CN109102513A - 一种基于数学形态学的医学图像的分割算法 - Google Patents
一种基于数学形态学的医学图像的分割算法 Download PDFInfo
- Publication number
- CN109102513A CN109102513A CN201810927858.0A CN201810927858A CN109102513A CN 109102513 A CN109102513 A CN 109102513A CN 201810927858 A CN201810927858 A CN 201810927858A CN 109102513 A CN109102513 A CN 109102513A
- Authority
- CN
- China
- Prior art keywords
- medical image
- region
- gradient
- area
- mathematical morphology
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Abstract
本发明公开了医学图像处理技术领域的一种基于数学形态学的医学图像的分割算法,其特征在于:该基于数学形态学的医学图像的分割算法包括如下步骤:S1:医学图像形态重建;S2:多尺度医学图像形态梯度计算;S3:医学图像形态梯度修正;S4:医学图像分水岭变换及区域合并,该种基于数学形态学的医学图像的分割算法,设计合理,实用性强,能够有效的除去噪音图像分隔的干扰,而且可以消除过分隔区域,同时具有很强的区域轮廓定位能力,大大提高了图像分割效果,使得医生或者医学研究人员对医学图像上显示的器官和组织的更好的辨认。
Description
技术领域
本发明涉及医学图像处理技术领域,具体为一种基于数学形态学的医学图像的分割算法。
背景技术
医学图像分割是现代医学图像处理中的关键技术,它是正常组织和病变组织的三维重建、定量分析等后续操作的基础,也是临床医学应用的瓶颈,医学CT图像分割的主要目的是提取感兴趣的器官、组织等部分以用于临床诊断和病理学研究等诸多方面,近年来,将一些特定的新兴理论应用到医学图像分割中是医学图像处理的一个研究热点,数学形态学是一门新兴理论,其典型的图像分割算法是形态学分水岭变换,但是传统的形态学分水岭变换存在严重的过分割现象,而且受到外部噪音的影响过大,导致医学图像的医学图像分割效果降低,影响医生对医学图像上显示的器官和组织的辨认,导致医生产生误诊等情况,为此,我们提出了一种基于数学形态学的医学图像的分割算法。
发明内容
本发明的目的在于提供一种基于数学形态学的医学图像的分割算法,以解决上述背景技术中提出的传统的形态学分水岭变换存在严重的过分割现象,而且受到外部噪音的影响过大,导致医学图像的医学图像分割效果降低,影响医生对医学图像上显示的器官和组织的辨认,导致医生产生误诊等情况的问题。
为实现上述目的,本发明提供如下技术方案:一种基于数学形态学的医学图像的分割算法,该基于数学形态学的医学图像的分割算法包括如下步骤:
S1:医学图像形态重建:首先对医学图像进行一次开重建,具体公式为:(Y~ N(f)=Y(rec)(YN(f),f)),当对医学图像开重建完成后,再对开重建后的医学图像进行一次闭重建,具体公式为(T~ N(f)=Y(rec)(TN(f),f)),式中Y,T分别表示形态学中的开运算和闭运算,f表示要重建的图像,(rce)表示重建运算,N表示运算使用的结构元素的尺寸;
S2:多尺度医学图像形态梯度计算:假设Bi(0≤i≤n)为一组正方形的结构元素,Bi的大小为(2i+1)×(2i+1)个像素点,则多尺度梯度的计算公式为式中f为原始图像,n为运算使用的结构元素的尺寸;
S3:医学图像形态梯度修正:假设梯度等级为l时,相应的结构半径r(l)为:0≤l≤max(l),0<a<1,式中r0为最大半径,max(l)为梯度最大值,a为调节因子,设对应的层面经修正后转变为gl',则:gl'=T(l,r(l)),0≤l≤max(l),将每一层面的输出进行合并,即确定修正后的梯度g':
S4:医学图像分水岭变换及区域合并:首先把分水岭分割算法获得的区域使用区域相邻图像表示,其次采用相邻边缘强度信息进行区域合并,相邻边缘强度的定义为:扫描相邻区域间的边缘像素,如果其梯度值高于预设的阈值D1,则令其为强边缘像素,区域间的强边缘像素占相邻边缘像素的比例称为相邻边缘强度,合并算法为:1)设定一个区域面积的阈值Dsize,扫描所有区域,记录区域面积小于Dsize的区域,从面积最小的区域Ri(结点ni)开始,①在Ri的所有相邻区域中,找出与其相邻边缘强度最小的区域Rj(结点nj);②合并Ri和Rj区域,更新区域相邻图;2)重复步骤1),直到没有区域面积小于Dsize。
优选的,所述步骤S3中,参数a的选取应保证当l取max(l)时,r(l)为最小结构元素半径值,当l取梯度最小值时,r(l)趋于r0。
与现有技术相比,本发明的有益效果是:该种基于数学形态学的医学图像的分割算法,设计合理,实用性强,能够有效的除去噪音图像分隔的干扰,而且可以消除过分隔区域,同时具有很强的区域轮廓定位能力,大大提高了图像分割效果,使得医生或者医学研究人员对医学图像上显示的器官和组织的更好的辨认。
附图说明
图1为本发明分割算法流出图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于数学形态学的医学图像的分割算法,其特征在于:该基于数学形态学的医学图像的分割算法包括如下步骤:
S1:医学图像形态重建:首先对医学图像进行一次开重建,具体公式为:(Y~ N(f)=Y(rec)(YN(f),f)),当对医学图像开重建完成后,再对开重建后的医学图像进行一次闭重建,具体公式为(T~ N(f)=Y(rec)(TN(f),f)),式中Y,T分别表示形态学中的开运算和闭运算,f表示要重建的图像,(rce)表示重建运算,N表示运算使用的结构元素的尺寸;
S2:多尺度医学图像形态梯度计算:假设Bi(0≤i≤n)为一组正方形的结构元素,Bi的大小为(2i+1)×(2i+1)个像素点,则多尺度梯度的计算公式为式中f为原始图像,n为运算使用的结构元素的尺寸;
S3:医学图像形态梯度修正:假设梯度等级为l时,相应的结构半径r(l)为:0≤l≤max(l),0<a<1,式中r0为最大半径,max(l)为梯度最大值,a为调节因子,设对应的层面经修正后转变为g'l,则:g'l=T(l,r(l)),0≤l≤max(l),将每一层面的输出进行合并,即确定修正后的梯度g':
S4:医学图像分水岭变换及区域合并:首先把分水岭分割算法获得的区域使用区域相邻图像表示,其次采用相邻边缘强度信息进行区域合并,相邻边缘强度的定义为:扫描相邻区域间的边缘像素,如果其梯度值高于预设的阈值D1,则令其为强边缘像素,区域间的强边缘像素占相邻边缘像素的比例称为相邻边缘强度,合并算法为:1)设定一个区域面积的阈值Dsize,扫描所有区域,记录区域面积小于Dsize的区域,从面积最小的区域Ri(结点ni)开始,①在Ri的所有相邻区域中,找出与其相邻边缘强度最小的区域Rj(结点nj);②合并Ri和Rj区域,更新区域相邻图;2)重复步骤1),直到没有区域面积小于Dsize。
其中,所述步骤S3中,参数a的选取应保证当l取max(l)时,r(l)为最小结构元素半径值,当l取梯度最小值时,r(l)趋于r0。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于数学形态学的医学图像的分割算法,其特征在于:该基于数学形态学的医学图像的分割算法包括如下步骤:
S1:医学图像形态重建:首先对医学图像进行一次开重建,具体公式为:(Y~N(f)=Y(rec)(YN(f),f)),当对医学图像开重建完成后,再对开重建后的医学图像进行一次闭重建,具体公式为(T~N(f)=Y(rec)(TN(f),f)),式中Y,T分别表示形态学中的开运算和闭运算,f表示要重建的图像,(rce)表示重建运算,N表示运算使用的结构元素的尺寸;
S2:多尺度医学图像形态梯度计算:假设Bi(0≤i≤n)为一组正方形的结构元素,Bi的大小为(2i+1)×(2i+1)个像素点,则多尺度梯度的计算公式为式中f为原始图像,n为运算使用的结构元素的尺寸;
S3:医学图像形态梯度修正:假设梯度等级为l时,相应的结构半径r(l)为:0≤l≤max(l),0<a<1,式中r0为最大半径,max(l)为梯度最大值,a为调节因子,设对应的层面经修正后转变为gl',则:g′l=T(l,r(l)),0≤l≤max(l),将每一层面的输出进行合并,即确定修正后的梯度g':
S4:医学图像分水岭变换及区域合并:首先把分水岭分割算法获得的区域使用区域相邻图像表示,其次采用相邻边缘强度信息进行区域合并,相邻边缘强度的定义为:扫描相邻区域间的边缘像素,如果其梯度值高于预设的阈值D1,则令其为强边缘像素,区域间的强边缘像素占相邻边缘像素的比例称为相邻边缘强度,合并算法为:1)设定一个区域面积的阈值Dsize,扫描所有区域,记录区域面积小于Dsize的区域,从面积最小的区域Ri(结点ni)开始,①在Ri的所有相邻区域中,找出与其相邻边缘强度最小的区域Rj(结点nj);②合并Ri和Rj区域,更新区域相邻图;2)重复步骤1),直到没有区域面积小于Dsize。
2.根据权利要求1所述的一种基于数学形态学的医学图像的分割算法,其特征在于:所述步骤S3中,参数a的选取应保证当l取max(l)时,r(l)为最小结构元素半径值,当l取梯度最小值时,r(l)趋于r0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927858.0A CN109102513A (zh) | 2018-08-15 | 2018-08-15 | 一种基于数学形态学的医学图像的分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927858.0A CN109102513A (zh) | 2018-08-15 | 2018-08-15 | 一种基于数学形态学的医学图像的分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102513A true CN109102513A (zh) | 2018-12-28 |
Family
ID=64849825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810927858.0A Pending CN109102513A (zh) | 2018-08-15 | 2018-08-15 | 一种基于数学形态学的医学图像的分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102513A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084816A (zh) * | 2019-03-21 | 2019-08-02 | 深圳大学 | 物体分割方法、装置、计算机可读存储介质和计算机设备 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
WO2020164042A1 (zh) * | 2019-02-14 | 2020-08-20 | 唐锐 | 基于边界提取的区域合并图像分割算法 |
CN113487499A (zh) * | 2021-06-23 | 2021-10-08 | 南京诺源医疗器械有限公司 | 一种医疗光学成像用控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709964A (zh) * | 2016-12-06 | 2017-05-24 | 河南工业大学 | 基于梯度修正和多向纹理提取的素描画生成方法及装置 |
-
2018
- 2018-08-15 CN CN201810927858.0A patent/CN109102513A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709964A (zh) * | 2016-12-06 | 2017-05-24 | 河南工业大学 | 基于梯度修正和多向纹理提取的素描画生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
张晓燕等: "一种改进的分水岭图像分割算法", 《空军工程大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020164042A1 (zh) * | 2019-02-14 | 2020-08-20 | 唐锐 | 基于边界提取的区域合并图像分割算法 |
US11037299B2 (en) | 2019-02-14 | 2021-06-15 | China Institute Of Water Resources And Hydropower Research | Region merging image segmentation algorithm based on boundary extraction |
CN110084816A (zh) * | 2019-03-21 | 2019-08-02 | 深圳大学 | 物体分割方法、装置、计算机可读存储介质和计算机设备 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
CN113487499A (zh) * | 2021-06-23 | 2021-10-08 | 南京诺源医疗器械有限公司 | 一种医疗光学成像用控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102513A (zh) | 一种基于数学形态学的医学图像的分割算法 | |
Yang et al. | Multimodal sensor medical image fusion based on type-2 fuzzy logic in NSCT domain | |
Park et al. | Skull stripping based on region growing for magnetic resonance brain images | |
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
Anter et al. | Automatic computer aided segmentation for liver and hepatic lesions using hybrid segmentations techniques | |
Patil et al. | A review paper on brain tumor segmentation and detection | |
CN104751437B (zh) | 基于胸部ct图像的肺部自动提取方法 | |
CN110288582A (zh) | 一种细胞核的准确分割方法 | |
CN104143035B (zh) | 一种分割乳腺病灶的方法 | |
CN107767349B (zh) | 一种图像局部对比度增强的方法 | |
CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
Zhao et al. | Medical image processing based on mathematical morphology | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
Du et al. | An adaptive two-scale biomedical image fusion method with statistical comparisons | |
Kumar et al. | Image processing in diabetic related causes | |
Ali et al. | A deep learning based approach to skin lesion border extraction with a novel edge detector in dermoscopy images | |
Celebi et al. | Guest editorial skin lesion image analysis for melanoma detection | |
CN109685783A (zh) | 一种基于骨架提取的细胞计数方法 | |
Chen et al. | Advanced level set segmentation of the right atrium in MR | |
CN111223090A (zh) | 人体肺部ct图像中肿瘤图像的识别系统 | |
Ajam et al. | Segmentation of CT brain stroke image using marker controlled watershed | |
Maurya et al. | An efficient method for brain image preprocessing with anisotropic diffusion filter & tumor segmentation | |
Almi'ani et al. | Automatic segmentation algorithm for brain MRA images | |
CN110009645A (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
JP4698226B2 (ja) | 体の構造の選択的レンダリング方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |