CN103353986B - 一种基于超像素模糊聚类的脑部mr图像分割方法 - Google Patents

Abstract

本发明涉及一种基于超像素模糊聚类的脑部MR图像分割方法。其步骤为：1.获取MR图像；2.对MR图像进行超像素分割，得到若干原子区域；3.对灰度值方差较大的原子区域进行二次细化分割；4.对原子区域进行模糊聚类，得到每个原子区域的类别隶属度；5.对于隶属度不够明确的原子区域定义其为模糊块，并用函数迭代方法实现模糊块的归属类判别；6.对原子区域进行超像素合并操作，获得图像分割结果。本发明是超像素方法与模糊c—均值聚类算法的结合，有效利用了二者在图像处理方面的优点，并有针对性的克服了模糊c—均值聚类算法在像素级别聚类时对噪声和偏场敏感的缺陷。比传统模糊c—均值聚类算法有更高的分割准确度和鲁棒性。

Description

一种基于超像素模糊聚类的脑部MR图像分割方法

技术领域

本发明涉及医学图像分割领域，具体地说是一种基于超像素模糊聚类的脑部MR图像分割方法。

背景技术

医学影像处理与分析借助于图形图像技术的有力手段，利用现有的医学影像设备极大地提高了医学临床诊断水平，为医学的研究与发展提供了坚实的基础，具有重要应用价值。核磁共振技术是一种非侵害性的医学成像技术，通过分析MR图像序列，我们可以得到具有高分辨率的带有解剖学和功能信息的3D图像，这有利于提高诊断水平和对疾病的处理。随着统计学理论、模糊集理论、机器学习理论在图像分割领域应用的不断深入，近几十年来，很多新的方法与思想被应用于医学图像分割领域，其中比较有代表性的有模糊c—均值聚类法以及超像素分割算法。

模糊c—均值聚类算法具有无监督、实现简单、运算速度快等特点，能够准确地分割对比度比较明显、信噪比较高的图像，但也存在着明显的不足。它在聚类过程中仅考虑了单个像素的灰度值分别与各聚类中心的距离，各像素间的数据是相互独立的，未考虑相邻像素之间的影响，也就是未能利用空间信息。因此运用模糊c—均值聚类法分割叠加了噪声的低信噪比MR脑部图像时，会产生较大的偏差。此外，面对某些存在灰度不均现象的图像，如果单纯只用模糊c—均值聚类法进行分割，由于图像整体灰度值对比度较差，因此分割准确率也会比较低。

超像素分割方法能够有效利用空间约束信息，具有一定的抗噪性，并且在强化图像局部一致性的同时保留了图像原始边界信息，超像素分割出来的原子区域还包含了单个像素所不具备的一些图像特征，比如形状、边界轮廓信息以及区域灰度直方图等，有利提高的图像处理的准确度，而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。另外，对于某些图像存在的灰度不均现象，超像素作为原子区域其内部的灰度值差异较小，整体的灰度不均现象则不存在于超像素中，有效的避免了此现象对图像分割的影响。

发明内容

本发明为克服上述现有技术的不足，提供一种基于超像素模糊聚类的脑部MR图像分割方法。该方法可以充分利用模糊聚类在医学图像处理中的优势，并使用超像素方法有针对性的加强空间约束信息以及有效的处理灰度不均问题，弥补了单纯使用模糊c—均值聚类算法在处理噪声和偏场方面的不足，提高了脑部MR图像分割的准确性和鲁棒性。

为实现上述目的，本发明采用如下技术方案：

一种基于超像素模糊聚类的脑部MR图像分割方法，它的步骤为：

第一步，获取MR图像；

第二步，对MR图像进行超像素分割，得到若干原子区域；

第三步，对灰度值方差较大的原子区域进行二次细化分割；

第四步，对原子区域进行模糊聚类，得到每个原子区域的类别隶属度；

第五步，对于隶属度不够明确的原子区域定义其为模糊块，并用函数迭代方法实现模糊块的归属类判别；

第六步，对原子区域进行超像素合并操作，获得图像分割结果。

所述第二步中，采用超像素分割算法对图像进行超像素分割，得到L个超像素R_i{i=1,2,…,L}。

所述第三步中，采用自动阈值分割法进行二次分割：对每个超像素内部灰度值进行方差计算，将获得的方差与设定阈值进行比较，如果大于该阈值，则进行二次分割，然后计算超像素灰度均值；如果小于该阈值，则直接计算超像素灰度均值；为减少噪音点对分割准确度的影响，引入一个比例参数t，仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留，以抑制噪音点的影响；经过二次分割后，总共产生了K个超像素R_i{i=1,2,…,K}，K≥L，这K个超像素即是第四步骤所要处理的对象。

所述第四步中，模糊聚类采用模糊c—均值聚类方法，对于MR脑图像，将其内容分为灰质、白质和脑脊液三部分，在模糊c—均值聚类时将聚类数固定设置为三类；聚类时，以每个超像素内部的平均灰度值μ作为聚类参数，通过对上节产生的K个超像素R_i{i=1,2,…,K}进行聚类，得到聚类中心C(c₁,c₂,c₃)以及隶属度矩阵U，每个超像素的分类通过U来确定。

