CN103839248A - 图像分割方法和装置 - Google Patents
图像分割方法和装置 Download PDFInfo
- Publication number
- CN103839248A CN103839248A CN201210477833.8A CN201210477833A CN103839248A CN 103839248 A CN103839248 A CN 103839248A CN 201210477833 A CN201210477833 A CN 201210477833A CN 103839248 A CN103839248 A CN 103839248A
- Authority
- CN
- China
- Prior art keywords
- phi
- point
- integral
- curve
- omega
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像分割方法和装置,所述图像分割方法包括:(a)从图像中检测感兴趣目标的初始轮廓;(b)根据对比度特性对初始轮廓上的点进行分类;(c)为不同种类的点构造不同的能量函数模型,基于构造的能量函数模型计算用于图像分割的曲线的演进函数,并根据演进函数在图像中移动水平集曲线;(d)确定移动后的水平集曲线是否已经收敛,如果确定水平集曲线已经收敛,则将移动后的水平集曲线输出为图像分割的结果,如果确定移动后的水平集曲线没有收敛,则以移动后的水平集曲线的作为初始轮廓,再次执行步骤(b)和步骤(c),直到得到收敛的水平集曲线为止。
Description
技术领域
本发明涉及图像分割技术领域。更具体地讲,涉及一种可以在医学中使用的用于肿瘤诊断的图像分割方法和装置。
背景技术
图像分割是指将图像分割成具有特征的区域并提取感兴趣的目标的技术,是图像处理和计算机视觉领域中的一个基本问题。而医学图像的图像分割技术是主要的研究方向之一。在医学图像处理中,图像分割常常用于病变区域提取,例如,自动分割和提取超声波图像中的肿瘤区域。
已经进行了大量研究并提出了多种用于医学图像分割的技术。其中,活动轮廓模型(ACM)是最成功的方法之一,该方法因为其演化过程与处理的结果是一条清晰完整的目标轮廓曲线,而成为当前研究的热点对象。ACM的基本概念是在某些限制的条件下演进曲线以提取期望的目标。根据限制的性质,现有的ACM可被分类为两种类型:基于边缘的模型和基于区域的模型。基于边缘的模型的基本思想是先检测图像中的边缘点,然后按一定的策略连接成轮廓,从而构成分割区域。基于区域的分割方法直接在图像空间域中所划分的区域满足同性质为准则,提取若干特征相近或相同的像素点组成区域。
现有技术中已经提出了多种使用ACM技术的图像分割方法。Paragios和Deriche在“Geodesic active regions:A new framework to deal with framepartition problems in computer vision.International Journal Compute Vision 46(3),223-247(2002)”中提出了一种将基于边缘的能量和基于区域的能量相加来创建节点能量并使能量函数最小化的方法。在“A novel active contour modelusing local and global statistics for vessel extraction.Proc.Engineering inMedicine and Biology Society,3126-3129(2006)”和“Vessel extraction undernon-unifom illumination:A level set approach.IEEE Transactions on BiomedicalEngineering 55(1),358-360(2008)”中,Sum和Cheung使用了相似的方法并基于图像对比度来最小化基于全局区域的能量和局部能量。在“An efficient localChan-Vese model for image segmentation.Pattern Recognition 43(3),603-618”中,Wang等人定义了一种包括全局项、局部项和正则项的能量函数,该方法利用局部相邻平均强度与其相应的灰度值之间的差作为局部项来避免图像同类化。以上这些工作均关注的是基于分段常数的CV(Chan-Vese)模型的局部化能量。然而,以上这些方法对于曲线初始化非常敏感,并且容易陷入局部极小。这是因为,这些方法对于演进曲线上的点使用相同的能量函数。由于曲线上的点通常具有不同的灰度值和相邻关系,因此,使用相同的能量函数来得到演进曲线并不合适。
发明内容
本发明的目的在于提供一种图像分割方法和装置,能够根据演进曲线上的点的不同性质来构造不同的能量函数,避免初始化的敏感性和局部极小的出现,从而实现更精确的图像分割。
根据本发明的一方面,提供了一种图像分割方法,包括:(a)从图像中检测感兴趣目标的初始轮廓;(b)根据对比度特性对初始轮廓上的点进行分类;(c)为不同种类的点构造不同的能量函数模型,基于构造的能量函数模型计算用于图像分割的曲线的演进函数,并根据演进函数在图像中移动水平集曲线;(d)确定移动后的水平集曲线是否已经收敛,如果确定水平集曲线已经收敛,则将移动后的水平集曲线输出为图像分割的结果,如果确定移动后的水平集曲线没有收敛,则以移动后的水平集曲线的作为初始轮廓,再次执行步骤(b)和步骤(c),直到得到收敛的水平集曲线为止。
根据本发明的一方面,在步骤(a)通过可变形部分模型DPM来检测初始轮廓。
根据本发明的一方面,在步骤(b)中,根据局部符号压力函数LSPF将初始轮廓上的点分类为高对比度类型的点和低对比度类型的点,
其中,LSPF函数的定义如下: x∈Ω,
u=∫Cc1(x)dx/∫Cdx v=∫Cc2(x)dx/∫Cdx,
其中,I表示在区域Ω上限定的给定图像,x表示图像中的点,u和v分别表示局部内部平均强度和局部外部平均强度,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,C表示作为初始轮廓的符号距离函数φ的零水平集的闭合曲线,y表示中心为x、半径为r的圆范围内的点,B(x,y)表示覆盖的局部区域,其中,当初始轮廓上的点的局部区域B(x,y)内的LSPF值大于0的点的数量Npos(x)和小于0的点的数量之间的比率min(Npos(x),Nneg(x))/max(Npos(x)满足min(Npos(x),Nneg(x))/max(Npos(x)<阈值τ,则将该点x确定为高对比度类型的点,反之,如果min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))大于或等于τ,则认为该点是低对比度类型的点。
根据本发明的一方面,在步骤(c),为高对比度类型的点构建的能量函数定义为E1(φ)=∫C\Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx,为低对比度类型的点构建的能量函数定义为E2(φ)=∫Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx+α∫Aδφ(x)F(I(x),φ(x))dx,其中,C\A表示初始轮廓上的高对比度类型的点,A表示初始轮廓上的低对比度类型的点,F表示基于区域的图像分割能量函数,最终的能量函数模型定义为:
根据本发明的一方面,在步骤(c),F是Chan-Vese模型函数,最终的曲线演进函数的定义如下:
其中,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部,平均强度,cin和cout分别表示全局内部平均和全局外部平均,其定义如下:
根据本发明的另一方面,还提供了一种图像分割装置,包括:目标轮廓检测单元,从图像中检测初始轮廓;点分类单元,根据对比度特性对初始轮廓上的点进行分类;曲线演进单元,通过为不同类型的点构造不同的能量函数来构建能量函数模型,基于构造的能量函数模型得到曲线演进函数,并根据曲线演进函数移动水平集曲线;结果输出单元,判断移动后的水平集曲线是否收敛,并输出图像分割的结果,其中,如果确定移动后的水平集曲线已经收敛,则将移动后的水平集曲线作为图像分割的结果输出,如果结果输出单元确定水平集曲线没有收敛,则通知点分类单元和曲线演进单元以移动后的水平集曲线的作为初始轮廓,再次执行操作,直到得到收敛的水平集曲线为止。
根据本发明的另一方面,目标轮廓检测单元通过可变形部分模型DPM来检测初始轮廓。
根据本发明的另一方面,点分类单元根据局部符号压力函数LSPF将初始轮廓上的点分类为高对比度类型的点和低对比度类型的点,其中,LSPF函数的定义如下:
u=∫Cc1(x)dx/∫Cdx v=∫Cc2(x)dx/∫Cdx,
其中,I表示在区域Ω上限定的给定图像,x表示图像中的点,u和v分别表示局部内部平均强度和局部外部平均强度,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,C表示作为初始轮廓的符号距离函数φ的零水平集的闭合曲线,y表示中心为x、半径为r的圆范围内的点,B(x,y)表示覆盖的局部区域,其中,当初始轮廓上的点的局部区域B(x,y)内的LSPF值大于0的点的数量Npos(x)和小于0的点的数量之间的比率min(Npos(x),Nneg(x))/max(Npos(x)满足min(Npos(x),Nneg(x))/max(Npos(x)<阈值τ,则将该点x确定为高对比度类型的点,反之,如果min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))大于或等于τ,则认为该点是低对比度类型的点。
根据本发明的另一方面,曲线演进单元为高对比度类型的点构建的能量函数定义为:E1(φ)=∫C\Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx,为低对比度类型的点构建的能量函数定义为E2(φ)=∫Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx+α∫Aδφ(x)F(I(x),φ(x))dx,其中,C\A表示初始轮廓上的高对比度类型的点,A表示初始轮廓上的低对比度类型的点,F表示基于区域的图像分割能量函数,最终的能量函数模型定义为:
根据本发明的另一方面,F是Chan-Vese模型函数,最终的曲线演进函数的定义如下:
其中,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部,平均强度,cin和cout分别表示全局内部平均和全局外部平均,其定义如下:
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1是示出根据本发明的图像分割方法应用于超声波图像的示意图;
图2是示出根据本发明实施例的图像分割方法的流程图;
图3是示出根据本发明实施例的图像分割方法所采用的局部符号压力函数(LSPF)应用于超声波图像的示意图;
图4是示出根据本发明实施例的图像分割方法的实验结果示意图;
图5是根据本发明实施例的图像分割装置的框图。
具体实施方式
图1是示出根据本发明的图像分割方法应用于超声波图像的示意图。在本申请中,以超声波图像作为图像分割应用对象来进行说明。应理解,本发明不限于应用于超声波图像。
如图1(a)所示,首先获得作为待检测对象的源图像。源图像中的颜色较深的部分即为根据本发明的图像分割方法想要分割的区域。接下来,在图像检测中获得粗略的检测结果。这里,可采用现有技术中的学习方法,例如基于可变形部分模型(DPM)的方法来得到感兴趣目标的初始轮廓。如图1(b)所示,图中的矩形框表示检测到的目标的初始轮廓。接下来,在初始轮廓的基础上进行图像分割(图1(c)),从而得到最终的图像分割结果(图1(d))。
下面将参照图2的流程图来详细说明根据本发明的图像分割方法。
如图2所示,根据本发明的图像分割方法包括:
在S101,在图像中检测感兴趣的区域以得到初始轮廓。可通过在图像中初始化零水平集曲线来得到初始轮廓。根据本发明的一个实施例,可通过使用基于可变形部分模型(DPM)的方法来得到初始轮廓。
接下来,在S102,根据初始轮廓上的点的对比度特性进行分类。令I表示在区域Ω上限定的给定图像,并且C表示符号距离函数φ的零水平集的闭合曲线,则C={x∈Ω:φ(x)=0},曲线C的内部可表示为inside(C)={x∈Ω:φ(x)>0},曲线C的外部可表示为outside(C)={x∈Ω:φ(x)<0}。使用Heaviside函数H进行正则化,则曲线C的内部区域可表示为Hφ(x),外部区域可表示为(1-Hφ(x))。在本发明的实施例中,提出了一种局部符号压力函数(LSPF)来将曲线C上的点分为局部低对比度类型和局部高对比度类型。这样,可以针对两种不同类型的点构造不同的能量限制。对于低对比度类型的点,构建全局能量与局部能量组合的模型来演进水平集曲线,从而可以避免初始化的敏感性。而对于高对比度类型的点,由于其具有高的灰度对比值,因此可构造基于局部区域的能量限制以使其收敛。
这里,根据本发明的LSPF函数可定义为如下的等式(1):
在该等式中,u和v分别表示局部内部平均强度和局部外部平均强度,分别在等式(2)中对u和v进行了定义。c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,分别在等式(3)中限定。在给定了初始曲线C和局部半径r的情况下,B(x,y)用于覆盖局部区域,其中,x是曲线C上的点,y表示中心位于x的半径为r的圆范围内的点。
u=∫Cc1(x)dx/∫Cdx v=∫Cc2(x)dx/∫Cdx (2)
可以看出,LSPF的值在[-1,1]之间。如果点x的强度小于(u+v)/2,则LSPF的值将会小于零。否则,如果点x的强度大于(u+v)/2,则LSPF的值将大于零。可以看出,根据本发明的LSPF函数在目标的边界附近具有相反的符号。对于每个点x,统计其邻近区域B(x,y)内的点的LSPF值的符号的类型的数量,符号为正的数量表示为Npos(x),符号为负的数量表示为Nneg(x)。如果比率min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))小于给定的阈值τ,则将该点x认为是局部高对比度类型的点,反之,如果min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))大于或等于阈值τ,则认为该点是低对比度类型的点。
接下来,在S103,为不同种类的点构造不同的能量函数模型,基于构造的能量函数模型计算用于图像分割的曲线的演进函数,并根据演进函数在图像中移动水平集曲线。
具体地,在步骤S102已经根据LSPF函数将初始轮廓上的点分类为局部高对比度类型C\A和局部低对比度类型A。高对比度类型的点表示其局部内部区域和局部外部区域之间存在高强度对比。在这种情况下,基于局部化区域的方法可使得曲线收敛。基于局部化区域的方法沿着曲线计算高对比度类型的每个点的局部能量。为了优化这些局部能量,单独考虑每个点并通过演进曲线来将局部邻近区域分为局部内部区域和局部外部区域。这样,通过最小化以下的能量函数(4)来表达基于局部化区域的模型:
E1(φ)=∫C\Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx (4)
这里,F可以是任何现有的基于区域的图像分割能量函数,例如,可以是CV(Chan-Vese)模型函数。
对于低对比度类型A的点,可将基于全局区域的能量与基于局部区域的能量组合来演进水平集曲线,从而避免曲线陷入局部最小化。根据本发明,可通过以下的等式(5)来表达对于低对比度类型A的点的能量函数:
E2(φ)=∫Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx+α∫Aδφ(x)F(I(x),φ(x))dx (5)
其中,等式(5)中的第一项是局部项,而第二项是全局项。
将以上的两个子模型相加并添加正则项以惩罚曲线长度,从而可得到最终的能量模型函数,如以下的等式(6)所示:
在等式(6)中,F是能量函数并且几乎所有基于区域的分割方法的能量函数均可作为F的函数,α和β是权重值。例如,可采用CV模型。以下将以CV模型作为示例进行说明。CV模型是Munford-Shah问题中的特例,可通过最小化以下的等式(7)来表达CV模型:
FCV=λ1∫inside(C)|I(x)-c1|2dx+λ2∫outside(C)|I(x)-c2|2dx (7)
这里,λ1和λ2是实验参数。通过将CV能量函数引入等式(6),可得到如下的等式(8)的能量函数:
其中,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,cin和cout分别表示全局内部平均和全局外部平均,其定义如下:
结合等式(8)和(9),得到最终的曲线演进函数(10):
在步骤S104,判断移动后的水平集曲线是否已经收敛。
如果在步骤S104确定水平集曲线已经收敛,则表示已经获得了图像分割的最终结果,并在步骤S105输出图像分割的结果。如果在步骤S104确定水平集曲线没有收敛,则以移动后的水平集曲线的作为初始轮廓,再次执行步骤S102~S104,直到得到收敛的水平集曲线为止。
下面将参照图3来说明根据本发明实施例的局部符号压力函数应用于超声波图像来对初始轮廓上的点分类的结果示意图。图3(a)和图3(c)是作为源图像的超声波图像。图3(b)和图3(d)分别是图3(a)和图3(c)的LSPF分类图像,其中,图3(b)和图3(d)中的白色区域表示LSPF值大于零的区域,黑色区域表示LSPF值小于零的区域。而图3(b)和图3(d)中的矩形框(即,初始轮廓C)与白色区域重合的部分即局部低对比度类型的点,与黑色区域重合的部分即局部高对比度类型的点。
图4示出了根据本发明实施例的图像分割方法和现有技术的图像分割方法的实验结果对比。
图4中的第一行的图像是根据S.Lankton,A.Tannenbaum在“Localizingregion-based active contours.IEEE Trans.Image Process 17(11),2029-2039(2008)”中提出的方法的分割结果,第二行的图像是根据本发明的图像分割方法得到的图像分割结果。图4中的矩形方框附近存在待分割的目标,即,肿瘤疑似区域。可以看出,根据本发明的图像分割方法可以得到更接近于实际更精确的分割结果。
图5是示出根据本发明实施例的图像分割装置的框图。
如图5所示,根据本发明实施例的图像分割装置200包括目标轮廓检测单元210、点分类单元220、曲线演进单元230和结果输出单元240。
目标轮廓检测单元210用于从源图像中检测初始轮廓。目标轮廓检测单元210可通过在图像中初始化零水平集曲线来得到初始轮廓。根据本发明的一个实施例,可通过使用基于DPM方法来得到初始轮廓。
点分类单元220根据对比度特性对初始轮廓上的点进行分类。具体的分类过程已经在以上进行了详细描述。
曲线演进单元230通过为不同类型的点构造不同的能量函数来构建能量函数模型,基于构造的能量函数模型得到曲线演进函数,并根据曲线演进函数移动水平集曲线。
结果输出单元240判断移动后的水平集曲线是否收敛,并输出图像分割的结果。如果确定移动后的水平集曲线已经收敛,则将移动后的水平集曲线作为图像分割的结果输出。如果结果输出单元确定水平集曲线没有收敛,则通知点分类单元220和曲线演进单元230以移动后的水平集曲线的作为初始轮廓,再次执行操作,直到得到收敛的水平集曲线为止。
应理解,根据本发明的图像分割装置中的各个模块可以根据实际需要而进行进一步的划分或合并。
根据本发明的图像分割方法,能够避免初始化的敏感性和局部极小的出现,实现更精确的图像分割,从而提高对于图像中的特定目标区域的检测的准确度。
根据本发明的图像分割方法可被记录在包括执行由计算机实现的各种操作的程序指令的计算机可读介质中。介质也可以只包括程序指令或者包括与程序指令相结合的数据文件、数据结构等。计算机可读介质的例子包括磁介质(例如硬盘、软盘和磁带);光学介质(例如CD-ROM和DVD);磁光介质(例如,光盘);以及特别配制用于存储并执行程序指令的硬件装置(例如,只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。介质也可以是包括传输规定程序指令、数据结构等的信号的载波的传输介质(例如光学线或金属线、波导等)。程序指令的例子包括例如由编译器产生的机器码和包含可使用解释器由计算机执行的高级代码的文件。
尽管已经参照本发明的示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离由权利要求限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (10)
1.一种图像分割方法,包括:
(a)从图像中检测感兴趣目标的初始轮廓;
(b)根据对比度特性对初始轮廓上的点进行分类;
(c)为不同种类的点构造不同的能量函数模型,基于构造的能量函数模型计算用于图像分割的曲线的演进函数,并根据演进函数在图像中移动水平集曲线;
(d)确定移动后的水平集曲线是否已经收敛,如果确定水平集曲线已经收敛,则将移动后的水平集曲线输出为图像分割的结果,如果确定移动后的水平集曲线没有收敛,则以移动后的水平集曲线的作为初始轮廓,再次执行步骤(b)和步骤(c),直到得到收敛的水平集曲线为止。
2.如权利要求1所述的图像分割方法,其中,在步骤(a)通过可变形部分模型DPM来检测初始轮廓。
3.如权利要求1所述的图像分割方法,在步骤(b)中,根据局部符号压力函数LSPF将初始轮廓上的点分类为高对比度类型的点和低对比度类型的点,
其中,LSPF函数的定义如下:
u=∫Cc1(x)dx/∫Cdx v=∫Cc2(x)dx/∫Cdx,
