CN108564564A - 基于改进模糊连接度及多种子点的医学图像分割方法 - Google Patents

Abstract

本发明公开了一种基于改进模糊连接度及多种子点的医学图像分割方法：1)预处理，通过图像学概念中有关黑帽和白帽的相关运算，使得待分割区域更为清晰；2)多种子点输入，允许手工选取一个或多个种子点，获取初始种子点集，利用初始种子点集及其周围像素所提取的相关信息，采用联合区域增长法得到完备种子点集；3)模糊连接度计算，根据完备种子点集提取目标区域信息，对整幅图像进行模糊连接度值的计算，得到模糊连接度矩阵；4)阈值分割，根据图像上每个像素点不同的模糊连接度值的分布情况，找到最佳阈值，最终获取目标区域。所述方法有效克服了目前算法中手工选择区域的代表性不强以及在面临多块不相邻目标区域时无法完整分割的问题。

Description

基于改进模糊连接度及多种子点的医学图像分割方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于改进模糊连接度及多种子点的医学图像分割方法。

背景技术

图像分割是图像处理过程的第一步，也是最关键的步骤之一，其效果的好坏直接决定了后续工作的最终质量。近年来，图像分割领域的成果层出不穷，涌现出了一批有效的算法，如阈值分割、区域增长、聚类、神经网络等。在医学图像处理领域，图像分割更是不可或缺的一部分，但是由于人体构造以及各种人为和机器因素的影响，医学图像不可避免地有着模糊和不均匀的特点。

近年来，研究人员提出了许多方法来实现分割。模糊连接度算法是一种基于区域的分割方法，最初由Udupa提出，其构建了模糊连接度和相对模糊连接度的概念以及模糊链接理论的框架，并进行了改进和扩充。这些工作奠定了模糊连接度的理论基础，并且在医学图像的分割中取得了很好的效果。

在模糊连接度框架的基础上，众多学者提出了自己的改进方法。从众多成果来看，改进主要是从以下两个方面入手：第一，是从模糊连接度本身的计算方法来着手进行优化。Ciesielski等人提出了一个关于模糊连接度的优化的计算方法，并应用到了医学图像的分割方面，且在之后针对之前的算法只能应用于单目标区域的不足，提出了改进的针对多目标的算法，即应用多种子点来进行计算。潘建江等人通过对算法中的不足进行分析，指明了使用原生的模糊连接度计算方法会导致对于渐变区域分割效果不好的问题，并提出了一种改进的方法，但是算法基于单种子点，对于目标区域的代表性不足，而且在遇到目标区域为细长条的情况时会导致目标区域的分割不完整的问题。第二，是进行算法的扩展，主要是与其它经典的图像处理方法来结合。Bejar等人将模糊连接度的概念与生长的方向性结合，排除掉了不符合逻辑的结果。Skoura等人将模糊连接度和边缘检测算法相结合，Rueda等人将模糊连接度同目标区域的特征检测相结合，这些扩展都增强了经典模糊连接度算法的鲁棒性。Chunlan Yang等人在模糊连接度的基础上，提出了结合置信连接度的方法，使得对种子点的寻找过程更加简洁和精确，有效地克服了人工选取种子区域时所导致的选取不精确问题，并且，通过对模糊连接度计算公式中的因数方程进行改进，使得其有了自适应性。罗彤等人针对经典算法中种子点必须由人工输入这一点提出了一种改进的算法，通过构造视觉注意计算模型，来定位物体的视觉显著点，实现了种子点的自动给定，取得了不错的效果，Harati等人也提出了一种全自动的分割方法，通过检测目标区域的像素分布情况，以及位置和大小来确定分割的最终结果，但是上述两种方法的不足之处是分割之前必须要预先知道目标区域的特征，离不开特定的分割对象，通用性不足。

从模糊连接度的基本概念框架来看，整个计算过程大致分为以下几个部分：首先，是寻找种子点；然后，是邻接像素间亲和度的计算；接着，是模糊连接度的计算；最后，是根据模糊连接度的值来进行分割。由于在这个基本框架之上，每个子过程都可以进行包括算法改进以及与其他算法结合的优化，因此研究的重点便在于这些优化的方式。

