CN104809740A - 基于svm与弹性区域生长的膝软骨图像自动分割方法 - Google Patents

Abstract

本发明公开一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，首先采用自适应Canny边缘检测算法提取图像主要边缘；再对边缘提取多个图像特征，结合支持向量机算法对边缘进行分类，完成软骨边缘定位；接着在软骨边缘的基础上进行种子点及软骨像素区域的选择；之后基于选择的结果采用弹性区域生长进行初步软骨分割；最终获得膝软骨分割结果。实验结果表明，该方法能够准确、快速的自动分割出膝关节MRI中不同的膝软骨，其中股软骨、胫软骨、髌软骨平均DSC分别可达0.8543、0.8280、0.8703，与手工分割结果具有较高的一致性，能够有效克服传统分割方法的结果过分割或分割不准确等缺点。

Description

基于SVM与弹性区域生长的膝软骨图像自动分割方法

技术领域

本发明涉及图像处理技术，尤其涉及一种基于SVM(SupportVector Machine,支持向量机)和弹性区域生长的膝软骨图像自动分割方法。

背景技术

膝关节是人体全身关节中结构最为复杂又是最易受损伤的关节，其常见病症有关节炎，骨肿瘤等，而这些病症常伴随关节软骨的退化、破坏及形态改变，因此骨关节病的早期诊断非常重要。核磁共振成像作为一种无创的检查方式，已成为评估软骨形态、功能的主要手段。通过MRI成像对关节软骨进行分割进而计算其厚度、体积等参数，可实现软骨的定量评估，为临床医学提供有力的诊断依据，从而采取早期的预防措施和制定后期的治疗方案。目前临床上对软骨组织的分割主要依靠影像医师手动分割或借助图像处理软件半自动完成，不仅耗时长，而且不同人、不同时间的分割结果存在较大差异，因此有必要设计一种准确、快速的全自动膝关节软骨分割算法。

由于MRI膝盖软骨图像本身的形态、纹理均较为复杂，其中髌软骨、股软骨和胫软骨的一侧分别与髌骨、股骨和胫骨相连，两者之间有较为明显的灰度差异，但另外一侧髌软骨和股软骨相连，股软骨和胫软骨相连以及与半月板和韧带相连，其灰度与周边灰度相似，且软骨细长而扁平，分割过程中易受周围复杂纹理形态的影响。并且由于图像序列之间软骨的差异性，导致鲁棒性不好，因此将其软骨分割出来较为困难。

近年来国内外一些学者对膝盖软骨的分割算法主要有Snake模型、Level Set、区域生长法、边缘检测法等，对膝盖软骨的分割取得了一定的效果。但是这些算法研究也有一些局限性：首先，算法需要初始化轮廓且要求很高，每张序列图像中不同形态的软骨都需要大致表征目标轮廓，否则导致过早收敛使分割结果不理想。其次，算法均是对单张医学图像进行分割，对于不同人的不同图像序列分割不稳定。最后，区域生长法在待分割区域内部寻找种子点向周围分割，表征的是内部相似特性，而边缘检测是对区域之间的差异进行划分，表征的是外部差异特性。传统的边缘检测法和区域生长法存在两个问题：

1、由于膝关节图像纹理和形态的复杂性，受到许多非软骨边缘的干扰，传统的边缘检测法检测出的边缘存在许多伪边缘，即使有学者提出利用SVM进行边缘分类，但往往因为选择的特征参数有限，只能识别出软骨边缘与非软骨边缘，未对股骨-软骨、胫骨-软骨以及髌骨-软骨作进一步的细分。

2、传统的区域生长法根据相似准则，与领域相似的像素值进行比较，其阈值的设定通常采用固定值，由于不同人的不同序列图像之间存在灰度的差异，会导致过分割或者欠分割。

发明内容

针对上述问题，本发明的目的在于提出一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，通过增加特征参数，利用SVM分类识别来解决边缘检测时的伪边缘问题，同时将提取出的边缘线准确的划分为股骨-软骨边缘、胫骨-软骨边缘以及髌骨-软骨边缘，从而根据人体结构学特征进行区别对待，此外，利用自动选取种子点并结合弹性区域生长法对软骨图像进行自动分割，提高膝盖软骨图像分割的准确度。具体技术方案如下：

一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，其关键在于按照以下步骤进行：

步骤1：将膝关节MRI影像转换为灰度图像并进行高斯滤波；

步骤2：利用自适应Canny边缘检测算法检测出5～10条边缘线；

步骤3：对步骤2中检测出的各条边缘进行特征提取，提取的特征包括边缘局部信息特征、边缘几何学信息特征以及边缘邻近体素之间的信息特征，每条边缘线的特征参数为15～20维；

步骤4：构建SVM分类器对提取的特征参数进行边缘分类，识别出股骨边缘、胫骨边缘、髌骨边缘以及非骨边缘；

步骤5：根据各个骨头的位置关系和距离关系去除虚假边缘，从而得到股骨-软骨边缘，胫骨-软骨边缘以及髌骨-软骨边缘；

步骤6：分别选择股骨-软骨边缘下侧，胫骨-软骨边缘上侧以及髌骨-软骨边缘右侧的20个像素点进行梯度幅值计算，然后选择梯度幅值与方差趋于0的最大连通区域作为候选区域，从而得到股软骨种子点候选区域、胫软骨种子点候选区域以及髌软骨种子点候选区域；

步骤7：在所述股软骨种子点候选区域随机选择m₁个种子点，在所述股骨-软骨边缘与所述股软骨种子点候选区域之间随机选择n₁个种子点，共同组成股软骨种子点；在所述胫软骨种子点候选区域随机选择m₂个种子点，在所述胫骨-软骨边缘与所述胫软骨种子点候选区域之间随机选择n₂个种子点，共同组成胫软骨种子点；在所述髌软骨种子点候选区域随机选择m₃个种子点，在所述髌骨-软骨边缘与所述髌软骨种子点候选区域之间随机选择n₃个种子点，共同组成髌软骨种子点；

步骤8：分别以相应的种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：|f_xy-m|_(x,y∈R)＜K，其中f_xy表示坐标位置为(x,y)的点的像素值，R表示生长区域种子点3*3邻域内各个点的坐标集合，m为生长区域所有种子点的像素均值，K为生长区域所有种子点的像素标准差；

如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤9；

如果没有非种子点满足相似性准则，则进入步骤10；

步骤9：更新生长区域所有种子点的像素均值m和像素标准差K，然后返回步骤8；

步骤10：结束生长并判断是否存在重叠种子点，通过欧式距离将重叠种子点归类，最终分割得到股软骨、胫软骨与髌软骨图像。

作为进一步描述，步骤4中构建SVM分类器采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×20]的特征矩阵，其中N为步骤2所检测出的边缘线的条数，每一行中的20个元素分别为一条边缘线所对应的20个特征参数。

再进一步描述，步骤3中每条边缘线提取的特征参数为：

(1)边缘线上像素点X坐标平均值

(2)边缘线上像素点Y坐标平均值

(3)边缘线上像素点X坐标的方差

(4)边缘线上像素点Y坐标的方差

(5)边缘线上像素点平均灰度值

(6)边缘线上像素点的梯度值均值

(7)边缘线上像素点的灰度值方差

(8)边缘线上5*5邻域像素点的平均灰度值

(9)边缘线上5*5领域像素点的方差均值

(10)边缘线上5*5邻域像素点的灰度值方差

(11)水平投影w＝max(x)-min(x)；

(12)垂直投影h＝max(y)-min(x)；

(13)左侧边缘像素数 $\mathrm{numleft}=\underset{x,y\&Subset;L}{\mathrm{\&Sigma;}}(A(y,:)<A(y,x));$

(14)右侧边缘像素数 $\mathrm{numright}=\underset{x,y\&Subset;L}{\mathrm{\&Sigma;}}(A(y,:)>A(y,x));$

(15)开口方向opendirect＝max(T_up,T_down,T_colliner)；

(16)旋转角度angle＝abs(angle₁-angle_end)；

(17)每条边缘线的长度n；

(18)旋转方向

(19)水平像素数numhori＝Freeman(1)+Freeman(5)；

(20)左侧边缘数 $\mathrm{ledgenum}=\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{x}}_A<\stackrel{\&OverBar;}{x};$

其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L₅为边缘线5*5邻域内像素点的坐标集合，n₅为边缘线5*5邻域内的像素点数，T_up,T_down,T_colliner分别代表开口向上，向下，共线的比率；angle₁、angle_end分别代表边缘的起始点与水平轴x的顺时针旋转的角度，Freeman(1)、Freeman(5)代表Freeman编码中方向为0和4的点的数目。

结合所选图像的分辨率，所述步骤7中随机选择种子点时所取的数目m₁＝m₂＝m₃＝n₁＝n₂＝n₃＝10。

本发明的显著效果是：

(1)本发明利用自适应Canny边缘检测来提取边缘线，高、低阈值的选取以提取出5～10条边缘线为准，从而保证了边缘检测的有效性和普适性；

(2)对每条边缘提取了15～20个特征参数，包括边缘局部信息特征、边缘几何学信息特征以及边缘邻近体素之间的信息特征，能够充分体现出不同边缘线的特性，在利用SVM进行分类识别，边缘识别率可达100％，并且能够细分出股骨-软骨边缘、胫骨-软骨边缘以及髌骨-软骨边缘，分类精度更高；

(3)在准确定位出骨-软骨边缘线后，通过自适应的选择种子点，并采用弹性区域生长法进行阈值分割，有效克服了传统分割方法过分割或欠分割的缺陷，对于不同人不同序列的关节MRI图像的适应性强，稳定性好，分割效果理想，为后续的软骨定量评估和三维重建提供了技术支撑。

附图说明

图1是本发明的方法流程图；

图2为采集的膝关节MRI原始图像；

图3为基于SVM分类出的软骨边缘。

具体实施方式

下面结合具体实施例和说明书附图对本发明作进一步说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，按照以下步骤进行：

步骤1：将膝关节MRI影像转换为灰度图像并进行高斯滤波；

本实施例所采用5名无关节病史的健康成年男性(年龄范围20-25岁)右膝关节矢状位MRI图像作为研究对象，图像使用1.5T西门子扫描仪得到，采用T2加权脂肪抑制序列(矢状切片厚度：2.5mm，FOV：160×160mm，分辨率384×384，TR：1363ms，TE：4.42ms，偏转角度：60°，层数：25左右)。T2加权脂肪抑制序列是临床上进行关节软骨检查的常用序列，能较为清晰的显示髌软骨、股软骨和胫软骨。

图2为为某受检者的关节软骨图像，从图2中可以看出，股软骨，胫软骨和髌软骨的一侧分别与股骨，胫骨和髌骨相连，两者之间有较为明显的灰度差异，但另一侧股软骨与髌软骨相连，股软骨和胫软骨与半月板、肌肉及脂肪等组织相连，其灰度相近，且软骨的形态细长而薄，在分割时很容易受到周围复杂纹理的影响。观察MRI图像可发现股骨，胫骨和髌骨的灰度与周围灰度差异较大，因此，我们首先需要提取出骨-软骨边缘，然后，在骨-软骨边缘基础上分割出软骨。然而，由于骨骼内部有噪声干扰，骨边缘灰度不均，而股软骨与髌软骨、胫软骨分别相连，此外，肌肉中的某些灰度也明显高于周围组织，综合种种原因，导致单纯的采用阈值或Canny检测的方法很难直接得到骨-软骨边缘。

步骤2：利用自适应Canny边缘检测算法检测出5～10条边缘线；

Canny算子使用两个阈值来分别检强边缘和弱边缘，而且仅当弱边缘与强边缘相连时，弱边缘才会包含在输出中。因此，该方法不容易受噪声干扰，能够检测到弱边缘。但是，传统Canny算子的高、低阈值T_h和T_l需手动设置，而膝关节MRI图像的切片层数在25层左右，手动设置T_h和T_l不仅耗时，而且单纯的以人的感官选取会存在主观性强，阈值普适性差等问题，因此本方案采用自适应Canny边缘检测算法，动态选取合适的T_h和T_l以提高后续的边缘检测效率和普适性。

在具体实施过程中，改进后的自适应Canny边缘检测算法步骤如下：

Step1：对图像进行高斯平滑，计算平滑后的图像的梯度幅值图像，并对梯度幅值图像应用非最大抑制得到新的梯度幅值图像Imgrad_NMS；

Step2：对Imgrad_NMS采用迭代算法得到全局阈值T_grad，并计算T_grad左右两个区域的均值μ_l和μ_h，以及方差σ_l和σ_h，然后按照 $\left\{\begin{array}{c}{T}_h={\mathrm{\&mu;}}_h+{\mathrm{\&lambda;}}_h\&times;{\mathrm{\&sigma;}}_h\\ T_l={\mathrm{\&mu;}}_l+{\mathrm{\&lambda;}}_l\&times;{\mathrm{\&sigma;}}_l\end{array}\right.$ 动态的设定高低阈值；

Step3：根据边缘的数目，动态的确定系数λ_h和λ_l的值，边缘过多则降低λ_h和λ_l，边缘过少则提高λ_h和λ_l，最终得到Canny算子的T_h和T_l。

在迭代过程中，先为全局阈值选择一个初始估计值T(通常为图像中最大灰度值和最小灰度值的中间值)；然后使用阈值T分割图像，此时产生两组像素：灰度值≥T的所有像素组成G₁，灰度值＜T的所有像素组成G₂；接下来计算G₁和G₂范围内像素的平均灰度值m₁和m₂；然后更新新的阈值T＝(m₁+m₂)/2；通过重复上述步骤，直到连续迭代中的T值间差小于一个预定义的参数ΔT为止，最终得到全局阈值T_grad。

在更新T_h和T_l时，先将λ_h和λ_l的初始值为1，若边缘数目小于5，则λ_h+0.1，λ_l+0.1，若边缘数目大于10，则λ_h-0.05，λ_l-0.05，最终将边缘数目限定在5到10之间。

步骤3：对步骤2中检测出的各条边缘进行特征提取，提取的特征包括边缘局部信息特征、边缘几何学信息特征以及边缘邻近体素之间的信息特征，每条边缘线的特征参数为15～20维，具体如表1所示；

表1边缘特征

      

通过分析列表中的特征参数可以看出，特征1、4及6到11代表了图像的局部信息，而特征2、3代表了邻近体素之间的信息，特征12到20代表了图像的几何学信息，因此提取的特征较为丰富，比较全面的描述了边缘的特性。

步骤4：构建SVM分类器对提取的特征参数进行边缘分类，识别出股骨边缘、胫骨边缘、髌骨边缘以及非骨边缘；

在具体实施时，构建SVM分类器采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×20]的特征矩阵，其中N为步骤2所检测出的边缘线的条数，每一行中的20个元素分别为一条边缘线所对应的20个特征参数。

本例中采用的SVM分类模型如下：

      

       $f\left(x\right)=\underset{i=1}{\overset{N_s}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{y}_{i}K(x_i,x)+b$

其中，x为测试数据，偏差^b是通过所有条件的均值计算出的，x_i代表具有最优解的向量参数，N_s为支持向量的数量。核函数采用高斯径向基核函数(RBF)，其形式如下：

       $K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\&sigma;}}^2})$

我们的目标是分割出股骨边缘，胫骨边缘和髌骨边缘及非骨边缘，属于多分类问题，在此采用一对一方法来解决该多分类问题。一对一方法是在k类问题中进行两两组合，构建k(k-1)/2个不同的决策函数，采用“投票机制”，得出最终测试样本x所属的类i当且仅当：

       $C_x=\arg \max \underset{j\&NotEqual;i,j=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{sgn}{f}_{\mathrm{ij}}\left(x\right)$

其中，j代表分类器的编号，C_x为测试数据x属于i类时的投票数，sgnf_ij(x)是符号函数，当f_ij(x)值为正数时，函数值为1；否则为0。若多个类别的投票数相同，则对投票相同的类别采用一对一的方法再次进行投票，直到无投票数相同的情况为止。

本实施例中需要将检测到的边缘分为四类：股骨边缘，胫骨边缘，髌骨边缘及非骨边缘，因此需要构造6个不同的两两分类器。本方案提取的特征分为三大类：代表图像局部信息的特征1、4及6到11，代表邻近体素之间信息的特征2、3，代表图像几何学信息的特征12到20。为了验证本发明提取的特征的有效性，分别选取不同的特征，对5个人的128幅图像进行边缘识别，特征的选取组合原则及识别准确率如表2所示。采用FV2虽然也能得到较高的识别率，但某些图像中会出现虚假边缘。而采用改进后的特征FV3，识别率达100％。然而，为了保证识别的准确性，识别完成后，还需通过步骤5进行虚假边缘检测及后处理。

表2采用不同特征的边缘识别率

      

步骤5：根据各个骨头的位置关系和距离关系去除虚假边缘，从而得到股骨-软骨边缘，胫骨-软骨边缘以及髌骨-软骨边缘；

由于初始Canny边缘检测的骨边缘中只有部分像素点为骨-软骨边缘像素点，因此需要对识别出的骨边缘进行后处理。根据先验知识，考虑各骨骼之间的位置及距离关系，来去掉虚假边缘点。后处理步骤如下：

Step1：对于股骨和髌骨粘连的情况，需要去掉非髌骨-软骨边缘的点。考虑位置的先验知识，髌骨-软骨边缘应位于股骨边缘左侧，x_p、y_p和x_f、y_f分别代表髌骨和股骨边缘像素点的X和Y的坐标。因此，需要去掉满足x_p＝x_f且y_p＞y_f条件的髌骨边缘像素点，得到准确的髌骨-软骨边缘edge_p。

Step2：对股骨边缘进行角点检测，断开角点，去掉垂直像素较多的边缘，得到准确的股骨-软骨边缘edge_f。

Step3：对于检测出的胫骨边缘，Harris角点检测检测胫骨边缘中的角点。计算每个角点左右邻域及上下邻域灰度差f_rl和f_ud的灰度差，若f_rl＞T_f且f_ud＜T_f，其中T_f为阈值，则断开该角点，并保留水平像素数较多的胫骨边缘线，得到准确的胫骨-软骨边缘。

图3所示为经过SVM分类的骨边缘及后处理得到的骨-软骨边缘后结果，其中从左到右依次为第3层、第7层以及第15层的骨-软骨识别结果，图中1代表股骨-软骨边缘，2代表胫骨-软骨边缘，3代表髌骨-软骨边缘。

步骤6：分别选择股骨-软骨边缘下侧，胫骨-软骨边缘上侧以及髌骨-软骨边缘右侧的20个像素点进行梯度幅值计算，然后选择梯度幅值与方差趋于0的最大连通区域作为候选区域，从而得到股软骨种子点候选区域、胫软骨种子点候选区域以及髌软骨种子点候选区域；

步骤7：在所述股软骨种子点候选区域随机选择m₁个种子点，在所述股骨-软骨边缘与所述股软骨种子点候选区域之间随机选择n₁个种子点，共同组成股软骨种子点；在所述胫软骨种子点候选区域随机选择m₂个种子点，在所述胫骨-软骨边缘与所述胫软骨种子点候选区域之间随机选择n₂个种子点，共同组成胫软骨种子点；在所述髌软骨种子点候选区域随机选择m₃个种子点，在所述髌骨-软骨边缘与所述髌软骨种子点候选区域之间随机选择n₃个种子点，共同组成髌软骨种子点，为了便于操作，这里随机选择种子点时所取的数目：

m₁＝m₂＝m₃＝n₁＝n₂＝n₃＝10；

步骤8：分别以相应的种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：|f_xy-m|_(x,y∈R)＜K，其中f_xy表示坐标位置为(x,y)的点的像素值，R表示生长区域种子点3*3邻域内各个点的坐标集合，m为生长区域所有种子点的像素均值，K为生长区域所有种子点的像素标准差；

如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤9；

如果没有非种子点满足相似性准则，则进入步骤10；

步骤9：更新生长区域所有种子点的像素均值m和像素标准差K，然后返回步骤8；

区域生长算法的关键在于：(1)种子点的选取。传统区域生长法的种子点多为手动选择，而膝关节MRI图像有25层左右，需手动选择25次，过于繁琐，因此本发明结合骨-软骨边缘，自动选取种子点，避免人为干扰，保证了种子点选取的稳定性。(2)相似性准则的确定。传统的区域生长准则主要是基于区域灰度差，将相似性准则定义为待生长的像素灰度值f(x,y)与整个图像区域的灰度均值m之差，而软骨区域较小，骨骼、背景等面积较大的区域又与软骨灰度差异较大，使得全局灰度均值并不能表征软骨的灰度均值。因此本发明采用生长变化的局部灰度均值m来代替全局灰度均值，同时动态的设定阈值T。(3)终止条件的确定。当不再有新的像素点进入生长区域时，算法结束。

在生长过程中，由于软骨厚度一般为1～6mm，相当于数字图像中的3～18个像素，因此将候选种子点区域限定在骨-软骨周围20个像素内。

步骤10：结束生长并判断是否存在重叠种子点，通过欧式距离将重叠种子点归类，最终分割得到股软骨、胫软骨与髌软骨图像。

由于对三块软骨进行的是分区域的区域生长，因此，区域生长的结果中可能会存在软骨重叠等状况。需要对区域生长结果进行后处理，保证软骨分割的准确性。根据解剖学知识，髌软骨右侧侧与股软骨左侧会出现重叠现象，股软骨下侧与胫软骨上侧会出现重叠现象。对于重叠部分，分别计算该区域内体素点与相应两条邻近边缘的欧氏距离，将重叠像素点判决为距离小的一类软骨。然后，对软骨结果采用形态学的闭操作，孔洞填充等操作，得到最终的软骨分类结果。

为验证本发明在实施实例中的软骨分割效果，下面以灵敏度(Sensitivity)、特异度(Specificity)、Dice相似度系数(DSC)来定量的比较本发明自动分割结果与金标准的差异。使用TP、TN、FP、FN分别表示真阳性、假阳性、真阴性、假阴性，则以上三个评价标准的表达式为：

       $\mathrm{Sensitivity}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}};\mathrm{Sepicficity}=\frac{\mathrm{TN}}{\mathrm{FP}+\mathrm{TN}};\mathrm{DSC}=\frac{2\&times;\mathrm{TP}}{2\mathrm{TP}+\mathrm{FP}+\mathrm{FN}};$

其中DSC为评价的重要指标，代表金标准与自动软骨分割结果的空间重叠指数，范围在0到1之间，1代表完全重叠，0代表无重叠。

将本方法与参考文献：Pang J,Li P Y,Qiu M,et al.AutomaticArticular Cartilage Segmentation Based on Pattern Recognition fromKnee MRI Images[J/OL].Journal of Digital Imaging,2015所提出的方法分别对5个人的128幅图像进行定量分析，结果如表3所示。从表3中可以看出，与参考文献相比，本方法的效果有明显的提高。例如，第7层中，参考未分割出的髌软骨被本方法准确分割出来。通过本方法，股软骨、胫软骨、髌软骨的平均DSC系数均达到0.8以上。

表3使用不同方法的平均DSC，特异度，敏感度比较

      

实验结果表明，本发明的分割结果较相关文献明显提高，且与手工分割金标准相近，因此显示其能够实现软骨的精确分割，为后续三维建模，计算形态参数等提供数据基础。

Claims (4)

1.一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，其特征在于按照以下步骤进行：

步骤1：将膝关节MRI影像转换为灰度图像并进行高斯滤波；

步骤2：利用自适应Canny边缘检测算法检测出5～10条边缘线；

步骤3：对步骤2中检测出的各条边缘进行特征提取，提取的特征包括边缘局部信息特征、边缘几何学信息特征以及边缘邻近体素之间的信息特征，每条边缘线的特征参数为15～20维；

步骤4：构建SVM分类器对提取的特征参数进行边缘分类，识别出股骨边缘、胫骨边缘、髌骨边缘以及非骨边缘；

步骤5：根据各个骨头的位置关系和距离关系去除虚假边缘，从而得到股骨-软骨边缘，胫骨-软骨边缘以及髌骨-软骨边缘；

步骤6：分别选择股骨-软骨边缘下侧，胫骨-软骨边缘上侧以及髌骨-软骨边缘右侧的20个像素点进行梯度幅值计算，然后选择梯度幅值与方差趋于0的最大连通区域作为候选区域，从而得到股软骨种子点候选区域、胫软骨种子点候选区域以及髌软骨种子点候选区域；

步骤7：在所述股软骨种子点候选区域随机选择m₁个种子点，在所述股骨-软骨边缘与所述股软骨种子点候选区域之间随机选择n₁个种子点，共同组成股软骨种子点；在所述胫软骨种子点候选区域随机选择m₂个种子点，在所述胫骨-软骨边缘与所述胫软骨种子点候选区域之间随机选择n₂个种子点，共同组成胫软骨种子点；在所述髌软骨种子点候选区域随机选择m₃个种子点，在所述髌骨-软骨边缘与所述髌软骨种子点候选区域之间随机选择n₃个种子点，共同组成髌软骨种子点；

步骤8：分别以相应的种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：|f_xy-m|(x，y∈R)＜K，其中f_xy表示坐标位置为(x,y)的点的像素值，R表示生长区域种子点3*3邻域内各个点的坐标集合，m为生长区域所有种子点的像素均值，K为生长区域所有种子点的像素标准差；

如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤9；

如果没有非种子点满足相似性准则，则进入步骤10；

步骤9：更新生长区域所有种子点的像素均值m和像素标准差K，然后返回步骤8；

步骤10：结束生长并判断是否存在重叠种子点，通过欧式距离将重叠种子点归类，最终分割得到股软骨、胫软骨与髌软骨图像。

2.根据权利要求1所述的基于SVM与弹性区域生长的膝软骨图像自动分割方法，其特征在于：步骤4中构建SVM分类器采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×20]的特征矩阵，其中N为步骤2所检测出的边缘线的条数，每一行中的20个元素分别为一条边缘线所对应的20个特征参数。

3.根据权利要求1或2所述的基于SVM与弹性区域生长的膝软骨图像自动分割方法，其特征在于：步骤3中每条边缘线提取的特征参数为：

(1)边缘线上像素点X坐标平均值

(2)边缘线上像素点Y坐标平均值

(3)边缘线上像素点X坐标的方差

(4)边缘线上像素点Y坐标的方差

(5)边缘线上像素点平均灰度值

(6)边缘线上像素点的梯度值均值

(7)边缘线上像素点的灰度值方差

(8)边缘线上5*5邻域像素点的平均灰度值

9)边缘线上5*5领域像素点的方差均值

(10)边缘线上5*5邻域像素点的灰度值方差

(11)水平投影w＝max(x)-min(x)；

(12)垂直投影h＝max(y)-min(x)；

(13)左侧边缘像素数 $\mathrm{numleft}=\underset{x,y\&Subset;L}{\mathrm{\&Sigma;}}(A(y,:)<A(y,x));$

(14)右侧边缘像素数 $\mathrm{numright}=\underset{x,y\&Subset;L}{\mathrm{\&Sigma;}}(A(y,:)>A(y,x));$

(15)开口方向opendirect＝max(T_up,T_down,T_colliner)；

(16)旋转角度angle＝abs(angle₁-angle_end)；

(17)每条边缘线的长度n；

(18)旋转方向

(19)水平像素数numhori＝Freeman(1)+Freeman(5)；

(20)左侧边缘数 $\mathrm{ledgenum}=\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{x}}_A<\stackrel{\&OverBar;}{x};$

其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L₅为边缘线5*5邻域内像素点的坐标集合，n₅为边缘线5*5邻域内的像素点数；T_up,T_down,T_colliner分别代表开口向上，向下，共线的比率；angle₁、angle_end分别代表边缘的起始点与水平轴x的顺时针旋转的角度，Freeman(1)、Freeman(5)代表Freeman编码中方向为0和4的点的数目。

4.根据权利要求1或2所述的基于SVM与弹性区域生长的膝软骨图像自动分割方法，其特征在于：所述步骤7中随机选择种子点时所取的数目m₁＝m₂＝m₃＝n₁＝n₂＝n₃＝10。