好的效果，其有效分離率高達(dá)98.89%，并且該方法能在正確提取目標(biāo)的同時(shí)還能保留完整目標(biāo)與邊緣細(xì)節(jié)，還可以對(duì)恐龍蛋殼中保存的氣孔與蛋殼邊界進(jìn)行有效且精確地提取，提高了操作效率。但是，本研究?jī)H探討了如何處理大量恐龍蛋殼CT圖像的方法，對(duì)于恐龍蛋殼本身以及如何重建恐龍蛋的三維立體結(jié)構(gòu)的研究仍有不足，這是作者需要進(jìn)一步研究的方向。

［1］ 高麗娜，陳文革.CT技術(shù)的應(yīng)用發(fā)展及前景［J］.CT理論與應(yīng)用研究，2009，18（1）：99-109.

GAO L N， CHEN W G. The application and prospect of CT［J］.， 2009， 18（1）： 99-109. （in Chinese）

［2］ YEN J C， CHANG F J， CHANG S. A new criterion for automatic multilevel thresholding［J］.， 1995， 4（3）： 370-378.

［3］ YANG P， SONG W， ZHAO X B，. An improved Otsu threshold segmentation algorithm［J］.， 2020， 22（1）： 146-153.

［4］ ZHANG K L， LU W M， MARZILIANO P. Automatic knee cartilage segmentation from multi-contrast MR images using support vector machine classification with spatial dependencies［J］.， 2013， 31（10）： 1731-1743.

［5］ SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［J］.， 2017， 39（4）： 640-651.

［6］ 任志淼.基于全卷積神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)自適應(yīng)區(qū)域生長(zhǎng)法的紅外圖像目標(biāo)分割方法［J］.半導(dǎo)體光電，2019，40（4）：564-570.

REN Z M. Infrared image target segmentation algorithm based on full convolutional neural network and dynamic adaptive region growth［J］.， 2019， 40（4）： 564-570. （in Chinese）

［7］ 翟偉明，胡成文，張偉宏，等.基于動(dòng)態(tài)自適應(yīng)體素生長(zhǎng)的肺部CT圖像3維分割算法［J］.中國(guó)圖象圖形學(xué)報(bào)，2005，10（10）：1269-1274.

ZHAI W M， HU C W， ZHANG W H，. A dynamic adaptive 3D voxel-growing segmentation algorithm for pulmonary CT images［J］.， 2005， 10（10）： 1269-1274. （in Chinese）

［8］ 宋紅，王勇，黃小川，等.基于動(dòng)態(tài)自適應(yīng)區(qū)域生長(zhǎng)的肝臟CT圖像腫瘤分割算法［J］.北京理工大學(xué)學(xué)報(bào)，2014，34（1）：72-76.

SONG H， WANG Y， HUANG X C，. A dynamic adaptive region growing segmentation algorithm for tumor of liver CT images［J］.， 2014， 34（1）： 72-76. （in Chinese）

［9］ 張麗娟，章潤(rùn)，李東明，等.區(qū)域生長(zhǎng)全卷積神經(jīng)網(wǎng)絡(luò)交互分割肝臟CT圖像［J］.液晶與顯示，2021，36（9）：1294-1304.

ZHANG L J， ZHANG R， LI D M，. Region-growing fully convolutional neural network interactive segmentation of liver CT images［J］.， 2021， 36（9）： 1294-1304. （in Chinese）

［10］ FILHO P P R， CORTEZ P C， SILVA BARROS A CDA，. Novel and powerful 3D adaptive crisp active contour method applied in the segmentation of CT lung images［J］.， 2017， 35： 503-516.

［11］ MEN K， CHEN X Y， ZHANG Y，. Deep deconvolutional neural network for target segmentation of nasopharyngeal cancer in planning computed tomography images［J］.， 2017， 7： 315.

［12］ ATHERTYA J S， KUMAR G S. Automatic segmentation of vertebral contours from CT images using fuzzy corners［J］.， 2016， 72： 75-89.

［13］ VANIA M， MUREJA D， LEE D. Automatic spine segmentation from CT images using convolutional neural networkredundant generation of class labels［J］.， 2019， 6（2）： 224-232.

［14］ YU C Y， JIANGZUO Q G， TSCHOPP E，. Information in morphological characters［J］.， 2021， 11（17）： 11689-11699.

［15］ 劉學(xué)林.一種提高影像信息熵的圖像預(yù)處理方法［J］.測(cè)繪與空間地理信息，2016，39（7）：21-23，26.