所述第五步中，归属类判别的实现采用基于巴特沃斯函数迭代方法实现模糊块的归属类判别：

Step1对于超像素R_i，定义隶属度向量为U_i(u₁,u₂,u₃)，若存在u_i=max{u₁,u₂,u₃}>T_c，其中T_c为置信度阈值，则将该超像素标记为第i类，否则标记为模糊块，模糊块集合以F表示；

Step2对R_j∈F，设其相邻超像素集合为Ω={R_j1,R_j2,…,R_jk}，分别计算R_j与Ω中每个元素的相似度S_j(s_j1,s_j2,…,s_jk)；

Step3若存在s_ji=maxS_j>T_s，则将R_j归为和R_ji同一类别。其中T_s为人工定义的置信阈值；

Step4若迭代次数未超过限定次数且仍存在模糊块，则跳转到Step2；

Step5若超过迭代次数后仍存在模糊块，则对模糊块R_i，其隶属度向量为U_i(u₁,u₂,u₃),取u_j=maxU_i，将R_i归类为第j类；

经过以上步骤后，则所有超像素均完成分类。

所述第六步中，超像素合并为：对于属于同一类别且邻接的超像素，将其合并得到最终的分割结果。

本发明的有益效果是：将聚类对象从像素级别转变到超像素级别，增大了要处理对象的粒度，能够充分利用空间约束信息，因此在抗噪性方面表现良好。此外，超像素作为具有某种感知意义的原子区域，其内部各部分的灰度值差异较小，整体图像的灰度不均现象并不在原子区域内部存在，在处理存在灰度不均现象的图像时，能够有效避免此现象对分割产生的影响。在对超像素进行聚类的过程中，我们提出的基于超像素模糊聚类方法通过引入巴特沃斯函数处理模糊块的归属类判别问题，利用了邻接超像素的信息来判断超像素所属类别，比起硬性划分提高了类别判定的准确度。

基于超像素的模糊聚类是超像素方法与模糊c—均值聚类算法的结合，有效利用了二者在图像处理方面的优点，并有针对性的克服了模糊c—均值聚类算法在像素级别聚类时对噪声和偏场敏感的缺陷。比传统模糊c—均值聚类算法有更高的分割准确度和鲁棒性。

附图说明

图1为本发明的流程图；

图2为巴特沃斯函数曲线图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

图1中，本发明的流程如下：

1、超像素分割

超像素分割是相当于对一幅图像进行过分割，其实质上还是可以使用图像分割的形式进行描述。对一幅大小为M*N的图像，令Λ(x,y)表示整个图像网格，其中0≤x≤M,0≤y≤N,对Λ的分割可看成将Λ划分成n个满足以下五个条件的非空子区域R₁,R₂,R₃,…,R_n。

1） ${\∪}_{i=1}^N{R}_i=\mathrm{\Λ}.$

2）对于所有的i和j，当i≠j时，有

3）对于所有的R_i，i=1,2,…,N，有P(R_i)=true。

4）对于所有的i和j，当i≠j时，有P(R_i∩R_j)=false。

5）对于所有的R_i，i=1,2,…,N，R_i是连通区域。

其中P(R_i)是对所有子区域R_i，i=1,2,…,N中元素的逻辑谓词，表示空集。

本发明选取一种超像素分割算法对图像进行超像素分割，得到L个超像素R_i{i=1,2,…,L}。

2、超像素二次分割

因为MR图像中部分区域的边界较为模糊，超像素分割之后的结果可能会出现这样一种情况，即不同组织划分到了同一超像素中。为了减少此类错误引起的分割误差，需在初始超像素分割的基础上进行二次分割。

由于存在错误分割的超像素其方差较一般超像素大，因此可以取序列前部一定百分比的超像素进行二次分割。考虑到MR图像一般为灰度图像，所以本文选取自动阈值分割法进行二次分割。

然而阈值分割法无法有效地抑制噪音点，为减少噪音点对分割准确度的影响，本文引入一个比例参数t，仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留，可有效地抑制噪音点的影响。

经过二次分割后，总共产生了K（K≥L）个超像素R_i{i=1,2,…,K}。这K个超像素即是下面聚类步骤所要处理的对象。

3、模糊c—均值聚类

对于MR脑图像，可以将其内容分为灰质、白质和脑脊液三部分，所以在模糊c—均值聚类时将聚类数固定设置为三类。聚类时，以每个超像素内部的平均灰度值μ作为聚类参数，通过对上节产生的K个超像素R_i{i=1,2,…,K}进行聚类，可以得到聚类中心C(c₁,c₂,c₃)以及隶属度矩阵U。每个超像素的分类可以通过U来确定。

4、归属类判别

鉴于医学图像的模糊性和不均性，直接根据聚类结果将超像素分类不具有很好的可行性，因此有必要引入其他的信息帮助分类。

脑部MR图像中组织一般具有连续性，因此对于不能很好地确定所属类别的超像素可以利用其邻接超像素的信息帮助判断其所属分类。在此处使用超像素之间的相似度S(s₁,s₂,…,s_n)作为邻接信息，其中s_i表示该超像素与第i个邻接超像素间的相似度。

对相似度的判断采用巴特沃斯函数，其具体函数形式为：

$s_i=\frac{1}{1+\left(\frac{\mathrm{\μ}-\mathrm{\μi}}{\mathrm{\η}}\right)}---\left(1\right)$

其中，η为容差值，η增大时，在判断相似块时可以允许有较大的灰度差值。μ为待判定的超像素内部像素灰度均值，μi为该超像素邻接块内部像素灰度均值。n为函数级数，n越大则函数下降速度越快。巴特沃斯函数曲线如图2所示。

归属类判别算法步骤如下：

Step1对于超像素R_i，定义隶属度向量为U_i(u₁,u₂,u₃)，若存在u_i=max{u₁,u₂,u₃}>T_c，其中T_c为置信度阈值，则将该超像素标记为第i类，否则标记为模糊块，模糊块集合以F表示。

Step2对R_j∈F，设其相邻超像素集合为Ω={R_j1,R_j2,…,R_jk}，分别计算R_j与Ω中每个元素的相似度S_j(s_j1,s_j2,…,s_jk)。

Step3若存在s_ji=maxS_j>T_s，则将R_j归为和R_ji同一类别。其中T_s为人工定义的置信阈值。

Step4若迭代次数未超过限定次数且仍存在模糊块，则跳转到Step2.

Step5若超过迭代次数后仍存在模糊块，则对模糊块R_i，其隶属度向量为U_i(u₁,u₂,u₃),取u_j=maxU_i，将R_i归类为第j类。

经过以上步骤后，则所有超像素均完成分类。

5、合并超像素获得最终结果

当所有的超像素都确定分类之后，对超像素进行合并操作。对于属于同一类别且邻接的超像素，将其合并得到最终的分割结果。

Claims (3)

1.一种基于超像素模糊聚类的脑部MR图像分割方法，其特征是，它的步骤为：

第一步，获取MR图像；

第二步，对MR图像进行超像素分割，得到若干原子区域；

第三步，对灰度值方差较大的原子区域进行二次细化分割；

第四步，对原子区域进行模糊聚类，得到每个原子区域的类别隶属度；

第五步，对于隶属度不够明确的原子区域定义其为模糊块，并用函数迭代方法实现模糊块的归属类判别；

第六步，对原子区域进行超像素合并操作，获得图像分割结果；

所述第二步中，采用超像素分割算法对MR图像进行超像素分割，得到L个超像素R_i{i＝1,2,…,L}；

所述第三步中，采用自动阈值分割法进行二次分割：对每个超像素内部灰度值进行方差计算，将获得的方差与设定阈值进行比较，如果大于该阈值，则进行二次分割，然后计算超像素灰度均值；如果小于该阈值，则直接计算超像素灰度均值；为减少噪音点对分割准确度的影响，引入一个比例参数t，仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留，以抑制噪音点的影响；经过二次分割后，总共产生了K个超像素R_i{i＝1,2,…,K}，K≥L，这K个超像素即是第四步骤所要处理的对象；

所述第五步中，归属类判别的实现采用基于巴特沃斯函数迭代方法实现模糊块的归属类判别：

Step1对于超像素R_i，定义隶属度向量为U_i(u₁,u₂,u₃)，若存在u_i＝max{u₁,u₂,u₃}>T_c，其中T_c为置信度阈值，则将该超像素标记为第i类，否则标记为模糊块，模糊块集合以F表示；

Step2对R_j∈F，设其相邻超像素集合为Ω＝{R_j1,R_j2,…,R_jk}，分别计算R_j与Ω中每个元素的相似度S_j(s_j1,s_j2,…,s_jk)；

Step3若存在s_ji＝maxS_j>T_s，则将R_j归为和R_ji同一类别；其中T_s为人工定义的置信阈值；

Step4若迭代次数未超过限定次数且仍存在模糊块，则跳转到Step2；

Step5若超过迭代次数后仍存在模糊块，则对模糊块R_i，其隶属度向量为U_i(u₁,u₂,u₃),取u_j＝maxU_i，将R_i归类为第j类；

经过以上步骤后，则所有超像素均完成分类。

2.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法，其特征是，所述第四步中，模糊聚类采用模糊c—均值聚类方法，对于MR脑图像，将其内容分为灰质、白质和脑脊液三部分，在模糊c—均值聚类时将聚类数固定设置为三类；聚类时，以每个超像素内部的平均灰度值μ作为聚类参数，通过对上节产生的K个超像素R_i{i＝1,2,…,K}进行聚类，得到聚类中心C(c₁,c₂,c₃)以及隶属度矩阵U，每个超像素的分类通过U来确定。

3.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法，其特征是，所述第六步中，超像素合并为：对于属于同一类别且邻接的超像素，将其合并得到最终的分割结果。