CN106530321B - 一种基于方向和尺度描述子的多图谱图像分割方法 - Google Patents
一种基于方向和尺度描述子的多图谱图像分割方法 Download PDFInfo
- Publication number
- CN106530321B CN106530321B CN201610964660.0A CN201610964660A CN106530321B CN 106530321 B CN106530321 B CN 106530321B CN 201610964660 A CN201610964660 A CN 201610964660A CN 106530321 B CN106530321 B CN 106530321B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- split
- scale
- map
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于方向和尺度描述子的多图谱图像分割方法,以下步骤:首先读入所有图谱灰度图像Itrain和对应的图谱标号图像L,再读入待分割图像Itarget,将待分割图像作为参考图像,图谱灰度图像作为浮动图像,将所有图谱灰度图像Itrain逐一配准到目标图像,得到使图谱灰度图像变形的形变场T(T=(T1,T2,......,TK))及形变后的图谱灰度图像I'train,然后将形变场作用到对应图谱标号图像上,得到变形后的图谱标号图像L',利用L'先验信息,确定待分割图像中海马体解剖位置,确定感兴趣区域,感兴趣区域内的像素为目标像素;计算图谱灰度图像所有像素以及目标像素的方向和尺度描述子S,方向和尺度描述子为一种新的像素特征,该分割方法能减小图谱间亮度不均匀造成的分割误差,提高分割精度。
Description
技术领域
本发明涉及通用图像数据处理技术领域,具体涉及一种基于方向和尺度描述子的多图谱图像分割方法。
背景技术
基于多图谱配准结合标号融合技术的图像分割方法,主要有以下分割方法:
一:直接将图像全局相似性作为图谱选择依据。这种方法的理论依据可理解为:全局相似性越高,说明该图谱灰度图像与待分割图像越相似,各组织结构分布越相近。这种方法操作简单,但对小器官分割时的精度较低。全局相似性主要由大器官决定,小器官局部相似性与全局相似性一致性差。Tong发现基于全局相似性图谱选择分割算法分割腹部MRI图像,大器官如肝脏的分割结果明显优于小器官如脾脏等的分割结果。因此基于全局相似性选择图谱不适合用于分割小器官。
二:利用局部相似性作为标号融合权重的分割算法,计算局部相似性的方法多种多样,Aljabar等人用互信息作为相似性测度,Tong等利用残差平方和作为相似性测度,这些算法一般都是直接用像素的局部灰度小块为像素特征计算局部相似性,虽然充分利用了图谱灰度图像及待分割图像的灰度信息,以及图谱空间结构信息,但是没有考虑图谱间亮度非均匀性。
三:构建字典,利用字典元素的线性组合近似表达目标像素,将线性系数作为标号融合的权重。不同分割方法构建字典的方式各异,Roy利用图谱训练出可以近似表达所有像素的共有字典,虽然字典训练过程相对简单,但分割精度低于为不同像素训练出特有字典的分割方法。
发明内容
本发明所要解决问题为提供一种基于方向和尺度描述子的多图谱图像分割方法,能减小图谱间亮度不均匀造成的分割误差,提高分割精度。
本发明解决上述问题的技术解决方案是:
一种基于方向和尺度描述子的多图谱图像分割方法,包括以下步骤:
(1)读入数据:读入图谱灰度图像Itrain和图谱标号图像L,每一幅图谱灰度图像和相应标号图像为一组图谱。假设有K(本发明中K=20)组图谱,即有K幅灰度图像Itrain=(Itrain1,Itrain2,Itrain3,......,ItrainK)和K幅图谱标号图像L=(L1,L2,L3,......,LK),再读入待分割图像Itarget,假设图谱灰度图像大小为m×n×l。
(2)将图谱灰度图像配准到待分割图像,并利用形变后的标号图像的先验信息确定感兴趣区域,具体过程为:
以待分割图像Itarget为参考图像,图谱灰度图像Itrain为浮动图像,将K幅图谱灰度图像Itrain用DRAMMS配准方法逐一配准到待分割图像Itarget,得到使图谱灰度图像产生形变的形变场T=(T1,T2,......,TK)及形变后的图谱灰度图像I'train=(I'train1,I'train2,I'train3,......,I'trainK),用形变场T=(T1,T2,......,TK)作用在对应的图谱标号图像上(使图谱灰度图像Itrain1形变成I'train1的形变场为T1,将T1作用到图谱标号图像L1上),使L1发生与Itrain1相同的形变,L1变形后的标号图像为L'1,即L'1=T1(L1),同理,将T1,T2,......,TK分别作用在L1,L2,L3,......,LK上,得到变形后的图谱标号图像L'=(L'1,L'2,L'3,......,L'K)。利用形变后的图谱标号图像的先验信息确定感兴趣区域大小为mr×nr×lr,感兴趣区域外的部分可以确定为非海马体,感兴趣区域即为将海马体完全包围的长方体框。
(3)提取图谱图像和待分割图像感兴趣区域内目标像素的像素特征。具体过程为:
本发明提出一种新的像素特征,即方向和尺度描述子S。S为像素与搜索域内像素间的局部自相似性矩阵,像素间自相似性测度用e的幂函数衡量,用像素间局部块之间的残差平方和的负值为幂次方。在S中,各点的取值即为该像素与中心像素的局部自相似性。计算像素ν的方向和尺度描述子S过程为:首先确定S的大小p2(本发明中当S的大小为7×7×7时分割精度最佳,即p2=7),搜索区域即为p2×p2×p2,用残差平方和(sum of squareddifference,SSD)计算中心像素与p2×p2×p2搜索域内的所有像素之间的局部自相似性,以p2=7为例说明像素ν的方向和尺度描述子S的计算过程:首先,以像素ν为中心,7×7×7为搜索区域,提取搜索区域内343(7×7×7=343)个像素的局部小块(局部小块半径为p1),若p1=3,即取出343个大小为3×3×3的局部小块,计算所有343个局部小块与中心像素局部小块间的残差平方和,得到中心像素与搜索区域内所有像素之间的残差平方和矩阵,记为Dp(I,x,p2);然后计算Dp(I,x,p2)的均值V;最后用Dp(I,x,p2)除以V,再取e的负幂次方即为该像素的方向和尺度描述子S。公式(Ⅰ)计算像素的方向和尺度描述子S:
为dp(I,x,p2)的均值。p2为方向和尺度描述子大小,本发明中p2=7。Dp(I,x,p2)表示搜索区域(以像素x为中心,搜索半径为7的搜索区域)内所有像素与中心像素之间的局部自相似性。分别以x与y为中心的两局部小块(本发明中取3×3×3)的残差平方和,dp(I,x,y,p1)表示图像I中,像素x与像素y之间的局部残差和矩阵,dp(I,x,y,p1)的计算公式为
p1为计算残差平方和的局部小块半径。
(4)用图谱图像像素的方向和尺度描述子构建待分割图像目标像素的方向和尺度描述子构建特有字典;为每个待分割图像的目标像素构建能近似表达像素特征的特有字典。具体过程为:
提取待分割图像感兴趣区域内所有目标像素的方向和尺度描述子Stest,Stest包含N(N=mr×nr×lr)个方向和尺度描述子,提取配准后图谱灰度图像感兴趣区域内所有目标像素的方向和尺度描述子,构成训练图谱方向和尺度描述子全集Strain,则Strain包含M(M=N×K)个方向尺度描述子。从Strain中选出不同的像素特征即不同的方向尺度描述子,构建待分割图像目标像素的特有字典,即从全集中按照一定原则选取出不同子集构建成待分割目标像素的字典,本发明中子集选取原则为取出所有图谱图像中与目标像素空间位置一致的像素的邻域内像素的方向尺度描述子。构建待分割图像中目标像素的方向和尺度描述子Stest_i的特有字典D_i的具体过程为:首先确定待分割图像中第i个目标像素在待分割图像Itarget中的空间位置[pos_ix,pos_iy,pos_iz],找出K幅图谱图像中空间位置为[pos_ix,pos_iy,pos_iz]的像素提取以为中心,p3×p3×p3邻域内所有像素的方向和尺度描述子构建待分割图像感兴趣区域内第i目标像素的特有字典D_i,将像素的方向和尺度描述子看成元素,则D_i中包含的元素个数为Dnum=p3×p3×p3×K,这Dnum个方向和尺度描述子构成的集合即为第i个目标像素的字典,依次为待分割图像感兴趣区域内N个目标像素构建出特有字典,即构建N个特征字典。
(5)用图谱图像感兴趣区域内目标像素特征的线性组合近似表达待分割图像感兴趣区域内目标像素的像素特征。具体过程为:
用LAE法实现用特有字典D_i中元素的线性组合近似表达待分割图像的目标像素的方向和尺度描述子Stest_i。即将特有字典D_i中的元素看成基向量,将待分割图像的目标像素的方向尺度描述子Stest_i看成基向量组成的空间中的向量,线性组合的原理即找出Stest_i在各基向量上的投影长度,完成线性表达,投影长度即为线性系数或编码系数。根据公式(Ⅲ)得到稀疏编码系数C,即完成稀疏编码过程。
Stest_i=c1Si1+c2S2+c3Si3+L+cjSij+L+cMSiM+ε (Ⅲ)
ε=(c1Si1+c2S2+c3Si3+L L+cMSiM)-Stest_i
ε为误差。将ε作为目标函数,使得ε最小的C即为所求。
(6)加权融合图谱标号,估计待分割图像感兴趣区域内目标像素的标号。
将C作为标号融合的权重,融合图谱标号。即将(5)中得到的线性系数作为标号加权融合时的权重。特有字典D_i中像素j的方向和尺度描述子Strain_ij在线性表达Stest_i时所占比重即为线性系数cj,而j的标号为L'j,则第j个像素对待分割像素i的标号所作贡献即为cj×L'j,D_i中元素在重建待分割图像中的目标像素i的方向和尺度描述子Stest_i的贡献即为编码系数,编码系数与D_i中对应元素的标号加权融合的结果即为待分割像素i的标号估计值。根据公式(Ⅳ)估计待分割图像目标像素标号Lestimate。
Lestimate=c1L'1+c2L'2+L L+cjL'j+L L+cML'M (Ⅳ)
(7)阈值处理待分割图像感兴趣区域内目标像素的标号估计值,完成分割。
设定阈值Th,若标号估计值Lestimate大于阈值Th,则将待分割图像的目标像素i标记为1,即认为该像素是海马体,同理,若标号估计值Lestimate小于阈值Th,则将待分割图像的目标像素i标记为0,即认为该像素为非海马体。根据公式(Ⅴ)判定Lestimate得到目标像素标号Ltest,完成分割。
上述方案中计算残差平方和矩阵的局部块大小为p1×p1×p1,方向和尺度描述子搜索域为p2×p2×p2,字典邻域大小为p3×p3×p3,LAE迭代次数为10,稀疏编码过程中非零系数的个数为q,阈值为Th。
本发明的有益效果为:能减小图谱间亮度不均匀造成的分割误差,提高分割精度。
附图说明
图1为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的流程图。
图2为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的流程图示意图。
图3为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的为图谱灰度图像(a)和为图谱标号图像(b)。
图4为本发明所述的基于方向和尺度描述子的多图谱图像分割方法配准过程及配准后的图谱灰度图像和标号图像。
图5为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的目标像素确定过程示意图,曲线包围的所有像素即为目标像素。
图6为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的分割左海马时的感兴趣区域图,矩形框内为分割左海马时的感兴趣区域。
图7为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的构建特有字典及稀疏编码过程图。
图8为本发明所述的基于方向和尺度描述子的多图谱图像分割方法的分割结果二维对比,左侧线条代表本发明分割结果,右侧线条代表专家勾画分割结果。
图9本发明所述的基于方向和尺度描述子的多图谱图像分割方法的分割结果三维视图。
图10本发明所述的基于方向和尺度描述子的多图谱图像分割方法的分割结果与专家勾画分割的差异三维视图。
具体实施方式
实施例1
如图1-图10所示,以分割头部MRI图像中海马体为例描述本发明所述分割方法。具体分割过程如下所述:
步骤1,读入图谱灰度图像Itrain和图谱图谱标号图像L,每一幅图谱灰度图像和对应的标号图像为一组图谱。本实验中有20组图谱,即有20幅灰度图像Itrain=(Itrain1,Itrain2,Itrain3,......,ItraK)和20幅对应的图谱标号图像L=(L1,L2,L3,......,LK),再读入待分割图像Itarget,图谱大小为256×256×277。
步骤2,将待分割图像作为参考图像,图谱灰度图像作为浮动图像,将所有图谱灰度图像Itrain用DRAMMS配准方法逐一配准到待分割图像,得到配准后的图谱灰度图像I'train=(I'train1,I'train2,I'train3,......,I'trainK),然后将配准得到的形变场作用在相应图谱标号图像上,得到变形后的图谱标号图像L'=(L'1,L'2,L'3,......,L'K)。
步骤3,为了减少计算量,提取出包含所有目标像素的感兴趣区域,只处理感兴趣区域内的像素,提取感兴趣区域的过程为:将形变后的L'叠加,得到海马体解剖位置概率图,即将每一幅形变后的标号图像看成专家,对所有像素判断,若20幅图像在某像素位置的标号值都为1,即所有专家将该像素判定为海马体,同理,若20幅图像在某像素位置的标号值都为0,即所有专家将该像素判定为非海马体,若Kl∈(0,20)幅图像在某像素位置的标号值为1,该像素是海马体的概率为将所有概率大于0的像素确定为目标像素,本实验中若某像素为海马体的概率大于0.8,直接将该像素判定为海马体,同理,将概率小于0.2的像素直接判定为非海马体。需进一步分割的目标像素为概率介于0.2~0.8之间的像素,即为待分割的目标像素,假设目标像素为N个。感兴趣区域为包含所有目标像素的区域,如图5中,红色曲线包围的区域为目标像素,蓝色矩形框为包含所有目标像素的感兴趣区域。
步骤4,提取像素特征描述子——方向和尺度描述子。根据公式(Ⅰ)计算图谱灰度图像感兴趣区域内所有像素的方向和尺度描述子S。