其中,I表示在区域Ω上限定的给定图像,x表示图像中的点,u和v分别表示局部内部平均强度和局部外部平均强度,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,C表示作为初始轮廓的符号距离函数φ的零水平集的闭合曲线,y表示中心为x、半径为r的圆范围内的点,B(x,y)表示覆盖的局部区域,
其中,当初始轮廓上的点的局部区域B(x,y)内的LSPF值大于0的点的数量Npos(x)和小于0的点的数量之间的比率min(Npos(x),Nneg(x))/max(Npos(x)满足min(Npos(x),Nneg(x))/max(Npos(x)<阈值τ,则将该点x确定为高对比度类型的点,反之,如果min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))大于或等于τ,则认为该点是低对比度类型的点。
4.如权利要求3所述的图像分割方法,在步骤(c),为高对比度类型的点构建的能量函数定义为E1(φ)=∫C\Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx,为低对比度类型的点构建的能量函数定义为E2(φ)=∫Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx+α∫Aδφ(x)F(I(x),φ(x))dx,
其中,C\A表示初始轮廓上的高对比度类型的点,A表示初始轮廓上的低对比度类型的点,F表示基于区域的图像分割能量函数,
最终的能量函数模型定义为:
其中,α和β是权重值。
5.如权利要求4所述的图像分割方法,其中,在步骤(c),F是Chan-Vese模型函数,最终的曲线演进函数的定义如下:
其中,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,cin和cout分别表示全局内部平均和全局外部平均,其定义如下:
6.一种图像分割装置,包括:
目标轮廓检测单元,从图像中检测初始轮廓;
点分类单元,根据对比度特性对初始轮廓上的点进行分类;
曲线演进单元,通过为不同类型的点构造不同的能量函数来构建能量函数模型,基于构造的能量函数模型得到曲线演进函数,并根据曲线演进函数移动水平集曲线;
结果输出单元,判断移动后的水平集曲线是否收敛,并输出图像分割的结果,
其中,如果确定移动后的水平集曲线已经收敛,则将移动后的水平集曲线作为图像分割的结果输出,如果结果输出单元确定水平集曲线没有收敛,则通知点分类单元和曲线演进单元以移动后的水平集曲线的作为初始轮廓,再次执行操作,直到得到收敛的水平集曲线为止。
7.如权利要求6所述的图像分割装置,其中,目标轮廓检测单元通过可变形部分模型DPM来检测初始轮廓。
8.如权利要求6所述的图像分割装置,点分类单元根据局部符号压力函数LSPF将初始轮廓上的点分类为高对比度类型的点和低对比度类型的点,
其中,LSPF函数的定义如下:
u=∫Cc1(x)dx/∫Cdx v=∫Cc2(x)dx/∫Cdx,
其中,I表示在区域Ω上限定的给定图像,x表示图像中的点,u和v分别表示局部内部平均强度和局部外部平均强度,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,C表示作为初始轮廓的符号距离函数φ的零水平集的闭合曲线,y表示中心为x、半径为r的圆范围内的点,B(x,y)表示覆盖的局部区域,
其中,当初始轮廓上的点的局部区域B(x,y)内的LSPF值大于0的点的数量Npos(x)和小于0的点的数量之间的比率min(Npos(x),Nneg(x))/max(Npos(x)满足min(Npos(x),Nneg(x))/max(Npos(x)<阈值τ,则将该点x确定为高对比度类型的点,反之,如果min(Npos(x),Nneg(x))/max(Npos(x),Nneg(x))大于或等于τ,则认为该点是低对比度类型的点。
9.如权利要求8所述的图像分割装置,其中,曲线演进单元为高对比度类型的点构建的能量函数定义为E1(φ)=∫C\Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx,为低对比度类型的点构建的能量函数定义为E2(φ)=∫Aδφ(x)∫ΩB(x,y)F(I(y),φ(y))dydx+α∫Aεφ(x)F(I(x),φ(x))dx,
其中,C/A表示初始轮廓上的高对比度类型的点,A表示初始轮廓上的低对比度类型的点,F表示基于区域的图像分割能量函数,
最终的能量函数模型定义为:
其中,α和β是权重值。
10.如权利要求9所述的图像分割装置,其中,F是Chan-Vese模型函数,最终的曲线演进函数的定义如下:
其中,c1(x)和c2(x)分别表示在每个点附近的局部内部平均强度和局部外部平均强度,cin和cout分别表示全局内部平均和全局外部平均,其定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210477833.8A CN103839248B (zh) | 2012-11-22 | 2012-11-22 | 图像分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210477833.8A CN103839248B (zh) | 2012-11-22 | 2012-11-22 | 图像分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839248A true CN103839248A (zh) | 2014-06-04 |
CN103839248B CN103839248B (zh) | 2018-03-27 |
