CN110084824B - 基于对称水平集的舌体图像分割方法、系统、设备及介质 - Google Patents

基于对称水平集的舌体图像分割方法、系统、设备及介质 Download PDF

Info

Publication number
CN110084824B
CN110084824B CN201910344745.2A CN201910344745A CN110084824B CN 110084824 B CN110084824 B CN 110084824B CN 201910344745 A CN201910344745 A CN 201910344745A CN 110084824 B CN110084824 B CN 110084824B
Authority
CN
China
Prior art keywords
level set
symmetry
contour curve
image
tongue
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
CN201910344745.2A
Other languages
English (en)
Other versions
CN110084824A (zh
Inventor
高珊珊
郭宁宁
张彩明
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.)
Shandong University of Finance and Economics
Original Assignee
Shandong University of Finance and Economics
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 Shandong University of Finance and Economics filed Critical Shandong University of Finance and Economics
Priority to CN201910344745.2A priority Critical patent/CN110084824B/zh
Publication of CN110084824A publication Critical patent/CN110084824A/zh
Application granted granted Critical
Publication of CN110084824B publication Critical patent/CN110084824B/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
    • 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
    • G06T7/12—Edge-based segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了基于对称水平集的舌体图像分割方法、系统、设备及介质，对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；对待分割图像提取梯度图；采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界。

Description

基于对称水平集的舌体图像分割方法、系统、设备及介质
技术领域
本公开涉及图像分割，特别是涉及基于对称水平集的舌体图像分割方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
长期以来，舌诊都是靠医生的临床经验进行目视观察，这造成了诊断结果主观性、不确定性等缺点。同时由于图像采集过程中存在着不确定因素，且舌体图像中舌体与周围组织颜色相似，轮廓模糊，因此很难找到自动、精确、通用的舌体分割方法。
由于病理性舌体的特殊性和图像采集设备的原因，舌体的分割难点主要体现在以下几个方面：
1)舌体颜色与背景颜色相近，颜色对比度低；
2)舌体表面有厚涂层且舌体中间存在舌裂现象；
3)舌体位置不正且容易存在光斑噪声。
这些原因会导致舌体的梯度图模糊，梯度值差别小，分割曲线通常无法准确停止在目标轮廓边缘。近年来，利用水平集模型进行舌体分割的方法得到了广泛应用。但由于大部分基于水平集的舌体分割方法常常出现分割不完全，边界泄露等问题，分割结果的准确性难以保证。
发明内容
为了解决现有技术的不足，本公开提供了基于对称水平集的舌体图像分割方法、系统、设备及介质，不同于传统水平集模型，本公开考虑到舌体本身的形状特点，提出了一种新颖的水平集初始化方法，并在演化模型中加入对称性检测约束项，完成了适合绝大多数现实状况的自动精确舌体分割；
第一方面，本公开提供了基于对称水平集的舌体图像分割方法；
基于对称水平集的舌体图像分割方法，包括：
对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
对待分割图像提取梯度图；
采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界。
第二方面，本公开还提供了基于对称水平集的舌体图像分割系统；
基于对称水平集的舌体图像分割系统，包括：
初始轮廓曲线获取模块，其被配置为对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
对称水平集模型构造模块，其被配置为构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
梯度图提取模块，其被配置为对待分割图像提取梯度图；
分割模块，其被配置为采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，执行第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，执行第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
因为采用了对称性检测约束项，提出了对称水平集模型；所以在水平集分割过程中，如果零水平集曲线演化至弱梯度处或强噪声处，此时的零水平集曲线没有保持对称性，则在内部能量和图像对称性外力的共同作用下，分割不完全的一侧的约束力增加、能量增强。反之，如果零水平集函数在分割过程中保持对称，则约束项不参与演化过程。
除了将对称性信息加入到约束项中，我们还通过一种新颖的方式，提取水平集的初始轮廓。根据构造的对称性检测约束项的特点，我们首先获得舌体的对称轴，并将初始轮廓曲线设为圆形区域。将初始轮廓形状设为圆形区域，保证了对称性检测约束项在初始分割状态下不作用于水平集函数，保持原有演化过程的图像力。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开第一个实施例的方法流程图；
图2为对称水平集模型对称轴获取方式；
图3(a)-图3(h)为该方法的分割结果图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了基于对称水平集的舌体图像分割方法；
如图1所示，基于对称水平集的舌体图像分割方法，包括：
对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
对待分割图像提取梯度图；
采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界。
作为一个或多个实施例，所述对称性检测约束项的工作原理是：
如果扩大后的轮廓曲线没有保持对称，则在对称水平集能量函数的作用下，分割不完全的一侧的轮廓曲线继续扩大；如果扩大后的轮廓曲线在分割过程中保持对称，则对称性检测约束项不参与扩大过程。
所述分割不完全的一侧，是指扩大后的轮廓曲线内侧的区域，被对称轴划分为左右两侧，其中面积小的一侧称之为分割不完全的一侧。
进一步地，对待分割图像提取梯度图的具体步骤为：利用对称水平集模型对待分割图像提取梯度图。
应理解的，水平集模型，是指：一种界面追踪的数值方法，通过把界面定义为某个虚拟函数常数值的集合，将描述界面的变化转换成描述这一虚拟函数的变化。
水平集模型的能量函数
Figure BDA0002041937050000051
是指：
Figure BDA0002041937050000052
其中，
Figure BDA0002041937050000053
表示水平集函数；μ表示正则化项系数；
Figure BDA0002041937050000054
表示正则化项，通过保证符号距离属性
Figure BDA0002041937050000055
来约束曲线的形变。加入正则化项后不需要非周期性对水平集函数进行重新初始化；λ表示长度项系数；
Figure BDA0002041937050000056
表示长度项，负责计算函数的线积分；α表示面积项系数；
Figure BDA0002041937050000057
表示面积项，用于加快水平集函数的演化；p定义为
Figure BDA0002041937050000058
Figure BDA0002041937050000059
表示水平集函数的梯度；g表示边缘停止函数；
Figure BDA0002041937050000061
表示狄拉克函数；
Figure BDA0002041937050000062
表示赫维赛德函数。
应理解的，对称水平集模型的能量函数，是指：
以对称性特征作为提取初始轮廓的依据，在水平集模型中加入对称性检测约束项；
对称水平集模型的能量函数
Figure BDA0002041937050000063
是指：
Figure BDA0002041937050000064
其中，
Figure BDA0002041937050000065
表示水平集函数；μ表示正则化项系数；
Figure BDA0002041937050000066
表示正则化项，通过保证符号距离属性
Figure BDA0002041937050000067
来约束曲线的形变，加入正则化项后不需要非周期性对水平集函数进行重新初始化；λ表示长度项系数；
Figure BDA0002041937050000068
表示长度项，负责计算函数的线积分；α表示面积项系数；
Figure BDA00020419370500000615
表示面积项，用于加快水平集函数的演化；p定义为
Figure BDA0002041937050000069
Figure BDA00020419370500000610
表示水平集函数的梯度；g表示边缘停止函数；
Figure BDA00020419370500000611
表示狄拉克函数；
Figure BDA00020419370500000612
表示赫维赛德函数。
Figure BDA00020419370500000613
表示赫维赛德函数的反射变换函数；
Figure BDA00020419370500000614
表示停止函数的反射变换函数；Ω表示图像域。
应理解的，梯度图，是指：由图像的梯度组成的二维矩阵。该梯度由对图像像素值进行二维离散求导所得。
进一步地，所述对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线，具体步骤包括：
如图2所示，选取舌尖点和舌体中心点，将舌尖点和中心点连接形成舌体对称轴；以对称轴中点为圆心，以设定距离为半径做圆，所做圆的圆形边界作为初始轮廓曲线。
进一步地，所述采用对称水平集模型对初始轮廓曲线进行处理，具体步骤包括：
步骤a：首次执行时，依据对称性水平集的能量函数对初始轮廓曲线进行扩大，得到扩大后的轮廓曲线；其中扩大后的轮廓曲线不超出梯度图中舌体轮廓；
非首次执行时，获取上一次执行得到的扩大后与扩大前的面积之差，依据对称性水平集的能量函数对待分割区域边界再次进行扩大；进入步骤b；其中扩大后的轮廓曲线不超出梯度图中舌体轮廓；
步骤b：判断扩大后的轮廓曲线内的区域是否对称；
如果对称，则计算对称水平集模型的能量函数的最小值，最小值所对应的扩大后的待分割区域的边界即为最终图像分割的边界；结束；
如果不对称，则继续计算扩大后的轮廓曲线内的区域与扩大前的轮廓曲线内的区域面积之差；返回步骤a。图3(a)-图3(h)为该方法的分割结果图。
进一步地，初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，扩大的原则是根据对称水平集模型能量函数计算待分割图像各个像素点的能量变化值，能量变化值将指引扩大的步长及方向。
进一步地，判断扩大后的轮廓曲线内的区域是否对称，具体是指：通过对称性检测约束项判断扩大后的轮廓曲线内的区域是否对称。
应理解的，对称性检测约束项
Figure BDA0002041937050000071
是指：
Figure BDA0002041937050000072
其中，η是正数，η代表对称性检测约束项权重，g是边缘停止函数，
Figure BDA0002041937050000073
是对称性水平集
Figure BDA0002041937050000074
的赫维赛德函数，
Figure BDA0002041937050000075
表示停止函数的反射变换函数；Ω表示图像域。
应理解的，所述通过对称性检测约束项判断扩大后的轮廓曲线内的区域是否对称，是指：判断对称性检测约束项是否等于零，如果等于零，则表示对称；如果不等于零，则表示不对称。
水平集模型是把随时间t运动的物理截面看做水平集函数的零等值面，将n维曲面的轮廓变换转化为n+1维水平集函数的演化，其边界由高维度水平集函数的零水平集表示。即将活动轮廓C表示为更高维水平集函数
Figure BDA0002041937050000081
的零水平集，记为
Figure BDA0002041937050000082
水平集曲线演化的偏微分方程:
Figure BDA0002041937050000083
其中N为曲线的内向法向量，k为曲线的曲率。
对上式求全微分可得零水平集
Figure BDA0002041937050000084
在速度函数F作用下的演化方程为：
Figure BDA0002041937050000085
速度函数F取决于图像数据和水平集函数
Figure BDA0002041937050000086
在图像分割中F含有演化曲线C的曲率k，曲率k的计算公式：
Figure BDA0002041937050000087
水平集模型DRLSE能量函数如下:
Figure BDA0002041937050000088
式中μ、λ、α是取值为正的常数，代表各能量项的权重。
公式(4)为水平集函数，当公式(4)＝0时的水平集函数即为零水平集函数。
第一项
Figure BDA0002041937050000091
是正则化项，通过保证符号距离属性
Figure BDA0002041937050000092
来约束曲线的形变。加入正则化项后不需要非周期性对水平集函数进行重新初始化。
第二项
Figure BDA0002041937050000093
是长度项，用来驱动零水平集朝向目标边缘演化。g函数是基于图像梯度的边界停止函数，当零水平集曲线位于目标边界时长度项能量函数最小。
第三项
Figure BDA0002041937050000094
为面积项，可以加速水平集演化过程中零水平轮廓的运动。初始化水平集时，若目标完全在初始曲线内部，则a应取正数以保证曲线向内收敛，反之则取负数。
定义边缘停止函数g为:
Figure BDA0002041937050000095
式中I为待分割图像，Gσ是标准差高斯模板，
Figure BDA0002041937050000096
为梯度算子。
通过观察舌体图像我们发现，舌体作为人体结构的一部分，具有镜像对称性、旋转不变性等特点，而舌体的病理性特征常常不具备这些特点。此外，对称性作为物体的基本形状特性，普遍存在于自然界中。因此，基于上述发现，本公开利用舌体图像的对称性特点，将对称性信息作为约束项加入到水平集模型中。
本实施例关键步骤包括：
用对称水平集模型对彩色舌体图像进行处理，得到边缘概率图作为水平集模型的梯度图像输入；
利用舌体图像的镜像对称性，自动选取舌体对称轴，以该对称轴轴心为圆心得到位于舌体中心的初始轮廓曲线；
在演化过程中，对演化图像和梯度图像做反射变换，构造对称性检测约束项来约束水平集演化，最后通过变分法求解能量函数的梯度下降流得到目标边界。
对比于传统模型，本实施例主要在以下几个方面进行了改进：增加对称性检测约束项，提出了对称水平集模型；利用舌体图像的特点，确定舌体对称轴并以此改变初始轮廓曲线。以下是对模型的技术要点做详细介绍。
对称性检测约束项
在本公开中，提出了用对称性检测约束项来检测分割过程中对称轴两侧梯度图像下的水平集函数
Figure BDA0002041937050000104
的对称性。我们将分割过程中梯度图像下的DRLSE水平集函数能量与反射变换后的能量之差加入到能量函数中，作为对称性检测约束项，该约束项的实质是评估分割过程中目标自身轮廓的近似对称性。
在欧氏平面上的轴反射变换和欧氏空间中的镜面反射变换统称反射变换，反射变换(reflection transformation)是欧氏几何中一种重要变换。在本公开中，反射变换即为水平镜像变换。具体来说是以图像对称轴为变换轴，将零水平集上像素点的位置反射变换。
如果一幅图像I是对称的，定义
Figure BDA0002041937050000101
为源图像的对称互补图像。点Q(x,y)做反射变换的坐标表示如下：
Figure BDA0002041937050000102
其中A、B、C为直线l一般式的系数，系数A、B、C的计算公式如下：
Figure BDA0002041937050000103
对任意给定的符号距离函数，通过上述变换可以得到一个变换后的保持形状不变性的符号距离函数。对称性检测约束项的定义如公式所示：
Figure BDA0002041937050000111
其中：η是正数，
Figure BDA0002041937050000112
是水平集
Figure BDA0002041937050000113
的赫维赛德函数。
对称水平集模型的能量函数如下表示：
Figure BDA0002041937050000114
其中λ，α，η分别为各能量项的系数，公式的前三项属于DRLSE模型，最后一项
Figure BDA0002041937050000115
即对称性检测约束项SCT(Symmetry detection term)。
显然，如果水平集函数
Figure BDA0002041937050000116
的对称性越高，则SCT的值越小，此时约束力对演化的能量越少；如果图像信息不对称时，比如当曲线演化至弱边缘或者舌体噪声、舌裂处，则水平集函数
Figure BDA0002041937050000117
的对称性降低，此时SCT的值增大，在对称性检测约束力的作用下推进该侧曲线演化。
初始轮廓自动确定
在实际的图像采集的过程中，通过数字化仪器获得的舌体通常被固定在图像较中间的位置。考虑到获取过程中的这一先验知识，本文首先对舌体梯度图像提取对称轴，并作为对称性检测约束项(SCT)的反射变换参考直线。考虑到对称性检测约束项(SCT)的函数特点，为了使水平集函数在初始条件下保持其原有图像力，我们将初始水平集函数设置为固定在目标区域内的圆形轮廓。
在系统界面上手动选择舌尖点和中点，由这两点得到直线l，以该直线为对称轴，对零水平集函数上的点做反射变换。
我们通过选取对称轴轴心，将水平集演化的初始轮廓固定在目标区域内。将初始轮廓形状设为以轴心为圆心，以设定距离为半径的圆形区域，这保证了对称性检测约束项在初始分割状态下不作用于对称性水平集函数φ，保持原有演化过程的图像力。
已知源图像M和对称轴l，直线l与源图像M的交点坐标记为(xa,ya)、(xb,yb)，则对称轴的轴心坐标O的计算公式：
Figure BDA0002041937050000121
活动轮廓C表示为更高维水平集函数φ(t,x,y)的零水平集，符号距离函数满足
Figure BDA0002041937050000122
式中d为点(x,y)到零水平集的欧氏距离。
一般情况下，初始水平集函数设定为符号距离函数(signed distance function,SDF)，具体定义如下:
Figure BDA0002041937050000123
符号距离函数满足
Figure BDA0002041937050000124
式中d为点(x,y)到零水平集的欧氏距离。
在本公开中将符号距离函数定义为以轴心O为圆心的圆形初始化水平集函数，其表达式如下：
Figure BDA0002041937050000125
实施例二，本实施例提供了基于对称水平集的舌体图像分割系统；
基于对称水平集的舌体图像分割系统，包括：
初始轮廓曲线获取模块，其被配置为对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
对称水平集模型构造模块，其被配置为构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
梯度图提取模块，其被配置为对待分割图像提取梯度图；
分割模块，其被配置为采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界。
实施例三：
本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本公开中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.基于对称水平集的舌体图像分割方法，其特征是，包括：
对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
对待分割图像提取梯度图；
采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界；
梯度图，是指：由图像的梯度组成的二维矩阵；该梯度由对图像像素值进行二维离散求导所得；
所述对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线，具体步骤包括：选取舌尖点和舌体中心点，将舌尖点和中心点连接形成舌体对称轴；以对称轴中点为圆心，以设定距离为半径做圆，所做圆的圆形边界作为初始轮廓曲线。
2.如权利要求1所述的方法，其特征是，所述对称性检测约束项的工作原理是：
如果扩大后的轮廓曲线没有保持对称，则在对称水平集能量函数的作用下，分割不完全的一侧的轮廓曲线继续扩大；如果扩大后的轮廓曲线在分割过程中保持对称，则对称性检测约束项不参与扩大过程。
3.如权利要求1所述的方法，其特征是，对待分割图像提取梯度图的具体步骤为：利用对称水平集模型对待分割图像提取梯度图。
4.如权利要求1所述的方法，其特征是，所述采用对称水平集模型对初始轮廓曲线进行处理，具体步骤包括：
步骤a：首次执行时，依据对称性水平集的能量函数对初始轮廓曲线进行扩大，得到扩大后的轮廓曲线；其中扩大后的轮廓曲线不超出梯度图中舌体轮廓；
非首次执行时，获取上一次执行得到的扩大后的轮廓曲线内的区域与扩大前的轮廓曲线内的区域面积之差，依据对称性水平集的能量函数对待分割区域边界再次进行扩大；进入步骤b；其中扩大后的轮廓曲线不超出梯度图中舌体轮廓；
步骤b：判断扩大后的轮廓曲线内的区域是否对称；
如果对称，则计算对称水平集模型的能量函数的最小值，最小值所对应的扩大后的待分割区域的边界即为最终图像分割的边界；结束；
如果不对称，则继续计算扩大后的轮廓曲线内的区域与扩大前的轮廓曲线内的区域面积之差；返回步骤a。
5.如权利要求4所述的方法，其特征是，判断扩大后的轮廓曲线内的区域是否对称，具体是指：通过对称性检测约束项判断扩大后的轮廓曲线内的区域是否对称，判断对称性检测约束项是否等于零，如果等于零，则表示对称；如果不等于零，则表示不对称。
6.如权利要求1所述的方法，其特征是，初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，扩大的原则是根据对称水平集模型能量函数计算待分割图像各个像素点的能量变化值，能量变化值将指引扩大的步长及方向。
7.基于对称水平集的舌体图像分割系统，其特征是，包括：
初始轮廓曲线获取模块，其被配置为对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线；
对称水平集模型构造模块，其被配置为构造对称水平集模型，所述对称水平集模型为在水平集模型的基础上添加对称性检测约束项；对称性检测约束项采用舌体对称轴作为反射变换的参考线；
梯度图提取模块，其被配置为对待分割图像提取梯度图；
梯度图，是指：由图像的梯度组成的二维矩阵；该梯度由对图像像素值进行二维离散求导所得；
分割模块，其被配置为采用对称水平集模型对初始轮廓曲线进行处理：初始轮廓曲线依据对称性水平集的能量函数在梯度图范围内扩大，并通过变分法求解对称水平集模型的能量函数的最小值，最小值所对应的轮廓曲线即为切割的边界；
所述对待分割图像提取舌体的对称轴，并基于舌体对称轴的中点得到待分割图像的初始轮廓曲线，具体步骤包括：选取舌尖点和舌体中心点，将舌尖点和中心点连接形成舌体对称轴；以对称轴中点为圆心，以设定距离为半径做圆，所做圆的圆形边界作为初始轮廓曲线。
8.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，执行权利要求1-6任一项方法所述的步骤。
9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，执行权利要求1-6任一项方法所述的步骤。
CN201910344745.2A 2019-04-26 2019-04-26 基于对称水平集的舌体图像分割方法、系统、设备及介质 Active CN110084824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910344745.2A CN110084824B (zh) 2019-04-26 2019-04-26 基于对称水平集的舌体图像分割方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910344745.2A CN110084824B (zh) 2019-04-26 2019-04-26 基于对称水平集的舌体图像分割方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN110084824A CN110084824A (zh) 2019-08-02
CN110084824B true CN110084824B (zh) 2020-03-27

Family

ID=67417002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910344745.2A Active CN110084824B (zh) 2019-04-26 2019-04-26 基于对称水平集的舌体图像分割方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN110084824B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992370B (zh) * 2019-11-19 2023-07-04 东软医疗系统股份有限公司 一种胰腺组织的分割方法、装置及终端设备
CN111739047A (zh) * 2020-06-24 2020-10-02 山东财经大学 基于双谱重建的舌体图像分割方法及系统
CN111898600A (zh) * 2020-07-10 2020-11-06 浙江大华技术股份有限公司 字符轮廓提取方法及装置、存储介质、电子装置
CN112669260B (zh) * 2020-12-07 2023-02-28 上海交通大学 基于深度神经网络的眼底图像视盘黄斑检测方法及装置
CN114119608B (zh) * 2022-01-25 2022-04-12 慧医谷中医药科技(天津)股份有限公司 歪斜舌的检测方法、装置、电子设备及介质
CN115171204B (zh) * 2022-09-06 2023-02-21 北京鹰瞳科技发展股份有限公司 对预测视网膜年龄的预测模型进行训练的方法和相关产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217422A (zh) * 2014-06-03 2014-12-17 哈尔滨工程大学 一种自适应窄带水平集的声纳图像检测方法
CN104809741A (zh) * 2015-05-26 2015-07-29 北京大学 基于图像分析的前列腺疾病分析方法
CN109035268A (zh) * 2018-07-03 2018-12-18 南方医科大学 一种自适应图像分割方法
CN109064476A (zh) * 2018-07-24 2018-12-21 西安电子科技大学 一种基于水平集的ct胸片肺组织图像分割方法
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102325345B1 (ko) * 2014-12-15 2021-11-11 삼성전자주식회사 대화형 영상 분할 장치 및 방법
CN109544565B (zh) * 2018-11-23 2022-12-02 哈尔滨商业大学 一种基于dc-gmrf水平集的创面图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217422A (zh) * 2014-06-03 2014-12-17 哈尔滨工程大学 一种自适应窄带水平集的声纳图像检测方法
CN104809741A (zh) * 2015-05-26 2015-07-29 北京大学 基于图像分析的前列腺疾病分析方法
CN109035268A (zh) * 2018-07-03 2018-12-18 南方医科大学 一种自适应图像分割方法
CN109064476A (zh) * 2018-07-24 2018-12-21 西安电子科技大学 一种基于水平集的ct胸片肺组织图像分割方法
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Detection and Segmentation of 2D Curved Reflection Symmetric Structures;CL Teo et al.;《The IEEE International Conference on Computer Vision (ICCV)》;20151231;第1664-1652页 *
基于先验信息约束的水平集图像分割方法研究;高翔;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;第2.2.1节，第4.2节 *
基于形状先验水平集的高鲁棒性中医舌图像分割方法;张新峰 等;《北京工业大学学报》;20131031;第39卷(第10期);第1节第1段，第1.2.2-1.2.3节 *

Also Published As

Publication number Publication date
CN110084824A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110084824B (zh) 基于对称水平集的舌体图像分割方法、系统、设备及介质
US10818011B2 (en) Carpal segmentation and recognition method and system, terminal and readable storage medium
JP4604120B2 (ja) 図形画像内の楕円の形状および／または位置に関する情報を決定するための装置、方法およびコンピュータプログラム
US10885321B2 (en) Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device
EP3537375A1 (en) Image segmentation method, image segmentation system and storage medium, and device comprising same
WO2019127619A1 (zh) 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN112085033B (zh) 一种模板匹配方法、装置、电子设备及存储介质
CN112464809A (zh) 一种人脸关键点检测方法、装置、电子设备及存储介质
WO2014123619A1 (en) System and method for identifying similarities in different images
CN112287872B (zh) 基于多任务神经网络的虹膜图像分割、定位和归一化方法
CN112949570B (zh) 一种基于残差注意力机制的指静脉识别方法
WO2017070923A1 (zh) 一种人脸识别方法和装置
CN110809768B (zh) 数据清洗系统和方法
Tran et al. eSphere: extracting spheres from unorganized point clouds: how to extract multiple spheres accurately and simultaneously
CN115965750B (zh) 血管重建方法、装置、计算机设备和可读存储介质
CN113192067B (zh) 基于图像检测的智能预测方法、装置、设备及介质
WO2022160731A1 (zh) 图像处理方法、装置、电子设备、存储介质和程序
US10579895B2 (en) Information processing apparatus, extraction method, and medium
EP3843038A1 (en) Image processing method and system
WO2021043023A1 (zh) 图像处理方法及装置、分类器训练方法以及可读存储介质
Ananth et al. A geodesic active contour level set method for image segmentation
WO2018068196A1 (zh) 一种血管脊线追踪方法及装置
CN106447711B (zh) 一种多尺度基本几何形状特征提取方法
CN109815791B (zh) 基于血管的身份识别方法和装置
CN116309549B (zh) 一种眼底区域检测方法、装置、设备及可读存储介质

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