LIU X L. One method of image pretreatment to increase image's information entropy［J］.， 2016， 39（7）： 21-23， 26. （in Chinese）

［16］ 張玉娟，李城林，鐘浩，等.基于信息熵和細(xì)節(jié)方差均值與背景方差均值比的無(wú)參考圖像銳化結(jié)果評(píng)價(jià)［J］.哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2019，35（1）：36-40.

ZHANG Y J， LI C L， ZHONG H，. Evaluation of no-reference image sharpening results based on information entropy and the ratio of detail variance mean to background variance mean［J］.， 2019， 35（1）： 36-40. （in Chinese）

［17］ 童先群，周忠眉.基于屬性值信息熵的KNN改進(jìn)算法［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（3）：115-117.

TONG X Q， ZHOU Z M. Enhancement of K-nearest neighbor algorithm based on information entropy of attribute value［J］.， 2010， 46（3）： 115-117. （in Chinese）

［18］ GAO J B， LIU F Y， ZHANG J F，. Information entropy as a basic building block of complexity theory［J］.， 2013， 15（9）： 3396-3418.

［19］ CHU C W， BELAVY D L， ARMBRECHT G，. Fully automatic localization and segmentation of 3D vertebral bodies from CT/MR imagesa learning-based method［J］.， 2015， 10（11）： e143327.

Experimental research on automatic object extraction from CT image based on information entropy—taking CT image of dinosaur eggshell slices as an example

CHEN Chun-yu1，HUANG Ying-cong1，2，4，5，6*，WANG Qiang7，LI Guang-rong1，HE Yue-shun2，3，5

（1，，330013，；2，，330013，；3，，330013，；4，330013，；5，330013，；6，330013，；7，，100044，）

Taking dinosaur eggs as the object， a method of automatic object separation and extraction of CT images based on information entropy is proposed in view of the separation demand of many dinosaur eggshell fossil CT images with target and background， as well as the present situation of cumbersome， low accuracy， requiring more manual participation， and unable to achieve complete automation，F(xiàn)irstly， the sample information entropy parameters are manually trained and used as the parameters for automatic separation of a large number of CT images. Secondly， the segmentation threshold is determined according to the brightness histogram of gray image. Then，the automatic separation is performed based on information entropy algorithm. Finally， according to the segmentation threshold and information entropy value， the final separation and extraction of the target region is realized. The method achieves good separation and extraction results， the segmentation threshold range is 66～188， and the information entropy range is 0.43～0.65.Evaluation experiments based on 3 329 CT images of original slices of 16-position dinosaur eggshells show that this method has a high efficiency of automatic separation and extraction for a large number of CT images， up to 98.89%. In addition， the calcite of the target can be extracted correctly while retaining more complete target and edge details，and the separation process is accurate and fast.

CT image； fossilized dinosaur eggshells； information entropy； segmentation threshold； automatic separation and extraction

TP391.41；TP183

A

10.37188/CJLCD.2021-0343

1007-2780（2022）07-0891-09

2021-12-27；

2022-02-08.

國(guó)家自然科學(xué)基金（No.41672012，No.41688103，No.41202160）；中國(guó)科學(xué)院院戰(zhàn)略性先導(dǎo)科技專項(xiàng)（B類）（No.XDB26000000）；核資源與環(huán)境國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（No.NRE1913）；江西省放射性地學(xué)大數(shù)據(jù)技術(shù)工程實(shí)驗(yàn)室開(kāi)放基金（No.JELRGBDT202002）；江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（No.DLLJ201916）；東華理工大學(xué)博士科研啟動(dòng)基金（No.DHBK2018021）

Supported by National Natural Science Foundation of China （No. 41672012， No. 41688103， No. 41202160）； Strategic Priority Research Program of the Chinese Academy of Sciences （Type B）（No.XDB26000000）； Open Foundation of State Key Laboratory of Nuclear Resources and Environment （No.NRE1913）； Open Foundation of Jiangxi Provincial Radiology Big Data Technology Engineering Laboratory （No.JELRGBDT202002）； Open Foundation of Jiangxi Provincial Key Laboratory of Digital Land （No.DLLJ201916）； Doctoral Research Foundation of East China Institute of Technology （No.DHBK2018021）

，E-mail：5828516@qq.com

陳春玉（1997—），女，四川成都人，碩士研究生，2019年于內(nèi)江師范學(xué)院獲得學(xué)士學(xué)位，主要從事數(shù)字圖像處理與三維地質(zhì)建模方面的研究。E-mail：1002075910@qq.com。

黃映聰（1979—），男，四川宜賓人，博士，高級(jí)工程師，2009年于吉林大學(xué)獲得博士學(xué)位，主要從事遙感圖像語(yǔ)義識(shí)別與地學(xué)人工智能方面的研究。E-mail：5828516@qq.com