CN108717694B - 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 - Google Patents
基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 Download PDFInfo
- Publication number
- CN108717694B CN108717694B CN201810372933.1A CN201810372933A CN108717694B CN 108717694 B CN108717694 B CN 108717694B CN 201810372933 A CN201810372933 A CN 201810372933A CN 108717694 B CN108717694 B CN 108717694B
- Authority
- CN
- China
- Prior art keywords
- calculating
- pixels
- artifact
- image
- index
- 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
Links
- 238000002593 electrical impedance tomography Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于模糊C均值聚类的电阻抗层析成像图像质量评价方法,包括三个部分:第一部分,快速FCM聚类划分图像像素;最终将EIT图像的像素分为三类,对应伪影类、目标类和背景类,但此时这三类数据与所属类的对应关系未知;第二部分,统计分类结果;分别计算三类像素灰度值的平均值,按照从大到小的顺序将三类数据依次标记为目标、伪影和背景;第三部分,计算评价指标:根据伪影的像素数量计算伪影占比,根据目标和背景的像素数量和离散度计算图像均匀度;根据隶属度计算两种指标的权重;将两种指标分别乘以各自的权重后相加,得到最终的图像质量评价指标λ;以上所得出的伪影占比指标R,均匀度指标E和加权相加后得到的指标λ均可用来对EIT图像的质量进行评价。
Description
技术领域
本发明涉及一种电阻抗层析成像图像质量评价方法。
背景技术
电阻抗层析成像(EIT)技术是基于电磁场理论上发展出的一种过程检测技术,具有无创、无辐射、实时性高、成本低等优点,能够对人体进行病理性检测与床旁监控,具有广泛的应用前景。
EIT技术通常需要一组电极阵列,常见有16、32个。这些电极与待测物体表面接触,通过施加弱电流或弱电压,从相应的检测电极获取响应电信息,然后通过图像重建算法,得到待测区域内的电导率分布图像。由于分辨率低,EIT图像通常具有边界模糊、伪影大等特点。
目前,EIT的图像质量的评价方法通常是将重建电导率与实际电导率比较得到质量指标,例如相关系数法和图像相对误差法,但这些方法都必须得到实际电导率分布。然而,在实际应用中,实际电导率难以获得,因此目前的图像质量评价方法无法使用。
模糊C均值(FCM)聚类是一种基于划分的模糊聚类方法。首先,确定类数并初始化聚类中心;其次,利用隶属函数计算目标对象的隶属度;最后,在目标函数条件的控制下迭代修正聚类中心和隶属度矩阵。快速FCM聚类适用于一维小数据量的聚类,广泛应用于图像分割领域。
发明内容
本发明的目的是提供一种无监督式EIT图像质量评价方法,无需参考实际电导率分布,在应用中直接对EIT图像进行评价。技术方案如下:
本方法主要包括三部分:FCM聚类、统计分类结果与指标计算。
一种基于模糊C均值聚类的电阻抗层析成像图像质量评价方法,包括三个部分:
第一部分,快速FCM聚类划分图像像素
1)初始化:将得到EIT图像的像素样本投影至灰度离散集,初始化隶属度矩阵为随机数矩阵,设置类数为3;
2)计算各类中心:
3)计算所有像素点在每一类的隶属度,更新隶属度矩阵:
4)检查收敛性:如果两次迭代之间的隶属度差<10-5或迭代次数达到10次,则聚类过程结束,否则重复2)和3);
5)比较各像素在各类的隶属度值,将像素划分至其最大隶属度所属的类,根据以上方法,最终将EIT图像的像素分为三类,对应伪影类、目标类和背景类,但此时这三类数据与所属类的对应关系未知;
第二部分,统计分类结果
1)分别计算三类像素灰度值的平均值,按照从大到小的顺序将三类数据依次标记为目标、伪影和背景;
2)统计三类数据的像素数量,并计算三类数据的离散程度;
第三部分,计算评价指标
1)计算伪影占比指标:
第三部分,计算图像质量评价指标:
根据伪影的像素数量计算伪影占比,根据目标和背景的像素数量和离散度计算图像均匀度;
R表示伪影占比指标,N表示像素总数量,n2是伪影类像素的数量;
2)计算图像均匀度指标:
E=1-(G1·(n1/N)+G3·(n3/N))
E表示图像均匀度指标,G1和G3分别表示目标和背景的离散度,n1和n3分别表示目标和背景的像素数量;
3)根据隶属度计算两种指标的权重;
ωR表示伪影占比指标的权重,ωE表示图像均匀度指标的权重,uk1,uk2,uk3分别代表目标、伪影和背景中第k像素在对应类的隶属度;
4)计算图像质量评价指标:
将两种指标分别乘以各自的权重后相加,得到最终的图像质量评价指标λ;
λ=ωR·R+ωE·E;
以上所得出的伪影占比指标R,均匀度指标E和加权相加后得到的指标λ均可用来对EIT图像的质量进行评价。
本发明的技术效果如下:
1)对EIT图像的模糊性具有良好的适应能力;
2)可以实现在实际电导率分布未知的情况下,直接对EIT图像进行质量评价。
附图说明
图1评价方法流程图
图2实际电导率分布图
图3EIT图像
图4快速FCM分类结果
具体实施方式
考虑到EIT图像的分辨率低、伪影大、边界模糊的特点,EIT图像应当符合以下条件:
1)同种介质应该具有相同的灰度;
2)目标的灰度应当比伪影的灰度高,背景的灰度应当比伪影的灰度低;
3)图像中伪影应该尽量小。
综上所述,图像伪影越小,目标和背景均匀度越高,则图像质量越好。因此,通过融合伪迹的大小和图像均匀度的方法得到最终的图像质量评价指标。本发明选用了快速FCM聚类方法,原因如下:
1)快速FCM聚类能够良好地处理图像中的边界不清晰的问题;
2)快速FCM方法运行时间快,具有较好的时间分辨率,不占用整体系统的成像过程时间;
3)快速FCM是一种无监督方法,适用于实际工程中截面图像不可获取的情形,可以满足无监督评价的需要。
本方法主要包括三部分:FCM聚类、统计分类结果与指标计算。
1.快速FCM聚类划分图像像素
2)计算各类中心:
其中,vi表示第i类的模糊中心,b是迭代次数。
3)计算所有像素点在每一类的隶属度,更新隶属度矩阵,式中,L=256:
4)检查收敛性:如果两次迭代之间的隶属度差||U(b)-U(b+1)||<10-5或迭代次数达到10次,则聚类过程结束,否则重复2)和3)。
5)比较各像素在各类的隶属度值,将像素划分至其最大隶属度所属的类。根据以上方法,最终可将图像像素聚成3类。
2.统计分类结果
1)计算三类数据的平均值,按照从大到小的顺序将三类数据依次标记为目标、伪影和背景,图4所示为EIT图像聚类标记后的结果;
2)统计三类数据的像素数量,并计算三类数据的离散程度:
3.计算评价指标
1)计算伪影占比指标:
根据伪影的像素数量计算伪影占比,根据目标和背景的像素数量和离散度计算图像均匀度;
R表示伪影占比指标,N表示像素总数量。
2)计算图像均匀度指标:
E=1-(G1·(n1/N)+G3·(n3/N))
E表示图像均匀度指标,G1和G3分别表示目标和背景的离散度,n1和n3分别表示目标和背景的像素数量,N表示像素总数量。
3)根据隶属度计算两种指标的权重;
ωR表示伪影占比指标的权重,ωE表示图像均匀度指标的权重,uk1,uk2,uk3分别代表目标、伪影和背景中第k像素在对应类的隶属度,n1、n2和n3分别表示目标、伪影和背景的像素数量。
4)计算综合评价指标:
将两种指标分别乘以各自的权重后相加,得到最终的图像质量评价指标λ。
λ=ωR·R+ωE·E
ωR表示伪影占比指标的权重,ωE表示图像均匀度指标的权重,R表示伪影占比指标,N表示像素总数量。
以上所得出的伪影占比指标R,均匀度指标E和加权相加后得到的指标λ均可以对EIT图像的质量进行评价。
图1为评价方法的流程图。
为了验证本方法的有效性,采用Comsol 3.5a with Matlab仿真平台,建立图2所示的模型,通过三种算法对该模型进行EIT图像重建,然后利用所提出的三种指标对EIT图像进行评价指标计算。图3为通过16电极测量的数据重建的3幅图像,其圆形场域被剖分为812个像素单元。图4为3幅EIT图像的FCM聚类结果,白色为目标部分,灰色为伪影部分,黑色为背景部分。表1为3幅图像的评价指标。
由评价结果可以看出,本发明所描述的三种评价指标评价质量结果为:3号图像>2号图像>1号图像,与传统EIT图像质量评价方法的相关系数评价结果一致,验证了本发明所提供的EIT图像质量评价方法的良好效果。
表1EIT图像的评价结果
1 | 2 | 3 | |
R | 0.6589 | 0.7081 | 0.8744 |
E | 0.9576 | 0.9586 | 0.9660 |
λ | 0.5872 | 0.5986 | 0.6724 |
相关系数 | 0.7038 | 0.7639 | 0.8788 |
Claims (1)
1.一种基于模糊C均值聚类的电阻抗层析成像图像质量评价方法,包括三个部分:
第一部分,快速FCM聚类划分图像像素
1)初始化:将得到EIT图像的像素样本投影至灰度离散集,初始化隶属度矩阵为随机数矩阵,设置类数为3;
2)计算各类中心:
3)计算所有像素点在每一类的隶属度,更新隶属度矩阵:
4)检查收敛性:如果两次迭代之间的隶属度差<10-5或迭代次数达到10次,则聚类过程结束,否则重复2)和3);
5)比较各像素在各类的隶属度值,将像素划分至其最大隶属度所属的类,根据以上方法,最终将EIT图像的像素分为三类,对应伪影类、目标类和背景类,但此时这三类数据与所属类的对应关系未知;
第二部分,统计分类结果
1)分别计算三类像素灰度值的平均值,按照从大到小的顺序将三类数据依次标记为目标、伪影和背景;
2)统计三类数据的像素数量,并计算三类数据的离散程度;
第三部分,计算评价指标
1)计算伪影占比指标:
第三部分,计算图像质量评价指标:
根据伪影的像素数量计算伪影占比,根据目标和背景的像素数量和离散度计算图像均匀度;
R表示伪影占比指标,N表示像素总数量,n2是伪影类像素的数量;
2)计算图像均匀度指标:
E=1-(G1·(n1/N)+G3·(n3/N))
E表示图像均匀度指标,G1和G3分别表示目标和背景的离散度,n1和n3分别表示目标和背景的像素数量;
3)根据隶属度计算两种指标的权重;
ωR表示伪影占比指标的权重,ωE表示图像均匀度指标的权重,uk1,uk2,uk3分别代表目标、伪影和背景中第k像素在对应类的隶属度;
4)计算图像质量评价指标:
将两种指标分别乘以各自的权重后相加,得到最终的图像质量评价指标λ;
λ=ωR·R+ωE·E;
以上所得出的伪影占比指标R,均匀度指标E和加权相加后得到的指标λ均可用来对EIT图像的质量进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810372933.1A CN108717694B (zh) | 2018-04-24 | 2018-04-24 | 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810372933.1A CN108717694B (zh) | 2018-04-24 | 2018-04-24 | 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717694A CN108717694A (zh) | 2018-10-30 |
CN108717694B true CN108717694B (zh) | 2021-04-02 |
Family
ID=63899163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810372933.1A Expired - Fee Related CN108717694B (zh) | 2018-04-24 | 2018-04-24 | 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717694B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584242A (zh) * | 2018-11-24 | 2019-04-05 | 天津大学 | 最大熵和kl散度无参考对比度失真图像质量评价方法 |
CN110827215A (zh) * | 2019-10-21 | 2020-02-21 | 天津大学 | 一种基于模糊聚类的ert图像重建伪影去除方法 |
CN112557453B (zh) * | 2020-11-26 | 2022-04-19 | 天津大学 | 基于连续相导电特性补偿的油气水三相流持气率测量方法 |
CN112568932A (zh) * | 2021-02-26 | 2021-03-30 | 深圳中科乐普医疗技术有限公司 | 一种穿刺针显影增强的方法、系统和超声成像设备 |
CN116309581B (zh) * | 2023-05-19 | 2024-02-27 | 深圳市夜行人科技有限公司 | 一种微光成像单元的成像评价方法、系统及存储介质 |
CN117315334A (zh) * | 2023-09-08 | 2023-12-29 | 北京百度网讯科技有限公司 | 图像分类方法、模型的训练方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN104023230A (zh) * | 2014-06-23 | 2014-09-03 | 北京理工大学 | 一种基于梯度关联性的无参考图像质量评价方法 |
CN104751469A (zh) * | 2015-04-02 | 2015-07-01 | 西安电子科技大学 | 基于核模糊c均值聚类的图像分割方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
-
2018
- 2018-04-24 CN CN201810372933.1A patent/CN108717694B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN104023230A (zh) * | 2014-06-23 | 2014-09-03 | 北京理工大学 | 一种基于梯度关联性的无参考图像质量评价方法 |
CN104751469A (zh) * | 2015-04-02 | 2015-07-01 | 西安电子科技大学 | 基于核模糊c均值聚类的图像分割方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
Non-Patent Citations (5)
Title |
---|
An Image Evaluation Method for Electrical Impedance Tomography Based on Gradient Error;Lv Jinghua等;《2009 3rd International Conference on Bioinformatics and Biomedical Engineering》;20090714;第1-4页 * |
Evaluation and Real-Time Monitoring of Data Quality in Electrical Impedance Tomography;Yasin Mamatjan等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20131130;第1997-2005页 * |
基于无监督学习的EIT图像重建方法研究;韩倩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20171015;I138-185 * |
基于聚类的电学层析成像算法及应用;张凯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215(第2期);I138-2276 * |
电学层析聚类成像质量评估研究;赵晶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120815(第8期);I138-787 * |
Also Published As
Publication number | Publication date |
---|---|
CN108717694A (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717694B (zh) | 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法 | |
CN109934885B (zh) | 一种锐利边缘保持的电阻层析成像图像重建方法 | |
CN109283230B (zh) | 一种平面阵列电容成像方法及系统 | |
CN111047663B (zh) | 电学层析成像伪影抑制图像重建方法 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN110934586B (zh) | 一种灰度值矩阵快速分解重建的正则化方法 | |
CN112798654B (zh) | 用于电阻抗层析成像的快速梯度法和自适应雅可比矩阵重构方法 | |
Ganesan et al. | A method to segment color images based on modified fuzzy-possibilistic-c-means clustering algorithm | |
CN103955709A (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN114758031A (zh) | 电容耦合电阻抗层析成像图像重建方法和装置 | |
Chung | Heat kernel smoothing on unit sphere | |
CN108122229B (zh) | 一种全参考电阻抗成像图像质量评价方法 | |
CN113192092B (zh) | 一种模拟xyw细胞感受野特性融合的轮廓检测方法 | |
Sun et al. | Multifocus Image Reconstruction and Fusion for 3-D Flow Visualization Using an Optimized Four-Plane ECT Sensor | |
CN110992385B (zh) | 抑制伪影与保护边缘的颅内图像重建方法 | |
Zhao et al. | Multi-energy X-ray images fusion method based on fuzzy entropy and sparse representation for complex castings | |
CN113129292B (zh) | 基于迭代马尔科夫的合成孔径雷达影像变化检测方法 | |
CN115067920B (zh) | 一种具有高分辨率能够增强重建图像边缘特征的电阻抗层析成像方法 | |
CN113052927B (zh) | 一种提高空间分辨率的成像检测方法 | |
Sowmya et al. | Colour image segmentation using fuzzy clustering techniques | |
CN115115551B (zh) | 一种基于卷积字典的视差图修复方法 | |
CN115063294B (zh) | 一种能够估计结果置信度的超分辨率重建方法 | |
CN112184740B (zh) | 一种基于统计活动轮廓和纹理字典的图像分割方法 | |
CN116269304B (zh) | 一种拼接层预处理方法以及三维电阻抗成像方法 | |
Li et al. | The optimization of ET by FCM and Its Variants |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 |