然而，对于待分割区域的灰度或梯度值均匀性不好，以及多块待分割区域不连续的情况，上述方法并不能很好地同时解决，而这种情况往往才是最常出现的。因此，需要一种更有效的方法来解决这个问题。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于改进模糊连接度及多种子点的医学图像分割方法，所述方法结合了置信连接度以及基于多个种子点的分割算法，有效地克服了以往算法中手工选择区域的代表性不强以及面临多块不相邻的目标区域时无法完整分割的问题。

本发明的目的可以通过如下技术方案实现：

一种基于改进模糊连接度及多种子点的医学图像分割方法，所述方法包括以下步骤：

S1、图像的预处理，通过进行图像学概念中有关黑帽和白帽的相关运算，使得待分割区域更为清晰，并为之后的处理步骤打好基础；

S2、多种子点输入，允许用户通过手工选取一个或多个种子点，从而获取初始种子点集，接着，利用初始种子点集及其周围像素所提取的相关信息，采用联合区域增长的方法，得到完备种子点集；

S3、模糊连接度计算，根据得到的完备种子点集，提取目标区域信息，对整幅图像进行模糊连接度值的计算，并最终得到表示每一像素点的模糊连接度大小的模糊连接度矩阵；

S4、阈值分割，根据图像上每个像素点不同的模糊连接度值的分布情况，找到最佳阈值，并最终获取目标区域。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提供的基于改进模糊连接度及多种子点的医学图像分割方法，很好地解决了之前算法中对于噪点敏感的问题，通过区域增长的方式获取代表性更强的种子点集，对于仪器噪点有着很好的鲁棒性。

2、本发明提供的基于改进模糊连接度及多种子点的医学图像分割方法，有效地克服了之前算法中手工选择区域的代表性不够强的问题，通过多次选取，有效减少了由于单次选取时的随机错选问题，同时，由于增加了种子点的数量，在选取正确率相同的情况下，也会增加从种子点集所得到的相关参数的正确性。

3、本发明提供的基于改进模糊连接度及多种子点的医学图像分割方法，更好地完成了在面临多块不相邻的目标区域时完整分割的问题，通过从多个种子点来起始进行计算，很好地完成了对于多块目标区域的同时分割问题。

附图说明

图1为本发明实施例基于改进模糊连接度及多种子点的医学图像分割方法的总体流程图。

图2为本发明实施例图像的预处理过程的流程图。

图3为本发明实施例获取完备种子点集的流程图。

图4为本发明实施例对整幅图像进行模糊连接度计算的流程图。

图5为本发明实施例进行阈值分割的流程图。

图6为本发明实施例预处理过程中的实际图像示意图。

图7(a)为待进行医学图像分割的原图；图7(b)为对位于头骨左半部分的单种子点进行区域增长计算后得到的种子点集合；7(c)为对位于鼻骨的单种子点进行区域增长计算后得到的种子点集合；7(d)为对位于脊椎骨的单种子点进行区域增长计算后得到的种子点集合；7(e)为对位于头骨下半部分的单种子点进行区域增长计算后得到的种子点集合；7(f)为对位于脑部的单种子点进行区域增长计算后得到的种子点集合。

图8(a)为待进行医学图像分割的原图；图8(b)为来自于手工分割的标准分割结果图；图8(c)为由单个初始种子点经区域生长之后得到的根节点集；图8(d)为由单个初始种子点计算得到的分割结果；图8(e)为由两个在同一半边的初始种子点经区域生长之后得到的根节点集；图8(f)为由两个在同一半边的初始种子点计算得到的分割结果；图8(g)为由两个在不同半边的初始种子点经区域生长之后得到根节点集；图8(h)为由两个在不同半边的初始种子点计算得到的分割结果。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于改进模糊连接度及多种子点的医学图像分割方法，所述方法包括以下步骤：

S1、图像的预处理，通过进行图像学概念中有关黑帽和白帽的相关运算，使得待分割区域更为清晰，并为之后的处理步骤打好基础，；

S2、多种子点输入，允许用户通过手工选取一个或多个种子点，从而获取初始种子点集，接着，利用初始种子点集及其周围像素所提取的相关信息，采用联合区域增长的方法，得到完备种子点集；

S3、模糊连接度计算，根据得到的完备种子点集，提取目标区域信息，对整幅图像进行模糊连接度值的计算，并最终得到表示每一像素点的模糊连接度大小的模糊连接度矩阵；

S4、阈值分割，根据图像上每个像素点不同的模糊连接度值的分布情况，找到最佳阈值，并最终获取目标区域。

其中，所述步骤S1的具体过程为：

假设I_O表示原图像，SE表示用来计算的结构元素，I_w表示白帽运算结果，I_b表示黑帽运算结果，I_r表示图像的预处理结果，I_w和I_b的计算公式如下所示：

I_w＝I_o-open(I_o,SE)

I_b＝close(I_o,SE)-I_o

在得到白帽和黑帽运算结果后，与原图像合并得到图像的预处理结果：

I_r＝I_o+I_w-I_b。

其中，所述步骤S2的具体过程为：

首先，选取一个或多个种子点，选取的种子点连续或者分离，并将其加入到初始种子点集中，根据所有初始种子点周围一定范围内的像素集，即初始种子像素集计算出其相应的平均灰度值μ和标准差α,并将此初始种子像素集的邻域中与此初始种子像素集具有相同或相似性质的像素合并到初始种子像素集所在的区域中，将得到的新的像素集当作新的初始种子像素集，更新平均灰度值μ和标准差α，重复进行上面的过程,直到再没有满足条件的像素能够被添加进来，得到完备种子点集。

具体地，所述与此初始种子像素集具有相同或相似性质的像素指：该像素的灰度值在[μ-lα,μ+lα]范围内，l为相对系数。

其中，步骤S3中所述模糊连接度值的计算具体如下：

首先定义模糊空间元素的亲和度概念，定义任意两像素间的模糊亲和度函数计算公式如下：

μ_k(c,d)=μ_α(c,d)[ω₁h₁(f(c),f(d))+ω₂h₂(f(c),f(d))]

其中：

ω₂＝1-ω₁

其中，μ_κ(c,d)表示任意两像素点c和d之间的模糊亲和度值，μ_α(c,d)表示了像素点c和d之间距离的度量值，而ω₁和ω₂代表可变系数，它们会根据h₁和h₂的大小自适应变化，从而使h₁和h₂所占权重不至于相差太大，达到增强参数代表性的作用，h₁和h₂分别代表图像灰度值和梯度值的高斯度量，在其公式中，m₁和m₂分别代表图像块的灰度和梯度的平均值，而s₁和s₂分别代表图像块的灰度和梯度的便准差；

综合上述公式得到：

接着，定义路径连接度的概念，在一幅图像中，对于某一条从像素点c到像素点d的路径p_cd，定义p_cd的路径连接度μ(c₁,c₂)的值为该路径的所有子路径中最弱的那条连接，即为该路径上所有子路径的元素亲和度的最小值，用函数表示为：

μ(p_cd)＝min(μ(c₁,c₂),μ(c₂,c₃),…,μ(c_m-1,c_m))

最后，定义从像素点c到像素点d的模糊连接度为从像素点c到像素点d的所有路径中路径连接度最大值,记从像素点c到像素点d的所有路径为P_cd,则模糊连接度值的计算公式如下：

μ(p_cd)＝max(μ(p_cd)),p_cd∈P_cd。

具体地，对整幅图像进行模糊连接度计算的流程包括以下步骤：

(1)、建立临时集合Q表示需要参与计算的候选点，在图像中位于已计算区域的边缘，并建立标志矩阵F表示在计算到当前此点时的模糊连接度的临时值，初始化标志矩阵F为全零，将初始种子点集加入到临时集合Q当中，在标志矩阵F中记录已得到的模糊连接度值；

(2)、寻找临时集合Q中模糊连接度值最大的点，将其从临时集合Q中取出，并计算与它相邻的点的亲和度；

(3)、将相邻点的亲和度值与此点的亲和度值比较大小，若相邻点的亲和度值大，则将相邻点的亲和度值置为此点的模糊连接度值；

(4)、将处理过的相邻点的亲和度值与标志矩阵F中对应点的模糊连接度值相比较，取二者大的一个作为此点的模糊连接度值；

(5)、将此相邻点加入临时集合Q中，并从步骤(2)开始重复执行，直到临时集合Q为空，此时，标志矩阵F中每个点的值即为对应点最终的模糊连接度值。

其中，步骤S4的具体过程为：对模糊连接度矩阵上的所有值进行统计，得到模糊连接度数值的分布情况，统计出模糊连接度数值分布频率变化最大的点，结合目标区域所占的大小，找到最佳阈值并进行分割，从而最终获取目标区域。

使用来源于大型医院所取得的真实图像作为测试用例，设计的视频抠图与合成的完整流程如图1所示，在读取原图像之后，首先进行预处理，从而提高后续处理的质量；接着，接受用户手工输入多种子点；然后，执行区域增长算法来获取完整种子点集；接下来是对整幅图像计算模糊连接度；最后是阈值分割过程。具体地：1、预处理过程流程图如图2所示，首先读取原图，然后分别计算开运算和闭运算的结果，接着和原图合并得到结果，预处理过程中的实际图像如图6所示，其中左右两幅图分别代表白帽和黑帽运算的结果,上下两幅图分别代表原始和处理过后的图像；2、获取完整种子点集的流程图如图3所示，首先将输入的种子点及所有种子点周围一圈的8个点加入种子点集中,并计算此种子点集的灰度平均值μ和标准差α，接着扫描所有种子点的邻域,若该像素的灰度值属于[μ-lα,μ+lα](l为相对系数),则将此像素点加入种子点集中，最后更新种子点集的灰度平均值μ和标准差α；接着重新扫描种子点集的邻域并循环计算,直到不再有新的像素点被加入；图7(a)为待进行医学图像分割的原图，对头骨上的不同位置的初始节点进行区域生长后的种子点集合示意图如图7(b)-图7(f)所示；3、整幅图像模糊连接度计算流程图如图4所示，首先，建立临时集合Q表示需要参与计算的候选点，在图像中位于已计算区域的边缘，和标志矩阵F表示在计算到当前此点时的模糊连接度的临时值，初始化标志矩阵F为全零，将初始种子点集加入到临时集合Q当中，并在标志矩阵F中记录已得到的模糊连接度值；接着，寻找临时集合Q中模糊连接度值最大的点，将其从临时集合Q中取出，并计算与它相邻的点的亲和度；接下来，将相邻点的亲和度值与此点的值比较大小，若相邻点的亲和度值大，则置为此点的模糊连接度值；然后，将处理过的相邻点的亲和度值与标志矩阵F中对应点的模糊连接度值相比较，取二者大的一个作为此点的模糊连接度值；最后，将此相邻点加入临时集合Q中，并从步骤寻找标志矩阵F中最大模糊连接度值处重复执行，直到临时集合Q为空；4、阈值分割流程图如图5所示，首先统计模糊连接度矩阵F中值的分布情况，接着找到值的分布频率的变化最大点，然后用合理大小范围来鉴别所选阈值的合理性，最后根据得到的阈值来分割图像。图8(a)为待进行医学图像分割的原图；图8(b)为来自于手工分割的标准分割结果图；图8(c)为由单个初始种子点经区域生长之后得到的根节点集；图8(d)为由单个初始种子点计算得到的分割结果；图8(e)为由两个在同一半边的初始种子点经区域生长之后得到的根节点集；图8(f)为由两个在同一半边的初始种子点计算得到的分割结果；图8(g)为由两个在不同半边的初始种子点经区域生长之后得到根节点集；图8(h)为由两个在不同半边的初始种子点计算得到的分割结果。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (7)

1.一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，所述方法包括以下步骤：

S1、图像的预处理，通过进行图像学概念中有关黑帽和白帽的相关运算，使得待分割区域更为清晰，并为之后的处理步骤打好基础；

S2、多种子点输入，允许用户通过手工选取一个或多个种子点，从而获取初始种子点集，接着，利用初始种子点集及其周围像素所提取的相关信息，采用联合区域增长的方法，得到完备种子点集；

S3、模糊连接度计算，根据得到的完备种子点集，提取目标区域信息，对整幅图像进行模糊连接度值的计算，并最终得到表示每一像素点的模糊连接度大小的模糊连接度矩阵；

S4、阈值分割，根据图像上每个像素点不同的模糊连接度值的分布情况，找到最佳阈值，并最终获取目标区域。

2.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，所述步骤S1的具体过程为：

假设I_o表示原图像，SE表示用来计算的结构元素，I_w表示白帽运算结果，I_b表示黑帽运算结果，I_r表示图像的预处理结果，I_w和I_b的计算公式如下所示：

I_w＝I_o-open(I_o,SE)

I_b＝close(I_o,SE)-I_o

在得到白帽和黑帽运算结果后，与原图像合并得到图像的预处理结果：

I_r＝I_o+I_w-I_b。

3.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，所述步骤S2的具体过程为：首先，选取一个或多个种子点，选取的种子点连续或者分离，并将其加入到初始种子点集中，根据所有初始种子点周围一定范围内的像素集，即初始种子像素集计算出其相应的平均灰度值μ和标准差α,并将此初始种子像素集的邻域中与此初始种子像素集具有相同或相似性质的像素合并到初始种子像素集所在的区域中，将得到的新的像素集当作新的初始种子像素集，更新平均灰度值μ和标准差α，重复进行上面的过程,直到再没有满足条件的像素能够被添加进来，得到完备种子点集。

4.根据权利要求3所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，所述与此初始种子像素集具有相同或相似性质的像素指：该像素的灰度值在[μ-lα,μ+lα]范围内，l为相对系数。

5.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，步骤S3中所述模糊连接度值的计算具体如下：

首先定义模糊空间元素的亲和度概念，定义任意两像素间的模糊亲和度函数计算公式如下：

μ_κ(c,d)＝μ_α(c,d)[ω₁h₁(f(c),f(d))+ω₂h₂(f(c),f(d))]

其中：

ω₂＝1-ω₁

其中，μ_κ(c,d)表示任意两像素点c和d之间的模糊亲和度值，μ_α(c,d)表示了像素点c和d之间距离的度量值，而ω₁和ω₂代表可变系数，它们会根据h₁和h₂的大小自适应变化，从而使h₁和h₂所占权重不至于相差太大，达到增强参数代表性的作用，h₁和h₂分别代表图像灰度值和梯度值的高斯度量，在其公式中，m₁和m₂分别代表图像块的灰度和梯度的平均值，而s₁和s₂分别代表图像块的灰度和梯度的便准差；

综合上述公式得到：

接着，定义路径连接度的概念，在一幅图像中，对于某一条从像素点c到像素点d的路径p_cd，定义p_cd的路径连接度μ(c₁,c₂)的值为该路径的所有子路径中最弱的那条连接，即为该路径上所有子路径的元素亲和度的最小值，用函数表示为：

μ(p_cd)＝min(μ(c₁,c₂),μ(c₂,c₃),…,μ(c_m-1,c_m))

最后，定义从像素点c到像素点d的模糊连接度为从像素点c到像素点d的所有路径中路径连接度最大值,记从像素点c到像素点d的所有路径为P_cd,则模糊连接度值的计算公式如下：

μ(p_cd)＝max(μ(p_cd)),p_cd∈P_cd。

6.根据权利要求5所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，对整幅图像进行模糊连接度计算的流程包括以下步骤：

(1)、建立临时集合Q表示需要参与计算的候选点，在图像中位于已计算区域的边缘，并建立标志矩阵F表示在计算到当前此点时的模糊连接度的临时值，初始化标志矩阵F为全零，将初始种子点集加入到临时集合Q当中，在标志矩阵F中记录已得到的模糊连接度值；

(2)、寻找临时集合Q中模糊连接度值最大的点，将其从临时集合Q中取出，并计算与它相邻的点的亲和度；

(3)、将相邻点的亲和度值与此点的亲和度值比较大小，若相邻点的亲和度值大，则将相邻点的亲和度值置为此点的模糊连接度值；

(4)、将处理过的相邻点的亲和度值与标志矩阵F中对应点的模糊连接度值相比较，取二者大的一个作为此点的模糊连接度值；

(5)、将此相邻点加入临时集合Q中，并从步骤(2)开始重复执行，直到临时集合Q为空，此时，标志矩阵F中每个点的值即为对应点最终的模糊连接度值。

7.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法，其特征在于，步骤S4的具体过程为：对模糊连接度矩阵上的所有值进行统计，得到模糊连接度数值的分布情况，统计出模糊连接度数值分布频率变化最大的点，结合目标区域所占的大小，找到最佳阈值并进行分割，从而最终获取目标区域。