p2为方向和尺度描述子半径,本发明中p2=5,dp(I,x,p2)为以x为中心,5×5×5内所有像素与中心像素x之间的残差平方和矩阵,根据公式(Ⅱ)得到两像素间残差平方和矩阵
dp(I,x,y)=∑(I(x+p1)-I(y+p1))2 (Ⅱ)
式(Ι)中dp(I,x,y)即表示在图像I中,像素x与像素y之间的残差平方和矩阵,p1为计算像素间残差平方和的局部小块大小,本发明中p1=3,I(x+p1)与I(y+p1)分别表示以x与y为中心,3×3×3为大小的灰度小块,dp(I,x,y)为两灰度小块内对应元素之差的平方和,为dp(I,x,y)的均值。
步骤5,提取待分割图像感兴趣区域内目标像素的方向和尺度描述子Stest,Stest包含N个方向和尺度描述子,提取图谱图像所有像素的Strain,从Strain中选择相应的Strain构建待分割图像中感兴趣区域内目标像素的特有字典。如构建待分割图像第i个目标像素Stest_i的特有字典D_i的过程为:首先确定第i个目标像素在目标图像Itarget中的空间位置xi:[pos_ix,pos_iy,pos_iz],找出20幅图谱灰度图像中空间位置为[pos_ix,pos_iy,pos_iz]的像素yi=(yi1,yi2,yi3,......,yiK),提取以yi为中心,搜索区域为3×3×3内的所有像素的方向和尺度描述子,构建待分割图像第i个目标像素的特有字典D_i,D_i中包含的元素个数为M=3×3×3×20=540。将Stest_i展成列向量,Stest_i为125×1的列向量,将字典中所有Strain展成列向量,字典D_i的大小为125×540。
即
步骤6,用LAE法实现用特有字典D_i中元素的线性组合近似表达待分割图像中目标像素的方向和尺度描述子Stes_i,根据公式(Ⅲ)得到稀疏编码系数C,即完成稀疏编码过程。
Stest_i=c1Si1+c2Si2+c3Si3+L L+cMSiM+ε (Ⅲ)
ε为误差。即使得ε最小的C即为所求。即
步骤7,将C作为标号融合的权重,加权融合估计待分割图像感兴趣区域内目标像素的标号。根据公式(Ⅳ)估计待分割图像感兴趣区域内目标像素标号值Liestimate。
Liestimate=ci1L'i1+ci2L'i2+ci3L'i3+L+cijL'ij+L+ci540L'i540 (Ⅳ)
步骤8,重复步骤(5)、(6)和步骤(7)估计出待分割图像感兴趣区域内N目标像素的标号值Lestimate。
步骤9,设定阈值0.5,根据公式(Ⅴ)判定Lestimate得到目标像素标号Ltest。
步骤10,输出标号图像,完成分割。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于方向和尺度描述子的多图谱图像分割方法,包括以下步骤:
(1)读入数据:读入图谱灰度图像Itrain和图谱标号图像L,每一幅图谱灰度图像和相应标号图像为一组图谱,假设有K组图谱,即有K幅灰度图像Itrain=(Itrain1,Itrain2,Itrain3,......,ItrainK)和K幅图谱标号图像L=(L1,L2,L3,......,LK),再读入待分割图像Itarget,假设图谱灰度图像大小为m×n×l;
(2)将图谱灰度图像配准到待分割图像,并利用形变后的标号图像的先验信息确定感兴趣区域,具体过程为:
以待分割图像Itarget为参考图像,图谱灰度图像Itrain为浮动图像,将K幅图谱灰度图像Itrain用DRAMMS配准方法逐一配准到待分割图像Itarget,得到使图谱灰度图像产生形变的形变场T及形变后的图谱灰度图像I'train,其中T=(T1,T2,......,TK),I'train=(I'train1,I'train2,I'train3,......,I'trainK);用形变场T作用在对应T的图谱标号图像上使L1发生与Itrain1相同的形变,L1变形后的标号图像为L'1,即L'1=T1(L1),其中使图谱灰度图像Itrain1形变成I'train1的形变场为T1,将T1作用到图谱标号图像L1上;同理,将T1,T2,......,TK分别作用在L1,L2,L3,......,LK上,得到变形后的图谱标号图像L',其中,L'=(L'1,L'2,L'3,......,L'K),利用形变后的图谱标号图像的先验信息确定感兴趣区域大小为mr×nr×lr,感兴趣区域外的部分可以确定为非海马体,感兴趣区域即为将海马体完全包围的长方体框;
(3)提取图谱图像和待分割图像感兴趣区域内目标像素的像素特征,具体过程为:
一种新像素特征,即方向和尺度描述子S,S为像素与搜索域内像素间的局部自相似性矩阵,像素间自相似性测度用e的幂函数衡量,用像素间局部块之间的残差平方和的负值为幂次方,在S中,各点的取值即为该像素与中心像素的局部自相似性,计算像素ν的方向和尺度描述子S过程为:首先确定S的大小p2,搜索区域即为p2×p2×p2,用残差平方和计算中心像素与p2×p2×p2搜索域内的所有像素之间的局部自相似性,以p2=7为例说明像素ν的方向和尺度描述子S的计算过程:首先,以像素ν为中心,7×7×7为搜索区域,提取搜索区域内343个像素的局部小块,局部小块半径为p1,若p1=3,即取出343个大小为3×3×3的局部小块,计算所有343个局部小块与中心像素局部小块间的残差平方和,得到中心像素与搜索区域内所有像素之间的残差平方和矩阵,记为Dp(I,x,p2);然后计算Dp(I,x,p2)的均值V;最后用Dp(I,x,p2)除以V,再取e的负幂次方即为该像素的方向和尺度描述子S,计算像素的方向和尺度描述子S:
其中,为dp(I,x,p2)的均值,p2为方向和尺度描述子大小,p2=7,Dp(I,x,p2)表示搜索区域:以像素x为中心,搜索半径为7的搜索区域内所有像素与中心像素之间的局部自相似性,分别以x与y为中心的两局部小块的残差平方和,dp(I,x,y,p1)表示图像I中,像素x与像素y之间的局部残差和矩阵,dp(I,x,y,p1)的计算公式为
其中p1为计算残差平方和的局部小块半径;
(4)用图谱图像像素的方向和尺度描述子构建待分割图像目标像素的方向和尺度描述子构建特有字典;为每个待分割图像的目标像素构建能近似表达像素特征的特有字典,具体过程为:
提取待分割图像感兴趣区域内所有目标像素的方向和尺度描述子Stest,Stest包含N个方向和尺度描述子,提取配准后图谱灰度图像感兴趣区域内所有目标像素的方向和尺度描述子,构成训练图谱方向和尺度描述子全集Strain,则Strain包含M个方向尺度描述子;其中,N=mr×nr×lr,M=N×K;从Strain中选出不同的像素特征即不同的方向尺度描述子,构建待分割图像目标像素的特有字典,即从全集中按照一定原则选取出不同子集构建成待分割目标像素的字典,子集选取原则为取出所有图谱图像中与目标像素空间位置一致的像素的邻域内像素的方向尺度描述子,构建待分割图像中目标像素的方向和尺度描述子Stest_i的特有字典D_i的具体过程为:首先确定待分割图像中第i个目标像素在待分割图像Itarget中的空间位置[pos_ix,pos_iy,pos_iz],找出K幅图谱图像中空间位置为[pos_ix,pos_iy,pos_iz]的像素提取以为中心,p3×p3×p3邻域内所有像素的方向和尺度描述子构建待分割图像感兴趣区域内第i目标像素的特有字典D_i,将像素的方向和尺度描述子看成元素,则D_i中包含的元素个数为Dnum=p3×p3×p3×K,这Dnum个方向和尺度描述子构成的集合即为第i个目标像素的字典,依次为待分割图像感兴趣区域内N个目标像素构建出特有字典,即构建N个特征字典;
(5)用图谱图像感兴趣区域内目标像素特征的线性组合近似表达待分割图像感兴趣区域内目标像素的像素特征,具体过程为:
用LAE法实现用特有字典D_i中元素的线性组合近似表达待分割图像的目标像素的方向和尺度描述子Stest_i,即将特有字典D_i中的元素看成基向量,将待分割图像的目标像素的方向尺度描述子Stest_i看成基向量组成的空间中的向量,线性组合的原理即找出Stest_i在各基向量上的投影长度,完成线性表达,投影长度即为线性系数或编码系数,根据以下公式得到稀疏编码系数C,即完成稀疏编码过程:
Stest_i=c1Si1+c2S2+c3Si3+L+cjSij+L+cMSiM+ε
ε=(c1Si1+c2S2+c3Si3+L L+cMSiM)-Stest_i
其中ε为误差,将ε作为目标函数,使得ε最小的C即为所求;
(6)加权融合图谱标号,估计待分割图像感兴趣区域内目标像素的标号;
将C作为标号融合的权重,融合图谱标号,即将(5)中得到的线性系数作为标号加权融合时的权重,特有字典D_i中像素j的方向和尺度描述子Strain_ij在线性表达Stest_i时所占比重即为线性系数cj,而j的标号为L'j,则第j个像素对待分割像素i的标号所作贡献即为cj×L'j,D_i中元素在重建待分割图像中的目标像素i的方向和尺度描述子Stest_i的贡献即为编码系数,编码系数与D_i中对应元素的标号加权融合的结果即为待分割像素i的标号估计值,根据以下公式估计待分割图像目标像素标号Lestimate:
Lestimate=c1L'1+c2L'2+L L+cjL'j+L L+cML'M
(7)阈值处理待分割图像感兴趣区域内目标像素的标号估计值,完成分割,设定阈值Th,若标号估计值Lestimate大于阈值Th,则将待分割图像的目标像素i标记为1,即认为该像素是海马体,同理,若标号估计值Lestimate小于阈值Th,则将待分割图像的目标像素i标记为0,即认为该像素为非海马体:
根据以上公式判定Lestimate得到目标像素标号Ltest,完成分割。
2.根据权利要求1所述一种基于方向和尺度描述子的多图谱图像分割方法,其特征在于:所述步骤(1)还包括将所读入的图谱灰度图像进行归一化预处理,即将图像灰度值转化到0~1之间,灰度值越大,像素亮度越高。
3.根据权利要求1所述一种基于方向和尺度描述子的多图谱图像分割方法,其特征在于:所述步骤(5)为所有待分割图像的目标像素构建特有字典,需构建N=mr×nr×lr个特有字典,每个特有字典的构建过程如步骤(5)中所述。
4.根据权利要求1所述一种基于方向和尺度描述子的多图谱图像分割方法,其特征在于:所述步骤(6)特征有:
(1)使得ε最小为终止条件,经实验验证,可以直接设置迭代次数,当迭代次数为10时,分割精度受ε的影响较小;
(2)特有字典中的Sij为特有字典D_i中的元素,实验证明从特有字典D_i中选取q个元素,用这q个元素的线性组合表达待分割图像的目标像素的Stest_i的分割精度大于用特有字典D_i中所有元素的线性组合表达Stest_i,实验验证当q为30时,海马体分割精度最高;
(3)由(2)可知,编码系数C中只有30个非零元素,即q等于30,且所有元素的取值范围为(0,1),取值越大,说明该像素与待分割图像的目标像素越相似,在加权融合估计待分割图像的目标像素标号时所占权重越大,对待分割图像的目标像素i的标号影响越大,且C中所有元素之和为1。
5.根据权利要求1所述的一种基于方向和尺度描述子的多图谱图像分割方法,其特征在于:所述步骤(7)由于图谱像素标号为0或1,融合权重C的取值范围为(0,1),所以加权融合后的待分割图像的目标像素的估计值Lestimate的取值范围为(0,1)。
6.根据权利要求1所述的一种基于方向和尺度描述子的多图谱图像分割方法,其特征在于:所述步骤(8)融合后的目标像素的估计值Lestimate的取值范围为(0,1),所以阈值Th的取值范围为(0,1),实验验证Th取0.5时海马体分割精度最高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610964660.0A CN106530321B (zh) | 2016-10-28 | 2016-10-28 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610964660.0A CN106530321B (zh) | 2016-10-28 | 2016-10-28 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530321A CN106530321A (zh) | 2017-03-22 |
CN106530321B true CN106530321B (zh) | 2019-07-12 |
Family
ID=58326361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610964660.0A Active CN106530321B (zh) | 2016-10-28 | 2016-10-28 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530321B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154064B (zh) * | 2017-05-04 | 2019-07-23 | 西安电子科技大学 | 基于深度稀疏编码的自然图像压缩感知重建方法 |
CN107451595A (zh) * | 2017-08-04 | 2017-12-08 | 河海大学 | 基于混合算法的红外图像显著性区域检测方法 |
CN107680107B (zh) * | 2017-10-30 | 2020-09-08 | 西北工业大学 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
CN108133482A (zh) * | 2018-01-16 | 2018-06-08 | 中国人民解放军陆军装甲兵学院 | 基于图像局部自相似性的目标定位方法 |
CN109509203B (zh) * | 2018-10-17 | 2019-11-05 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
CN109523512B (zh) * | 2018-10-17 | 2019-10-29 | 哈尔滨理工大学 | 一种基于多图谱标签融合的医学图像自动分割方法 |
CN110853043B (zh) * | 2019-11-21 | 2020-09-29 | 北京推想科技有限公司 | 影像分割方法、装置、可读存储介质及电子设备 |
CN114742171A (zh) * | 2022-04-24 | 2022-07-12 | 中山大学 | 一种本征正交分解样本压缩方法、装置及存储介质 |
CN116563096B (zh) * | 2023-07-11 | 2023-09-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050707A2 (en) * | 2005-10-27 | 2007-05-03 | Nec Laboratories America, Inc. | Video foreground segmentation method |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN104484886A (zh) * | 2014-12-31 | 2015-04-01 | 深圳先进技术研究院 | 一种mr图像的分割方法及装置 |
CN104637045A (zh) * | 2013-11-14 | 2015-05-20 | 重庆理工大学 | 一种基于超级像素层次特征的图像像素标号方法 |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
-
2016
- 2016-10-28 CN CN201610964660.0A patent/CN106530321B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050707A2 (en) * | 2005-10-27 | 2007-05-03 | Nec Laboratories America, Inc. | Video foreground segmentation method |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN104637045A (zh) * | 2013-11-14 | 2015-05-20 | 重庆理工大学 | 一种基于超级像素层次特征的图像像素标号方法 |
CN104484886A (zh) * | 2014-12-31 | 2015-04-01 | 深圳先进技术研究院 | 一种mr图像的分割方法及装置 |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106530321A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530321B (zh) | 一种基于方向和尺度描述子的多图谱图像分割方法 | |
CN109655019B (zh) | 一种基于深度学习和三维重建的货物体积测量方法 | |
CN109410321B (zh) | 基于卷积神经网络的三维重建方法 | |
CN112347550B (zh) | 耦合式室内三维语义建图及建模方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN107680107B (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
CN104867135A (zh) | 一种基于指导图像引导的高精度立体匹配方法 | |
KR102219561B1 (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN111915517B (zh) | 适用于室内光照不利环境下rgb-d相机全局定位方法 | |
CN106355607B (zh) | 一种宽基线彩色图像模板匹配方法 | |
CN110866934A (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
Bódis-Szomorú et al. | Efficient edge-aware surface mesh reconstruction for urban scenes | |
CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN103198475A (zh) | 基于多层次迭代可视化优化的全聚焦合成孔径透视成像方法 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN117456136A (zh) | 一种基于多模态视觉识别的数字孪生场景智能生成方法 | |
CN103745473B (zh) | 一种脑组织提取方法 | |
Jiang et al. | Learned local features for structure from motion of uav images: A comparative evaluation | |
CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
CN106023094A (zh) | 基于图像的骨组织微观结构修复系统及其修复方法 | |
CN115631317B (zh) | 隧道衬砌正射影像生成方法及装置、存储介质、终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |