CN110060223B - 一种基于特征提取及去噪的图像分割方法 - Google Patents

一种基于特征提取及去噪的图像分割方法 Download PDF

Info

Publication number
CN110060223B
CN110060223B CN201910502203.3A CN201910502203A CN110060223B CN 110060223 B CN110060223 B CN 110060223B CN 201910502203 A CN201910502203 A CN 201910502203A CN 110060223 B CN110060223 B CN 110060223B
Authority
CN
China
Prior art keywords
image
sac
binary
image obtained
binary image
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
Application number
CN201910502203.3A
Other languages
English (en)
Other versions
CN110060223A (zh
Inventor
石慧娟
刘丽珏
李仪
穆阳
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.)
Hunan Zixing Wisdom Medical Technology Co ltd
Original Assignee
Hunan Zixing Wisdom Medical Technology Co ltd
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 Hunan Zixing Wisdom Medical Technology Co ltd filed Critical Hunan Zixing Wisdom Medical Technology Co ltd
Priority to CN201910502203.3A priority Critical patent/CN110060223B/zh
Publication of CN110060223A publication Critical patent/CN110060223A/zh
Application granted granted Critical
Publication of CN110060223B publication Critical patent/CN110060223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30044—Fetus; Embryo
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于特征提取及去噪的图像分割方法，本发明首先分割得到B超图像，通过选择孕囊所处位置的区域，特征提取、去噪、凸包检测等算法得到孕囊；再采用水平集分割结果图与孕囊做与运算，通过特征提取、形态学、去噪等算法分割出卵黄囊‑胚芽发育状态。使得在选取的149个数据中，孕囊分割的准确率为94%，卵黄囊‑胚芽分割的准确率达到77.14%。

Description

一种基于特征提取及去噪的图像分割方法
技术领域
本发明涉及一种B超图像分割出孕囊、卵黄囊-胚芽发育状态的方法，属于图像处理领域。
背景技术
产前大数据可监控胚胎发育的全过程，自动识别并测量胚胎各个生长阶段的关键发育指标，比如孕囊、卵黄囊-胚芽。在我们的机器深度学习医生的知识经验之后，可以建立胚胎发育情况评估系统，自动判断胚胎的发育是否正常，以便及早进行干预。
当前图像分割方法涉及到的经典算法已经是相当成熟，然而在解决实际问题中任何一种算法都无法独立胜任。在分割算法当中，阈值分割以及主动轮廓分割技术分割算法已经相当成熟，但是本次研究的孕囊、卵黄囊-胚芽的分割会受到积液、噪声等的影响造成分割不准。孕囊的分割的难点是由于B超图像中有各种积液，且有部分积液形似孕囊因此其很干扰到孕囊的分割；而卵黄囊-胚芽的分割是由于大部分的卵黄囊-胚芽都在孕囊的边缘且其边缘的灰度特征跟孕囊外的特征很近似因此不好分割，现有的图片处理方法，无法有效对B超图像的孕囊、卵黄囊-胚芽进行有效的处理。
名词解释：
与运算：是计算机中一种基本的逻辑运算方式；
二值图：即是把灰度图转化为黑白图。
掩膜法：使用opencv中Mat函数方法,调用Mat(Rect).setTo方法设置掩模，并把输入的二值图像用copyTo函数把输入的二值图像复制到掩膜中；
轮廓面积：为选择区域的像素和；
轮廓法：轮廓法主要用findContours找到分割的二值图的孕囊所处位置的区域部分再使用contourArea函数判断轮廓面积最后用drawContours函数对于轮廓面积小于20000部分填充为背景颜色；背景颜色指的是非子宫部分的区域。
填充空洞：使用Floodfill函数进行对二值图像的空洞进行填充，建立函数imfill(src, dst)第一个参数是输入图片，第二个参数为输出图片。
开运算：先腐蚀运算，再膨胀运算（看上去把细微连在一起的两块目标分开了）。
闭运算：先膨胀运算，再腐蚀运算（看上去将两个细微连接的图块封闭在一起）。
包络面积：凸包检测结果图的轮廓面积。
卵黄囊-胚芽发育状态：女性在怀孕初期做检查的时候需定期检测卵黄囊-胚芽发育状态。首先看到的就是卵黄囊，只有发现了卵黄囊才会随着时间的发展慢慢的发育成胚芽。卵黄囊通常是在六周左右的时候出现，胚芽在六周到六周半的时间出现，相隔时间不会超一个星期左右。所以有卵黄囊出现就能确定是怀孕，但是卵黄囊不能判断胚芽是否正常,只有看到了胚芽出现胎心才能说明胚芽是正常的。卵黄囊的生长过程是一个渐进的过程，所以需要在不同的时间做出相应的检查，才能判断是否正常。
发明内容
为解决上述问题，本发明提供了一种早孕子宫图像的自动分割各个指标的处理方法。本发明首先采用水平集算法分割B超图像，令得到的分割图像经过特征分析以及去噪得到孕囊并保存孕囊分割结果图；而卵黄囊-胚芽则是通过水平集算法分割B超图像通过去除边缘噪声等算法得到孕囊、卵黄囊-胚芽发育状态分割图像的初形再令其与分割的孕囊做与运算得到卵黄囊-胚芽的初形，再根据卵黄囊-胚芽的形状和灰度值特征做特征分析得到卵黄囊-胚芽发育状态的二值图，然后根对卵黄囊-胚芽的二值图进行去噪处理得到卵黄囊-胚芽发育状态的输出结果图。由于孕囊、卵黄囊-胚芽的分割受到各种因素的影响，本次研究采用了水平集算法、阈值分割、图包检测、拟合椭圆等算法，使得在选取的149个数据中，孕囊分割的准确率为94%，卵黄囊-胚芽分割的准确率达到77.14%。
为达到上述技术效果，本发明的技术方案是：
一种基于特征提取及去噪的图像分割方法，包括孕囊分割过程及卵黄囊-胚芽发育状态分割过程；
孕囊分割过程包括如下步骤：
步骤一：输入B超图像；
步骤二：经过图像分割和特征提取得到B超图像二值图；
步骤三：选取孕囊所处位置的区域得到孕囊二值图；
步骤四：图像特征提取得到特征提取图像；
步骤五：特征提取图像去噪，得到孕囊二值结果图；
卵黄囊-胚芽分割过程如下：
步骤一）：输入B超图像；
步骤二）：图像分割并去噪得到孕囊-卵黄囊-胚芽发育状态二值图；
步骤三）：输出孕囊-卵黄囊-胚芽发育状态初形图；
步骤四）：特征分析得到卵黄囊-胚芽发育状态初形图；
步骤五）：去噪；
步骤六）：拟合椭圆；
步骤七）：输出卵黄囊-胚芽发育状态结果图；
孕囊分割过程及卵黄囊-胚芽发育状态分割过程中设置杂影剔除面积参数P1和背景剔除面积参数P2。
进一步的改进，所述步骤四中，所述特征提取的处理步骤如下：
4.1）：去除形似孕囊但比孕囊亮的噪声：将步骤三得到的孕囊二值图灰度化后再阈值分割，然后去除轮廓面积小于3.5*P1像素的部分得到图像；
4.2）：对步骤4.1）得到的图像，去除轮廓面积与包络面积之比小于0.75部分且去除轮廓面积小于20*P1像素的部分，得到图像；
4.3）：计算步骤4.2）得到的图像连通域的个数N，当N≥1时输出图像为步骤4.1）得到的图像作为特征提取图像，当N<1时输出图像为步骤4.2）得到的图像作为特征提取图像。
进一步的改进，步骤五中，所述去噪的处理步骤如下：
5.1）：对于步骤四得到的特征提取图像，去除轮廓面积大于P3像素或者轮廓周长与轮廓面积之比大于0.07且轮廓面积大于P2像素部分得到图像；其中，1.5*P2≤P3≤2*P2；
5.2）：对于步骤5.1）得到的图像留下轮廓周长与轮廓面积之比最小的轮廓并填充空洞；
5.3）：然后步骤5.2）得到的图像去除剩余孕囊边缘噪声；
5.4）：步骤5.3）得到的图像补充孕囊缺失部分：凸包检测，填充空洞，去除轮廓面积小于10*P1像素的轮廓得到孕囊二值结果图。
进一步的改进，所述杂影剔除面积参数P1为80-150像素，所述背景剔除面积参数P2为B超图片尺寸像素的0.1-0.2倍。
进一步的改进，所述步骤三）中，所述输出孕囊-卵黄囊-胚芽发育状态初形图的处理步骤如下：
（3.1）：输入孕囊二值结果图；
（3.2）：孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图做逻辑与运算组合成二值图像：即孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图中某一相同位置均有相同的像素点则保留此点，否则删除此点。
进一步的改进，步骤四）中，所述特征分析的处理步骤如下：
（4.1）：对步骤（3.2）得到的二值图像进行凸包检测，将进行凸包检测的图像进行取反并与步骤（3.2）得到的二值图像进行与运算，再采用轮廓法去除轮廓面积小于P1像素的部分得到二值图像；
（4.2）：步骤（3.2）得到的二值图像进行取反，去除边缘噪声即采用轮廓法去除轮廓面积小于2*P1像素部分得到处理过的二值图像;
（4.3）：判断步骤（4.2）得到图像的连通域个数是否≥1；
（4.4）：如果连通域的个数≥1则取步骤（4.2）得到的二值图像；
（4.5）：如果连通域的个数＜1则取为步骤（4.1）得到的二值图像；
（4.6）：步骤（4.4）或步骤（4.5）得到的二值图像与孕囊二值结果图做与运算得到卵黄囊-胚芽发育状态的初形图。
进一步的改进，步骤五）中，所述去噪的处理步骤如下：
（5.1）：步骤（4.6）得到的图像采用轮廓法去除轮廓周长与轮廓面积大于0.5的部分，接着根据连通域的个数去除轮廓，当连通域的个数＞1时去除轮廓面积大于P4像素的部分，如果连通域的个数≤1时则输出图像不做处理；8*P1≤P4≤15*P1；
（5.2）：对步骤（5.1）得到的图像先做一个开运算再做一个闭运算得到形态学处理的二值图像；
（5.3）：步骤（5.2）得到的图像采用轮廓法去除轮廓面积小于P1像素的部分和去除轮廓周长与轮廓面积比大于0.35部分；
（5.4）：步骤（5.3）得到的图像再做一个闭运算，再令图像与步骤（5.1）得到的图像做一个与运算得到新的二值图像；
（5.5）：如果步骤5.1得到的图像的轮廓面积大于P5像素则结果图为步骤（5.4）得到的二值图像，否则为步骤（5.1）得到的二值图像；0.05*P2≤P5≤0.2*P2；
（5.6）：步骤（5.5）得到的二值图像去除轮廓面积小于P1像素的部分，再让图像与孕囊二值结果图做逻辑与运算得到新的结果图像；新的结果图像做形态学运算;
（5.7）：去除步骤（5.6）得到的二值图像中最小矩形的长和宽的比值小于0.44或大于2.4，同时轮廓面积小于P6像素且大于10*P1像素部分，再将二值图像中最小矩形的长和宽的比值小于0.35或大于5且轮廓面积小于P1像素的部分得到新的二值图；0.1*P2≤P6≤0.2*P2；
进一步的改进，步骤六）中，所述拟合椭圆的处理步骤如下：
（6.1）：对步骤（5.7）得到的新的二值图拟合椭圆并进行填充得到结果二值图；
（6.2）：根据步骤（6.1）得到的结果二值图水平方向和垂直方向像素和，去除水平方向和垂直方向像素和小于P7的部分，再对图像进行拟合椭圆并填充；0.5*P1≤P7≤1*P1；
步骤七）中，输出卵黄囊-胚芽发育状态结果图的步骤如下：
（6.3）：输出步骤（6.2）得到的二值图像连通域的个数，如果图像的连通域的个数大于2时去除轮廓面积小于5*P1像素的部分输出卵黄囊-胚芽发育状态结果图，否则直接输出卵黄囊-胚芽发育状态结果图。
进一步的改进，其中P4=106000，P5=6300,P6=5000，P7=60。
附图说明
图1为早孕B超图像带有卵黄囊部分的详解；
图1(a)：一幅B超孕囊放大图；
图1(b)：孕囊二值图；
图1(c)：孕囊二值结果图；
图1(d)：孕囊-卵黄囊-胚芽发育状态二值图；
图1(e)：卵黄囊发育状态初形图；
图1(f)：去噪结果图；
图1(g)：拟合椭圆结果图；
图1(h)：卵黄囊发育状态结果图；
图2为早孕B超图像带有胚芽部分的详解；
图2(a)：一幅B超孕囊放大图；
图2(b)：孕囊二值图；
图2(c)：孕囊二值结果图；
图2(d)：孕囊-卵黄囊-胚芽发育状态二值图；
图2(e)：胚芽发育状态初形图；
图2(f)：拟合椭圆结果图；
图2(g)：胚芽发育状态结果图；
图3：分割指标的算法流程图。
具体实施方式
下面通过具体实施例及附图对本发明的自动分割B超图像指标做进一步的详述。
先结合具体实施例及附图，来进一步阐述本发明。
实施例1：
一种基于特征提取及去噪的图像分割方法，包括孕囊分割过程和卵黄囊-胚芽发育状态分割过程；
孕囊分割过程包括如下步骤：
步骤一：输入B超图像如图1（a）和图2（a）；
步骤二：经过图像分割和特征提取得到B超图像二值图；
步骤三：选取孕囊所处位置的区域得到孕囊二值图，如图1（b）和图2（b），处理步骤如下：
3.1）采用掩膜法选择孕囊所处位置的区域得到图像；
3.2）根据3.1得到的图像二值图，除去边缘噪声得到去除边缘噪声图。
步骤四：图像特征提取，处理步骤如下：
4.1）去除形似孕囊但比孕囊亮的噪声：将步骤三得到的二值图灰度化后再阈值分割，阈值取100，然后去除轮廓面积小于350像素的部分得到图像；
4.2）对步骤4.1得到的图像，去除轮廓面积与包络面积之比小于0.75部分且去除轮廓面积小于2200像素的部分，得到图像；
4.3）计算步骤4.2得到的图像连通域的个数N，当N≥1时输出图像为步骤4.1得到的图像，当N<1时输出图像为步骤4.2得到的图像。
步骤五：图像去噪，得到孕囊二值结果图，如图1（c）和图2（c）处理步骤如下：
5.1）步骤4.3得到的图像去除轮廓面积大于106000像素或者轮廓周长与轮廓面积之比大于0.07且轮廓面积大于63000像素部分得到图像；
5.2）接着步骤5.1得到的图像留下轮廓周长与轮廓面积之比最小的轮廓并填充空洞；
5.3）然后5.2得到的图像去除剩余孕囊边缘噪声：5.2得到的图像进行二值图灰度化，阈值分割，去除灰度值大于100像素的区域；
5.4）步骤5.3得到的图像补充孕囊缺失部分：凸包检测，填充空洞，去除轮廓面积小于1000像素的轮廓得到孕囊二值结果图。
卵黄囊-胚芽分割过程如下：
步骤一）：输入B超图像如图1（a）和图2（a）；
步骤二）：图像分割：用水平集算法分割B超图像得到分割的二值图；步骤二）中，所述图像分割的处理步骤如下：
（2.1）、输入B超图像,如图1（a）和图2（a）;
（2.2）、用水平集算法分割输入图像得到分割的二值图;
（2.3）、得到的二值图根据靠近边缘的颜色去除边缘噪声；
（2.4）再采用轮廓法去除轮廓面积小于400像素的部分，然后对于轮廓面积小于50像素的部分进行填充得到处理后的二值图像。
步骤三）：输出孕囊-卵黄囊-胚芽发育状态初形图的处理步骤如下：
（3.1）：输入孕囊二值结果图；如图1（c）和图2（c）
（3.2）：孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图做逻辑与运算组合成二值图像：即孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图中某一相同位置均有相同的像素点则保留此点，否则删除此点；如图1（d）和图2（d）。（二值图像（binary image），即图像上的每一个像素只有两种可能的取值或灰度等级状态。灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度图可以转化成二值图进行运算，或在系统程序中，取合适像素阈值或用迭代法进行相关运算。）
步骤四）：特征分析得到卵黄囊-胚芽发育状态初形图,如图1（e）和图2（e），图1（e）即卵黄囊发育状态的初形图；图2（e）即胚芽发育状态初形图。
处理步骤如下：
（4.1）、步骤（3.2）得到的图像进行凸包检测，将进行凸包检测的图像进行取反并与步骤（3.2）得到的图像进行与运算，再采用轮廓法去除轮廓面积小于100像素的部分得到二值图像；
（4.2）、步骤（3.2）得到的图像进行取反，根据其靠近边缘的颜色去除边缘噪声，采用轮廓法去除轮廓面积小于200像素部分得到处理过的二值图像;
（4.3）、判断步骤（4.2）得到图像的连通域个数是否大于1；
（4.4）、如果连通域的个数大于或等于1则卵黄囊、胚芽初形图为步骤（4.2）得到的二值图像；
（4.5）、如果连通域的个数小于1则卵黄囊、胚芽初形图为步骤（4.1）得到的图像；
（4.6）、步骤（4.5）或（4.5）得到的图像与孕囊二值结果图做与运算得到卵黄囊-胚芽发育状态初形图。
步骤五）：去噪，处理步骤如下：
（5.1）、步骤（4.6）得到的图像采用轮廓法去除轮廓周长与轮廓面积大于0.5的部分，接着根据连通域的个数去除轮廓，当连通域的个数大于1时去除轮廓面积大于1000像素的部分，如果连通域的个数小于或等于1时则输出图像不做处理得到新的二值图；
（5.2）、对步骤（5.1）得到的图像先做一个开运算再做一个闭运算得到形态学处理的二值图像；
（5.3）、步骤（5.2）得到的图像采用轮廓法去除轮廓面积小于120像素的部分和去除轮廓周长与轮廓面积比大于0.35部分；
（5.4）、步骤（5.3）得到的图像再做一个闭运算，再令图像与步骤（5.1）得到的图像做一个与运算得到新的二值图像；
（5.5）、如果步骤5.1得到的图像的轮廓面积大于2700像素则结果图为步骤（5.4）得到的二值图像，否则为步骤（5.1）得到的二值图像；
（5.6）、步骤（5.5）得到的二值图像去除轮廓面积小于120像素的部分，再让图像与孕囊二值结果图做逻辑与运算得到新的结果图像；新的结果图像做形态学运算;
（5.7）、去除步骤（5.6）得到的二值图像中最小矩形的长和宽的比值小于0.44或大于2.4，同时轮廓面积小于5000像素且大于1000像素部分，再将二值图像中最小矩形的长和宽的比值小于0.35或大于5且轮廓面积小于100像素的部分得到新的二值图，即去噪结果图，如图1（f）。
步骤六）：拟合椭圆，处理步骤如下：
（6.1）、对步骤（5.7）得到的新的二值图拟合椭圆并进行填充得到结果二值图；
（6.2）、根据步骤（6.1）得到的结果二值图水平方向和垂直方向像素和，去除水平方向和垂直方向像素和小于60的部分，再对图像进行拟合椭圆并填充；
（6.3）、输出步骤（6.2）得到的二值图像连通域的个数，如果图像的连通域的个数大于2时去除轮廓面积小于500像素的部分否则输出拟合椭圆结果图，如图1（g）和图2（f）。
步骤七）：输出卵黄囊-胚芽发育状态结果图,如图1（h）即卵黄囊发育状态结果图，图2（g）即胚芽发育状态结果图。
由于分割孕囊时受到积液等一些形似孕囊的暗区的影响；分割卵黄囊-胚芽发育状态时受到孕囊内噪声、卵黄囊-胚芽发育状态靠近边缘且灰度特征跟孕囊边缘一样、卵黄囊边缘不清晰等因素的影响，在做这些指标的分割时我们首先要解决这些问题。若只是用传统的分割算法是很难分割这些指标的，因此本次研究对传统的分割算法进行了改进，本次研究主要在分割这些指标时加了特征分析以及孕囊所处位置的区域的选择以及去噪来解决孕囊、卵黄囊-胚芽发育状态的分割难点。
具体的，上述水平集算法为CV水平集算法，CV水平集算法的能量函数如式（1）所示：能量泛函的第一项是长度约束，用于规整演化曲线C ，保证获得的是足够短的曲线；而第二项和第三项合称为保真项，负责将演化曲线C 吸引到目标轮廓上来；第四项称为惩罚项，为了解决出现的一些小孤岛现象：
Figure RE-DEST_PATH_IMAGE001
(1)
最小能量泛函入（2）式所示：
Figure RE-990808DEST_PATH_IMAGE002
(2)
其中，
Figure RE-DEST_PATH_IMAGE003
表示能量函数；φ即φ( x , y)的简写; />
Figure RE-496263DEST_PATH_IMAGE004
（）表示水平集函数:用水平集函数φ ( x , y)来代替将演化曲线C，且设定如果点( x , y )在C 的内部，则水平集函数φ( x , y) > 0；如果点( x , y )在C 的外部时，则水平集函数φ( x , y) < 0；而如果点( x , y )恰好在C 上面时，则φ( x , y) = 0，c1和c2分别是演化曲线C 内部和外部的图像灰度均值；/>
Figure RE-893746DEST_PATH_IMAGE005
表示长度项参数，/>
Figure RE-357088DEST_PATH_IMAGE006
表示狄克拉函数；x表示像素横坐标，y表示像素纵坐标；/>
Figure RE-232641DEST_PATH_IMAGE007
、/>
Figure RE-589673DEST_PATH_IMAGE008
是取值为正的常数为保真项的系数；/>
Figure RE-158057DEST_PATH_IMAGE009
（x,y）表示输入的灰度图；/>
Figure RE-171012DEST_PATH_IMAGE010
()表示海氏函数；/>
Figure RE-787939DEST_PATH_IMAGE011
表示长度项的系数；/>
Figure RE-937160DEST_PATH_IMAGE012
表示水平集函数对时间上求偏导；div[]表示散度。
以下以具体处理步骤进行说明：
实施例2
如图1所示为分割孕囊和卵黄囊的情况
（1）图像说明；
（2）读入一副原始B超灰度图像src_before，如附图1(a)；
（3）对src_before采用水平集算法分割图像，再根据分割的B超图像选择孕囊所处位置的区域（为了去除积液、暗区等形似和灰度特征近似孕囊部分对分割出孕囊结果的影响），然后通过观察孕囊的特征对其进行特征提取以及去噪等操作，最后得到孕囊二值图GS_img，如附图1(b)；
（4）对孕囊二值图GS_img灰度化得到孕囊二值结果图GS_Gray并输出，如附图1(c)；
（5）对src_before图像采用水平集算法等方法分割得到孕囊-卵黄囊-胚芽发育状态二值图YG_img_before，如附图1(d)；
（6）令YG_img_before通过凸包检测等步骤取反后与GS_Gray做与运算（为了定位卵黄囊）得到YG_img2，再采用轮廓法去除轮廓面积不符合孕囊部分等特征分析得到卵黄囊发育状态的初形图YG_img2，如附图1(e)；
（7）YG_img2通过计算轮廓周长与轮廓面积之比、形态学、最小矩形的长与宽的比值等方法进行去噪得到result_img，如附图1(f)；
（8）result_img通过拟合椭圆、去除result_img二值图像较窄部分以及通过连通域的个数去除非卵黄囊部分等算法得到拟合椭圆结果图，如附图1(g)；
（9）输出卵黄囊发育状态结果图，如附图1(h)；
实施例3：
如图2所示为分割孕囊和胚芽的情况
（1）图像说明；
（2）读入一副原始B超灰度图像src_before，如附图2(a)；
（3）对src_before采用水平集算法分割图像，再根据分割的B超图像选择孕囊所处位置的区域（为了去除积液、暗区等形似和灰度特征近似孕囊部分对分割出孕囊结果的影响），然后通过观察孕囊的特征对其进行特征提取以及去噪等操作，最后得到孕囊二值图GS_img，如附图2(b)；
（4）对孕囊二值图GS_img灰度化得到孕囊二值结果图GS_Gray并输出，如附图2(c)；
（5）对src_before图像采用水平集算法等方法分割得到孕囊-卵黄囊-胚芽发育状态二值图YG_img_before，如附图2(d)；
（6）令YG_img_before通过凸包检测后取反然后与GS_Gray做与运算（为了定位胚芽）得到YG_img2，采用轮廓法去除轮廓面积不符合孕囊部分等特征分析得到胚芽发育状态初形图YG_img2，如附图2(e)；
（7）YG_img2通过计算轮廓周长与轮廓面积之比、形态学、最小矩形的长与宽的比值等方法进行去噪得到result_img；
（8）result_img通过拟合椭圆、去除result_img二值图像较窄部分以及通过连通域的个数去除非胚芽部分等算法得到拟合椭圆结果图result_img，如附图2(f)；
（9）输出胚芽发育状态结果图，如附图2（g）；
上述仅为本发明的一个具体导向实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明的保护范围的行为。

Claims (1)

1.一种基于特征提取及去噪的图像分割方法，其特征在于，包括孕囊分割过程及卵黄囊-胚芽发育状态分割过程；
孕囊分割过程包括如下步骤：
步骤一：输入B超图像；
步骤二：经过图像分割和特征提取得到B超图像二值图；
步骤三：选取孕囊所处位置的区域得到孕囊二值图；
步骤四：图像特征提取得到特征提取图像；
所述特征提取的处理步骤如下：
4.1）：去除形似孕囊但比孕囊亮的噪声：将步骤三得到的孕囊二值图灰度化后再阈值分割，然后去除轮廓面积小于3.5*P1像素的部分得到图像；
4.2）：对步骤4.1）得到的图像，去除轮廓面积与包络面积之比小于0.75部分且去除轮廓面积小于20*P1像素的部分，得到图像；
4.3）：计算步骤4.2）得到的图像连通域的个数N，当N≥1时输出图像为步骤4.1）得到的图像作为特征提取图像，当N<1时输出图像为步骤4.2）得到的图像作为特征提取图像；
步骤五：特征提取图像去噪，得到孕囊二值结果图；特征提取图像去噪的步骤如下：
5.1）：对于步骤四得到的特征提取图像，去除轮廓面积大于P3像素或者轮廓周长与轮廓面积之比大于0.07且轮廓面积大于P2像素部分得到图像；其中，1.5*P2≤P3≤2*P2；杂影剔除面积参数P1为80-150像素，背景剔除面积参数P2为B超图片尺寸像素的0.1-0.2倍；
5.2）：对于步骤5.1）得到的图像留下轮廓周长与轮廓面积之比最小的轮廓并填充空洞；
5.3）：然后步骤5.2）得到的图像去除剩余孕囊边缘噪声；
5.4）：步骤5.3）得到的图像补充孕囊缺失部分：凸包检测，填充空洞，去除轮廓面积小于10*P1像素的轮廓得到孕囊二值结果图；
卵黄囊-胚芽分割过程如下：
步骤一）：输入B超图像；
步骤二）：图像分割并去噪得到孕囊-卵黄囊-胚芽发育状态二值图；
步骤三）：输出孕囊-卵黄囊-胚芽发育状态初形图；
输出孕囊-卵黄囊-胚芽发育状态初形图的处理步骤如下：
（3.1）：输入孕囊二值结果图；
（3.2）：孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图做逻辑与运算组合成二值图像：即孕囊-卵黄囊-胚芽发育状态二值图与孕囊二值结果图中某一相同位置均有相同的像素点则保留此点，否则删除此点；
步骤四）：特征分析得到卵黄囊-胚芽发育状态初形图；
所述特征分析的处理步骤如下：
（4.1）：对步骤（3.2）得到的二值图像进行凸包检测，将进行凸包检测的图像进行取反并与步骤（3.2）得到的二值图像进行与运算，再采用轮廓法去除轮廓面积小于P1像素的部分得到二值图像；
（4.2）：步骤（3.2）得到的二值图像进行取反，去除边缘噪声即采用轮廓法去除轮廓面积小于2*P1像素部分得到处理过的二值图像;
（4.3）：判断步骤（4.2）得到图像的连通域个数是否≥1；
（4.4）：如果连通域的个数≥1则取步骤（4.2）得到的二值图像；
（4.5）：如果连通域的个数＜1则取为步骤（4.1）得到的二值图像；
（4.6）：步骤（4.4）或步骤（4.5）得到的二值图像与孕囊二值结果图做与运算得到卵黄囊-胚芽发育状态的初形图；
步骤五）：去噪：
（5.1）：步骤（4.6）得到的图像采用轮廓法去除轮廓周长与轮廓面积大于0.5的部分，接着根据连通域的个数去除轮廓，当连通域的个数＞1时去除轮廓面积大于P4像素的部分，如果连通域的个数≤1时则输出图像不做处理；8*P1≤P4≤15*P1；
（5.2）：对步骤（5.1）得到的图像先做一个开运算再做一个闭运算得到形态学处理的二值图像；
（5.3）：步骤（5.2）得到的图像采用轮廓法去除轮廓面积小于P1像素的部分和去除轮廓周长与轮廓面积比大于0.35部分；
（5.4）：步骤（5.3）得到的图像再做一个闭运算，再令图像与步骤（5.1）得到的图像做一个与运算得到新的二值图像；
（5.5）：如果步骤5.1得到的图像的轮廓面积大于P5像素则结果图为步骤（5.4）得到的二值图像，否则为步骤（5.1）得到的二值图像；0.05*P2≤P5≤0.2*P2；
（5.6）：步骤（5.5）得到的二值图像去除轮廓面积小于P1像素的部分，再让图像与孕囊二值结果图做逻辑与运算得到新的结果图像；新的结果图像做形态学运算;
（5.7）：去除步骤（5.6）得到的二值图像中最小矩形的长和宽的比值小于0.44或大于2.4，同时轮廓面积小于P6像素且大于10*P1像素部分，再将二值图像中最小矩形的长和宽的比值小于0.35或大于5且轮廓面积小于P1像素的部分得到新的二值图；0.1*P2≤P6≤0.2*P2；
步骤六）：拟合椭圆；
（6.1）：对步骤（5.7）得到的新的二值图拟合椭圆并进行填充得到结果二值图；
（6.2）：根据步骤（6.1）得到的结果二值图水平方向和垂直方向像素和，去除水平方向和垂直方向像素和小于P7的部分，再对图像进行拟合椭圆并填充；0.5*P1≤P7≤1*P1；
步骤七）中，输出卵黄囊-胚芽发育状态结果图的步骤如下：
（6.3）：输出步骤（6.2）得到的二值图像连通域的个数，如果图像的连通域的个数大于2时去除轮廓面积小于5*P1像素的部分输出卵黄囊-胚芽发育状态结果图，否则直接输出卵黄囊-胚芽发育状态结果图；P4=106000，P5=6300,P6=5000，P7=60；
步骤七）：输出卵黄囊-胚芽发育状态结果图；
孕囊分割过程及卵黄囊-胚芽发育状态分割过程中设置杂影剔除面积参数P1和背景剔除面积参数P2。
CN201910502203.3A 2019-06-11 2019-06-11 一种基于特征提取及去噪的图像分割方法 Active CN110060223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910502203.3A CN110060223B (zh) 2019-06-11 2019-06-11 一种基于特征提取及去噪的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910502203.3A CN110060223B (zh) 2019-06-11 2019-06-11 一种基于特征提取及去噪的图像分割方法

Publications (2)

Publication Number Publication Date
CN110060223A CN110060223A (zh) 2019-07-26
CN110060223B true CN110060223B (zh) 2023-06-27

Family

ID=67325737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910502203.3A Active CN110060223B (zh) 2019-06-11 2019-06-11 一种基于特征提取及去噪的图像分割方法

Country Status (1)

Country Link
CN (1) CN110060223B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469342B (zh) * 2022-01-17 2023-07-25 四川大学华西医院 肿瘤切缘边距场的定义方法、建立系统及应用
CN116392166B (zh) * 2023-03-07 2024-02-23 广州市妇女儿童医疗中心 一种孕囊及胚芽自动测量方法、系统、装置及介质
CN116542983B (zh) * 2023-07-07 2023-09-26 季华实验室 平顶光束特征检测方法、装置、设备和计算机存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640831A (zh) * 2016-09-01 2019-04-16 皇家飞利浦有限公司 超声诊断装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899891B (zh) * 2015-06-24 2019-02-12 重庆金山科技（集团）有限公司 一种识别孕囊组织的方法、装置及宫腔吸引装置
US10140708B2 (en) * 2016-01-21 2018-11-27 Riverside Research Institute Method for gestational age estimation and embryonic mutant detection
US10157466B2 (en) * 2016-01-21 2018-12-18 Riverside Research Institute Method for automatic tissue segmentation of medical images
KR102635050B1 (ko) * 2016-07-20 2024-02-08 삼성메디슨 주식회사 초음파 영상 장치 및 그 제어방법
CN106683176A (zh) * 2016-12-30 2017-05-17 飞依诺科技(苏州)有限公司 一种脏器三维模型构建方法及装置
CN109544581A (zh) * 2018-11-15 2019-03-29 湖南自兴智慧医疗科技有限公司 一种早孕子宫图像的自动分割处理方法
CN109303573B (zh) * 2018-12-04 2021-08-31 湖南自兴智慧医疗科技有限公司 一种根据b超检测中上彩血流图来计算孕早期胚胎胎心率的方法
CN109785293B (zh) * 2018-12-22 2022-09-27 昆明理工大学 基于全局和局部活动轮廓模型的超声图像病灶分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640831A (zh) * 2016-09-01 2019-04-16 皇家飞利浦有限公司 超声诊断装置

Also Published As

Publication number Publication date
CN110060223A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110060223B (zh) 一种基于特征提取及去噪的图像分割方法
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN109872285B (zh) 一种基于变分约束的Retinex低照度彩色图像增强方法
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN108537756B (zh) 基于图像融合的单幅图像去雾方法
CN107480644B (zh) 眼底图像中视盘的定位与分割方法、装置和存储介质
CN113436734B (zh) 基于人脸结构定位的牙齿健康评估方法、设备和存储介质
CN112508806B (zh) 一种基于非凸低秩矩阵分解的内镜图像高光去除方法
CN117058147B (zh) 基于计算机视觉的环保塑料制品缺陷检测方法
Shaker et al. Automatic detection and segmentation of sperm head, acrosome and nucleus in microscopic images of human semen smears
CN115082334A (zh) 结合逆光区域分割与自适应曝光校正的图像增强方法
CN111369570B (zh) 一种视频图像的多目标检测跟踪方法
CN113160185A (zh) 一种利用生成边界位置指导宫颈细胞分割的方法
CN114926387A (zh) 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置
TW201032180A (en) Method and device for keeping image background by multiple gauss models
CN116109558A (zh) 基于颈部半透明厚度测量值筛查胎儿染色体异常的方法
Tan et al. Image haze removal based on superpixels and Markov random field
CN113657553B (zh) 一种结节回声类型判断装置
CN113484867B (zh) 一种基于成像声呐封闭空间下鱼群密度探测方法
CN115223032A (zh) 一种基于图像处理和神经网络融合的水生物识别与匹配方法
CN111429429A (zh) 干细胞融合度检测方法、装置、计算机设备及存储介质
CN110097569B (zh) 基于颜色马尔科夫链显著性模型的油罐目标检测方法
CN112669273A (zh) 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质
CN116205939A (zh) 线条提取方法、线条提取设备和计算机存储介质

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