CN106447659B - 一种基于多重判定的区域生长检测方法 - Google Patents

一种基于多重判定的区域生长检测方法 Download PDF

Info

Publication number
CN106447659B
CN106447659B CN201610852087.4A CN201610852087A CN106447659B CN 106447659 B CN106447659 B CN 106447659B CN 201610852087 A CN201610852087 A CN 201610852087A CN 106447659 B CN106447659 B CN 106447659B
Authority
CN
China
Prior art keywords
point
growing
growth
current
current pixel
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.)
Expired - Fee Related
Application number
CN201610852087.4A
Other languages
English (en)
Other versions
CN106447659A (zh
Inventor
饶云波
范柏江
刘伟
王诗琪
潘家琪
宋佳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610852087.4A priority Critical patent/CN106447659B/zh
Publication of CN106447659A publication Critical patent/CN106447659A/zh
Application granted granted Critical
Publication of CN106447659B publication Critical patent/CN106447659B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于多重判定的区域生长检测方法，属于图像处理技术领域。本发明用于医学MRI以及CT图像等进行处理，准确的提取出所需的组织的图像。本发明首先对待检测目标图像进行手动选择初始点，选择的范围为目标范围，然后在原有的区域生长方案的基础上，将生长范围逐渐强制扩展到目标图像的全部图像数据上，优化对离散点的匹配，基于边缘检测检测离散点是否属于可生长区域；另外通过始点优化基准灰度，在生长过程中不断优化生长结果，以确保匹配到所需要的大区域图像，避免匹配到满足判断条件的干扰点。最后对生长结果进行腐蚀和膨胀处理，去除干扰点，真正从整体上优化了整个匹配过程，得到更精确的结果。

Description

一种基于多重判定的区域生长检测方法
技术领域
本发明涉及计算机数学、图形学以及数字图像处理技术，具体涉及一种基于多重判定的区域生长检测方法。
背景技术
区域生长算法(Region growing algorithm，RGA)是一种由种子元素进行扩展生长最终得到分割区域的方法。其首先在原网格数据上按照规则指定一些元素(顶点，三角面或者块，即少数连通的点、面构成的集合)作为种子，每个种子对应一个分割的初始状态，分割从种子开始生长、吸收相邻的、未被标记的、且满足生长条件的点元素，当没有新的点元素可以加入分割集合，或满足终止条件的时候停止生长过程，进而得到区域生长结果。但传统的区域生长算法忽略了在实际匹配中，需要的部分是二维图像中占比例较小的部分这一事实。另外，传统的生长判断条件只对比判断点之间的关系，而忽略了二维图片和判定点整体的联系，这导致匹配出较多的干扰点，严重影响整体效果。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种基于多重判定的区域生长检测方法，用于医学MRI以及CT图像等进行处理，准确的提取出所需的组织的图像，即目标生长结果图。
本发明的一种基于多重判定的区域生长检测方法，包括下列步骤：
步骤1：输入待检测的目标图像，从目标图像的目标区域手动选择初始点，读取初始点的图像位置，将初始点作为初始生长点，由生长点得到当前生长区域；
步骤2：基于预设扩展度，以生长区域为中心，向四周进行边界扩散，得到扩散区域，并将扩散区域作为当前检测区域，即将当前生长区域的最大X、Y坐标MaX和MaxY分别加上预设扩展度(比如1～2)，以及最小X、Y坐标MinX、MinY分别减去预设扩展度，从而得到扩散区域；
在边界扩散时，位于目标图像的边界的生长区域的边界保持不变；
步骤3：基于当前生长阈值，判定当前检测区域的每个像素点是否为生长点：
若当前像素点满足生长阈值，且与生长点相邻，即存在为生长点的相邻像素点，则无需进行边缘点检测，直接判定当前像素点为生长点；
若当前像素点满足生长阈值，且不与生长点相邻，即不存在为生长点的相邻像素点，则继检测当前像素点是否为目标图像的边缘点，若是，则当前像素点为生长点；否则，当前像素点不是生长点；
若当前像素点不满足生长阈值，且不与生长点相邻，即不存在为生长点的相邻像素点，则无需进行边缘点检测，直接判定当前像素点不是生长点；
若当前像素点不满足生长阈值，且与生长点相邻，即存在为生长点的相邻像素点，则继检测当前像素点是否为目标图像的边缘点，若是，则当前像素点为生长点；否则，当前像素点不是生长点；
其中，满足生长阈值是指基准灰度PJ与当前像素点的灰度值的差值在预设范围内，且生长阈值PJ的初始值为初始生长点的灰度值；
步骤4：将当前检测区域中的生长点加入到生长区域中，得到更新后的生长区域；
判断当前生长区域的边界是否均位于目标图像的边界，若是，则执行步骤6；否则执行步骤5：
步骤5：更新基准灰度PJ，并继续执行步骤2；
其中更新基准灰度PJ的更新为：计算当前检测区域中的生长点的平均灰度值PN，基于当前基准灰度PJ得到更新后的基准灰度：其中K为预设加权系数。通过大量实验，得到K的优选值为0.25，从而在缩减本发明整体运算时间的同时达到较好的效果。
步骤6：基于目标图像的生长区域和非生长区域，进行二值化区分，得到生长结果图并输出。
本发明通过边缘检测算法和扩展式的区域生长算法的有机结合，对图像进行了全面而准确的生长匹配。本发明对需要判断的点的灰度和位置信息进行了精细的判断和处理，以保证得到准确的结果，在使用扩展的方法实行区域生长检测的情况下，最大程度上接近于现有生长算法得到的结果精度，同时增大了结果的广度。这种精细处理是通过对点的灰度信息，点的位置以及点是否属于边缘点这三者的判定有机结合而成，同时在判断过程中对判断条件(基准灰度)进行细微修正，防止出现因为目标图像的灰度变化造成的丢失生长区的问题。
进一步的，为了得到更精确的生长区域，去除干扰点，步骤6还包括：对二值化区分得到的生长结果图先进行腐蚀处理，再进行膨胀修正处理，得到优化生长结果图；最后，将二值化区分得到的生长结果图与优化生长结果图进行与运算后，得到输出的生长结果图并输出。其中腐蚀和膨胀修正处理可以采用任一惯用方案。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明的技术优势在于：利用扩展的方式扫描整个图像，避免了传统的区域生长算法无法对离散物体进行匹配的缺点，增加了区域生长算法的使用范围。此外，在扫描过程中，通过对生长阈值进行实时修正，更加精确地确定了点是否属于生长点，减少了干扰点出现的次数，降低了目标图像的灰度变化对检测结果产生的影响，且对检测区域的生长点判定简便，保证了本发明的运行速度；同时，本发明通过将灰度阀值判断，临近点判定和边缘判定相结起来，实现了对离散生长区域中生长点的精确判断，避免离散无关点的加入。
附图说明
图1是本发明的检测方法流程示意图；
图2是扩散区域示意图；
图3是腐蚀和扩展的可用结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
本发明在手动选择初始点后，在原有的区域生长算法的基础上，将生长范围逐渐强制扩展到目标图像的全部图像数据上，优化对离散点的匹配，基于边缘检测检测离散点是否属于可生长区域；另外通过始点优化基准灰度，在生长过程中不断优化生长结果，以确保匹配到所需要的大区域图像，避免匹配到满足判断条件的干扰点。最后对生长结果进行腐蚀和膨胀处理，去除干扰点，真正从整体上优化了整个匹配过程，得到更精确的结果。
参见图1，本发明的具体过程为：
步骤S1：加载目标图像；
步骤S2：点击目标图像的目标区域，手动选择初始点(及初始生长点)；
步骤S3：获取初始点位置，得到生长区域(初始生长区域直接由初始生长点构成)的边界坐标；
步骤S4：基于预设扩展度(1个像素点)，以当前生长区域为中心，向周围1个像素点进行边界扩散，得到扩散区域。即扩散区域是指将当前生长区域的最大X，Y坐标MaxX和MaxY及最小X，Y坐标MinX，MinY分别增加和减少一像素后得到的区域，如果想要提高检测的速度，可以调整扩展度。如图2所示，其中扩散区域是：以N*N的当前生长区域为中心且不包括当前生长区域的(N+2)*(N+2)区域。对于初始点不位于目标图像中央的情况，当某个方向的X，Y参数抵达目标图像的边界后将不再变化；当四个方向均不再变化时边界扩散结束，此时对整个目标图像的全图扫描完成。
S5：对当前扩散区域的像素点进行检测判断；
S6：判断当前像素点是否满足生长阈值，即判断较基准灰度PJ(初始值为初始生长点的灰度值)与当前像素点的灰度值之差是否在预设范围内，比如是否小于或等于10；
S7：判断当前像素点是否与生长点相邻，即存在属于当前生长区域的相邻点；
所当前像素点同时满足条件：满足生长阈值且与生长点相邻；或者同时满足条件：不满足生长阈值且与不与生长点相邻，则不用执行步骤S8的判断，直接执行步骤S9；否则先执行步骤S8；
S8：判断当前像素点是否为目标图像的边缘点，例如通过Sobel算子得到当前像素点的一阶梯度值，若一阶梯度值大于或等于15，则当前像素点为边缘点。
S9：将满足下列三种条件之一的当前像素点加入当前生长区域，即将满足条件的当前像素点作为生长点：
(1)当前像素点满足生长阈值且与生长点相邻；
(2)当前像素点满足生长阈值且不与生长点相邻且为边缘点；
(3)当前像素点不满足生长阈值且与生长点相邻且为边缘点；
扩散区域的每个像素点的生长点判定可由下表给出，其中1表示是，0表示否：
满足生长阈值 与生长点相邻 边缘点 生长点判定结果
1 1 1/0 1
0 0 1/0 0
1 0 1 1
1 0 0 0
0 1 1 1
0 1 0 0
S10：判断对当前扩散区域的像素点检测判断是否完毕，即是否完成整个扩散区域的检测判断，若是，则执行步骤S11；否则执行步骤S5；
步骤S11：判断是否对目标图像的全图扫描完毕，若是则执行步骤S13；否则执行步骤S12；
步骤S12：对基准灰度PJ进行更新后，返回步骤S4；
其中基准灰度PJ的更新步骤为：
基于当前扩散区域被判定为生长点的所有像素点，计算其平均灰度值PN，然后根据公式得到更行后的基准灰度PJ：其中K为常数，经过大量试验论证，k优选值为k＝0.25。
通过上述对基准灰度PJ的迭代更行，可以有效防止PJ发生较大变化，使得以后的判断结果相对稳定，同时新加入点(当前扩散区域被判定为生长点的像素点)对PJ的修正增加后续判断的正确率。在对如MRI图进行区域生长匹配时，由于人体内部组织较为复杂和人体皮肤组织厚度不均，导致MRI的亮度随区域发生小幅度变化，在这种情况下，通过在区域生长过程中不断对生长参数进行修改，可以较好地弥补上述问题。同时，使用基于实际使用经验的权值运算，可以在保证良好效果的同时简化运算过程，保证运算速度。
步骤S13：基于目标图像的生长区域和非生长区域，进行二值化区分，得到生长结果图，再利用腐蚀和膨胀对生长结果图进行优化后输出。
由于如果直接对原图(目标图像)进行腐蚀和膨胀处理，会导致原图图像数据细节的丢失，所以，本发明先将原图按照是否属于生长点进行二值化，属于生长区域的点为白色，即灰度值设置为0，其余点为黑色，即灰度值设置为1。然后对白色的点进行腐蚀和膨胀处理，具体的方法是基于预构造的腐蚀和膨胀的结构元素，其可以有多种结构，如图3所示，优选图3中的十字型结构。
接着，基于所采用的腐蚀和膨胀的结构元素在二值化图像上进行逐点移动并进行比较，根据比较的结果作出相应处理。以生长结果图的骨架为白色点为例：作图像腐蚀处理时，如果结构元素中的所有白色点与它对应的生长结果图(二值化图像)完全相同，则该点为白色，否则为黑色。
作图像膨胀处理时，如果结构元素中只要有一个及以上白色点与它对应的生长结果图像素点相同，则该点为白色，否则为黑色。也就是说，如果结构元素中的所有白色点与它对应的生长结果图像素点没有一个相同，则该点为黑色，否则为白色。结构元素中的所有白色点与它对应的生长结果图像素点没有一个相同，说明大图的这些像素点都是黑色的。
首先对二值化图进行腐蚀处理，可以除去图中的小干扰点，即将包含白色干扰点的部分全部变为黑色，同时位于生长区域的点保留白色。然后使用同样的结构模型进行膨胀，位于生长区域的点由于保留有白色，会还原成原样，而干扰点由于没有白色，不再恢复。之后，将原二值化图像(原生长结果图)与进行过处理(腐蚀、膨胀)的二值化图像进行与运算，保留原图像上与腐蚀和膨胀处理后的二值化图上白色的点坐标相同的点，这样可以在防止图像细节纹理被破坏的情况下，去除图像上的干扰点。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (5)

1.一种基于多重判定的区域生长检测方法，其特征在于，包括下列步骤：
步骤1：输入待检测的目标图像，从目标图像的目标区域手动选择初始点，读取初始点的图像位置，将初始点作为初始生长点，由生长点得到当前生长区域；
步骤2：基于预设扩展度，以当前生长区域为中心向四周进行边界扩散，得到扩散区域，其中扩散区域为：以当前生长区域为中心且不包括当前生长区域的区域，并将扩散区域作为当前检测区域；
在边界扩散时，位于目标图像的边界的生长区域的边界保持不变；
步骤3：基于当前生长阈值，判定当前检测区域的每个像素点是否为生长点：
若当前像素点满足生长阈值，且与生长点相邻，则当前像素点为生长点；
若当前像素点满足生长阈值，且不与生长点相邻，则继检测当前像素点是否为目标图像的边缘点，若是，则当前像素点为生长点；否则，当前像素点不是生长点；
若当前像素点不满足生长阈值，且不与生长点相邻，则当前像素点不是生长点；
若当前像素点不满足生长阈值，且与生长点相邻，则继检测当前像素点是否为目标图像的边缘点，若是，则当前像素点为生长点；否则，当前像素点不是生长点；
其中，满足生长阈值是指基准灰度PJ与当前像素点的灰度值的差值在预设范围内，基准灰度PJ的初始值为初始生长点的灰度值；
步骤4：将当前检测区域中的生长点加入到生长区域中，得到更新后的生长区域；
判断当前生长区域的边界是否均位于目标图像的边界，若是，则执行步骤6；否则执行步骤5：
步骤5：更新基准灰度PJ，并继续执行步骤2；
其中更新基准灰度PJ的更新为：计算当前检测区域中的生长点的平均灰度值PN，基于当前基准灰度PJ得到更新后的基准灰度：其中K为预设加权系数；
步骤6：基于目标图像的生长区域和非生长区域，进行二值化区分，得到生长结果图并输出。
2.如权利要求1所述的方法，其特征在于，步骤5中，K的取值为0.25。
3.如权利要求1所述的方法，其特征在于，步骤3中，若当前像素点的灰度值与生长阈值PJ的差值小于或等于10，则认为当前像素点满足生长阈值。
4.如权利要求1所述的方法，其特征在于，步骤3中，检测当前像素点是否为目标图像的边缘点具体为：
通过Sobel算子得到当前像素点的一阶梯度值，若一阶梯度值大于或等于15，则当前像素点为边缘点。
5.如权利要求1、2、3或4所述的方法，其特征在于，步骤6还包括：
对二值化区分得到的生长结果图先进行腐蚀处理，再进行膨胀修正处理，得到优化生长结果图；
将二值化区分得到的生长结果图与优化生长结果图进行与运算后，得到输出的生长结果图并输出。
CN201610852087.4A 2016-09-27 2016-09-27 一种基于多重判定的区域生长检测方法 Expired - Fee Related CN106447659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610852087.4A CN106447659B (zh) 2016-09-27 2016-09-27 一种基于多重判定的区域生长检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610852087.4A CN106447659B (zh) 2016-09-27 2016-09-27 一种基于多重判定的区域生长检测方法

Publications (2)

Publication Number Publication Date
CN106447659A CN106447659A (zh) 2017-02-22
CN106447659B true CN106447659B (zh) 2019-04-05

Family

ID=58169921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610852087.4A Expired - Fee Related CN106447659B (zh) 2016-09-27 2016-09-27 一种基于多重判定的区域生长检测方法

Country Status (1)

Country Link
CN (1) CN106447659B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742299B (zh) * 2017-11-28 2020-06-19 中国联合网络通信集团有限公司 一种图像分割方法和装置
CN108957572B (zh) * 2018-05-18 2020-02-07 广东工业大学 一种太赫兹成像方法、装置、设备及可读存储介质
CN113269791B (zh) * 2021-04-26 2023-04-07 西安交通大学 一种基于边缘判定与区域生长的点云分割方法
CN115880299B (zh) * 2023-03-03 2023-05-23 山东时代塑胶有限公司 一种轻质混凝土复合自保温外墙板的质量检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622750A (zh) * 2012-02-24 2012-08-01 西安电子科技大学 基于交互式区域生长的胃部ct序列图像分割方法
CN103366361A (zh) * 2012-04-05 2013-10-23 联发科技（新加坡）私人有限公司 区域增长方法以及具有标记功能的区域增长方法
CN104376551A (zh) * 2014-08-25 2015-02-25 浙江工业大学 一种融合区域生长和边缘检测的彩色图像分割方法
CN104715483A (zh) * 2015-03-20 2015-06-17 中国科学院自动化研究所 肺部ct影像病变组织的自动分割方法
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622750A (zh) * 2012-02-24 2012-08-01 西安电子科技大学 基于交互式区域生长的胃部ct序列图像分割方法
CN103366361A (zh) * 2012-04-05 2013-10-23 联发科技（新加坡）私人有限公司 区域增长方法以及具有标记功能的区域增长方法
CN104376551A (zh) * 2014-08-25 2015-02-25 浙江工业大学 一种融合区域生长和边缘检测的彩色图像分割方法
CN104715483A (zh) * 2015-03-20 2015-06-17 中国科学院自动化研究所 肺部ct影像病变组织的自动分割方法
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Brain Tumor Segmentation of MRI Brain Images through FCM clustering and Seeded Region Growing Technique;Kalaiselvi T,Nagaraja P;《International Journal of Applied Engineering Research》;20151231;第10卷(第76期);427-432 *
基于区域边界生长的图像分割方法;牟春洁 等;《北京石油化工学院学报》;20091215;第17卷(第4期);8-12 *
胰体尾肿瘤的可视化仿真手术研究;方驰华 等;《南方医科大学学报》;20080620;926-929 *

Also Published As

Publication number Publication date
CN106447659A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106447659B (zh) 一种基于多重判定的区域生长检测方法
CN109389601B (zh) 基于像素间相似性的彩色图像超像素分割方法
Poletti et al. A review of thresholding strategies applied to human chromosome segmentation
CN110246100B (zh) 一种基于角度感知块匹配的图像修复方法和系统
US20070248268A1 (en) Moment based method for feature indentification in digital images
TWI497450B (zh) 視訊物件追蹤方法
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN109035227A (zh) 对ct图像进行肺部肿瘤检测与诊断的系统
CN108364297A (zh) 血管图像分割方法、终端、存储介质
CN110110687A (zh) 基于颜色信息和三维轮廓信息的树上水果自动识别方法
CN111754538A (zh) Usb表面缺陷检测的阈值分割方法
CN110610491B (zh) 一种腹部ct图像的肝脏肿瘤区域分割方法
CN106780504A (zh) 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法
CN104182965B (zh) 一种乳腺图像中分割胸肌的方法
CN111915507A (zh) 一种壁画脱落的修复方法
CN111724389A (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN110930358B (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN110689553B (zh) 一种rgb-d图像的自动分割方法
CN107945186A (zh) 分割图像的方法、装置、计算机可读存储介质和终端设备
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
CN113223098B (zh) 图像颜色分类的预处理优化方法
CN113450399B (zh) 一种正位胸片心胸比测量方法及装置
CN108717699A (zh) 一种基于连续最小割的超声波图像分割方法
Xi et al. Learned local similarity prior embedding active contour model for choroidal neovascularization segmentation in optical coherence tomography images

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: 20190405

Termination date: 20210927

CF01 Termination of patent right due to non-payment of annual fee