Family
ID=50802718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210477833.8A Expired - Fee Related CN103839248B (zh) | 2012-11-22 | 2012-11-22 | 图像分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839248B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462974A (zh) * | 2014-06-12 | 2017-02-22 | 皇家飞利浦有限公司 | 用于分割图像的参数优化 |
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN111441137A (zh) * | 2020-03-30 | 2020-07-24 | 福建屹立智能化科技有限公司 | 一种贾卡提花机智能断纱停车控制方法及贾卡提花机 |
CN113425319A (zh) * | 2020-03-08 | 2021-09-24 | 广东毓秀科技有限公司 | 面向基层医疗机构的呼吸系统疾病智能辅助诊断决策方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
CN101833757A (zh) * | 2009-03-11 | 2010-09-15 | 深圳迈瑞生物医疗电子股份有限公司 | 血管图像组织结构的边缘检测及血管内膜检测方法和系统 |
CN102354396A (zh) * | 2011-09-23 | 2012-02-15 | 清华大学深圳研究生院 | 基于水平集函数的灰度不均匀图像分割方法 |
CN102682449A (zh) * | 2012-04-25 | 2012-09-19 | 中国人民解放军军事医学科学院卫生装备研究所 | 软组织核磁图像自适应外力水平集自动分割及实现方法 |
-
2012
- 2012-11-22 CN CN201210477833.8A patent/CN103839248B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
CN101833757A (zh) * | 2009-03-11 | 2010-09-15 | 深圳迈瑞生物医疗电子股份有限公司 | 血管图像组织结构的边缘检测及血管内膜检测方法和系统 |
CN102354396A (zh) * | 2011-09-23 | 2012-02-15 | 清华大学深圳研究生院 | 基于水平集函数的灰度不均匀图像分割方法 |
CN102682449A (zh) * | 2012-04-25 | 2012-09-19 | 中国人民解放军军事医学科学院卫生装备研究所 | 软组织核磁图像自适应外力水平集自动分割及实现方法 |
Non-Patent Citations (3)
Title |
---|
ETHAN S. BROWN 等: "Completely Convex Formulation of the Chan-Vese Image Segmentation Model", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
XIAO-FENG WANG 等: "An efficient local Chan-Vese model for image segmentation", 《PATTERN RECOGNITION》 * |
付增良 等: "基于水平集的医学图像快速分割方法", 《计算机工程与设计》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462974A (zh) * | 2014-06-12 | 2017-02-22 | 皇家飞利浦有限公司 | 用于分割图像的参数优化 |
CN106462974B (zh) * | 2014-06-12 | 2020-07-28 | 皇家飞利浦有限公司 | 用于分割图像的参数优化 |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN108242057B (zh) * | 2017-09-22 | 2020-04-07 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN107657279B (zh) * | 2017-09-26 | 2020-10-09 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
WO2020252900A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110390667B (zh) * | 2019-06-18 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN113425319A (zh) * | 2020-03-08 | 2021-09-24 | 广东毓秀科技有限公司 | 面向基层医疗机构的呼吸系统疾病智能辅助诊断决策方法 |
CN111441137A (zh) * | 2020-03-30 | 2020-07-24 | 福建屹立智能化科技有限公司 | 一种贾卡提花机智能断纱停车控制方法及贾卡提花机 |
Also Published As
Publication number | Publication date |
---|---|
CN103839248B (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alshehhi et al. | Hierarchical graph-based segmentation for extracting road networks from high-resolution satellite images | |
Hoang et al. | Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms | |
CN106570453B (zh) | 用于行人检测的方法、装置和系统 | |
Tissainayagam et al. | Object tracking in image sequences using point features | |
Zhang et al. | Hybrid region merging method for segmentation of high-resolution remote sensing images | |
Khoshelham et al. | Performance evaluation of automated approaches to building detection in multi-source aerial data | |
Niu | A semi-automatic framework for highway extraction and vehicle detection based on a geometric deformable model | |
CN102592268B (zh) | 一种分割前景图像的方法 | |
CN103839248A (zh) | 图像分割方法和装置 | |
CN101800890B (zh) | 一种高速公路监控场景下多车辆视频跟踪方法 | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN111191570B (zh) | 图像识别方法和装置 | |
Rani et al. | Object detection and recognition using contour based edge detection and fast R-CNN | |
EP3140781B1 (en) | A real- time, semi-automatic method for target tracking window initialization in thermal imagery | |
CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
Xing et al. | Traffic sign recognition using guided image filtering | |
CN112488999A (zh) | 一种图像中小目标检测方法、系统、存储介质及终端 | |
Boumediene et al. | Triangular traffic signs detection based on RSLD algorithm | |
Chen et al. | Vessel attachment nodule segmentation using integrated active contour model based on fuzzy speed function and shape–intensity joint Bhattacharya distance | |
Chang et al. | Segmentation of heterogeneous blob objects through voting and level set formulation | |
Zhou et al. | Large-scale road extraction from high-resolution remote sensing images based on a weakly-supervised structural and orientational consistency constraint network | |
Wen et al. | Review of research on the instance segmentation of cell images | |
Chen et al. | Underwater sonar image segmentation combining pixel-level and region-level information | |
Li et al. | 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery | |
CN111008630A (zh) | 一种基于弱监督学习的目标定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180327 Termination date: 20211122 |
|
CF01 | Termination of patent right due to non-payment of annual fee |