CN111062962B - 一种基于差分搜索算法的多阈值超声图像分割方法 - Google Patents
一种基于差分搜索算法的多阈值超声图像分割方法 Download PDFInfo
- Publication number
- CN111062962B CN111062962B CN201911237923.8A CN201911237923A CN111062962B CN 111062962 B CN111062962 B CN 111062962B CN 201911237923 A CN201911237923 A CN 201911237923A CN 111062962 B CN111062962 B CN 111062962B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- ultrasonic image
- threshold
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000003709 image segmentation Methods 0.000 title claims abstract description 51
- 238000010845 search algorithm Methods 0.000 title claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 27
- 230000002146 bilateral effect Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000002604 ultrasonography Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 abstract description 19
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 206010011732 Cyst Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation 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
- G06T7/10—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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于差分搜索算法的多阈值超声图像分割方法，属于图像处理技术领域。本发明首先对超声图像进行预处理，利用双边滤波器对超声图像进行去噪，来解决超声图像中的噪声影响分割准确性的问题；接着通过Otsu‑DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像分割的阈值是类间方差函数取最大时的值；最后利用得到的多个阈值对超声图像进行分割，得到分割结果。本发明可以有效的对超声图像进行分割，具有较高的分割效率，并能达到较好的效果。
Description
技术领域
本发明涉及一种基于差分搜索算法的多阈值超声图像分割方法，属于图像处理技术领域。
背景技术
超声图像作为医学影像中的一种，在医学临床诊断中有着重要作用。随着影像医学的发展，超声图像分割也在医学临床诊断中具有越来越重要的意义。超声图像分割是计算机辅助诊断(Computer aided diagnosis,CAD)系统中的一个重要组成部分，其作用是对超声图像进行分割，标定图像中的病灶部位，为病灶部位的特征提取、诊断和分类提供必要条件。
目前的研究中，所采用的超声图像分割方法大致可以分为：阈值法、聚类法、活动轮廓。阈值法是一种常见的图像分割方法，常用于医学图像的分割，包括CT、MRI和超声图像。其中，超声图像中存在较大的斑点噪声，超声图像是目标区域、背景与噪声共存的图像。阈值分割是指用图像的某一灰度值将图像信息分割出不同部分，阈值法虽然简单、直接，但阈值法的关键之处和难点是选择合适的阈值对图像进行分割，尤其是对于具有多个目标或存在噪声的图像。对于含有多个目标或者噪声的图像，多阈值分割方法能将其分割成多个部分，同时能够使图像中的目标分离更加准确，实现较为合理的分割。但多个阈值的使用，会增加计算量，但是若使用穷举法则会增加运行的时间和空间。因此，需要选择合适的智能搜索算法，来减少运行所需的时间和空间，以达到快速获得超声图像的分割阈值和实现较快的分割超声图像的目的。针对Otsu算法扩展到多阈值图像分割时,呈现出的搜索空间大、计算复杂度高、计算量大和耗时长的问题。Ghamis提出了改进的粒子群算法进行阈值搜索，提升了图像分割的速度和效果。2012年P.Civiciogl提出了一种较新的仿生搜索算法，称为差分搜索(differential search，DS)算法，差分搜索算法能快速求解多维问题的最优值。又进一步的提升算法的寻优效率，同时节省了计算时间和运行空间。
以上这些方法，对于超声图像的分割不能在具有较好的分割效果的同时，又具有较高的分割效率。
发明内容
本发明提供了一种基于差分搜索算法的多阈值超声图像分割方法，本发明能够快速、准确的对超声图像进行分割，实现较好的分割效果。也解决了分割的区域与理想的区域接近时，尤其是超声图像中同时包含黑、白两种目标区域的多个目标时，不能较完整地分割超声图像的问题。
本发明的技术方案是：一种基于差分搜索算法的多阈值超声图像分割方法，首先对超声图像进行预处理，利用双边滤波器对超声图像进行去噪，用于解决超声图像中的噪声影响分割准确性的问题；接着通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；最后利用得到的多个阈值对超声图像进行分割，得到分割结果。
进一步地，所述基于差分搜索算法的多阈值超声图像分割方法的具体步骤如下：
Step1、图像滤波：超声图像在分割前需要对超声图像进行滤波去噪的预处理，采用双边滤波器对超声图像进行滤波；滤波过程既要对超声图像中的噪声进行抑制，也要对图像中的目标区域和边缘信息进行保留；利用双边滤波器对超声图像进行滤波时，首先要选择两个高斯核函数的标准差，同时还要选择滤波窗口的大小，最后还要选择迭代次数；
Step2、利用Otsu-DS算法得到超声图像分割的阈值：通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；Otsu-DS算法将差分搜索DS算法与多阈值类间方差函数结合起来，通过差分搜索算法来搜索在多阈值类间方差函数值取最大时对应的阈值；在这个过程中，搜索的阈值作为种群的个体，搜索最佳的阈值将视为种群搜索最佳位置的过程；
假设用k-1个阈值[t1,t2,…,tk-1]将图像分为k类(C1,C2,…,Ck)，图像有L个不同的灰度级；其中，C1包含图像中灰度级为[0,t1-1]，C2包含图像中灰度级为[t1,t2-1]，以此类推，Ck则包含图像中灰度级为[tk-1,L-1]；其中，ti表示阈值，i∈[1,k-1]；Ci表示图像的类别，i∈[1,k]；多阈值类间方差函数为：
其中，
Pk表示图像分类为C1类图像到分类为Ck类的总的概率，Pi表示图像分类为Ci类在图像中的概率，i表示图像中具体的某一灰度值；
mk表示类Ck像素对应的平均灰度值；
μT表示图像整体的平均灰度值，即全局均值)；
令上面的多阈值类间方差函数中的
即类间方差的值取得最大，t1*,t2*,…,tk-1*即为图像分割最佳的阈值：
Step3、利用得到的多个阈值分割超声图像：利用Otsu-DS算法得到超声图像分割的阈值对图像进行分割；
进一步地，所述Step3中，通过多次实验分析得出了以下结论：选择两个阈值将超声图像分为三类能得到好的分割结果或采用两个阈值来分割超声图像，在图像中只有一种目标的情况下，从两个阈值中选出一个最佳阈值将图像分割成二值图像。
所述步骤Step1中，超声图像采用的滤波方法是双边滤波。双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。双边滤波是采用加权平均的方法，用周围像素亮度值的加权平均代表某个像素的强度，所用的加权平均是基于高斯分布的。同时，双边滤波的权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的灰度值差异，在计算中心像素的时候同时考虑这两个权重。
所述步骤Step2中，类间方差算法是一种基于直方图统计的无监督阈值选择算法，简称Otsu。它是一种阈值选择模型，能够有效地计算出图像合适的分割阈值，实现较好的分割效果。差分搜索算法是一种较新的智能搜索算法，可以求解多个最优值的问题，并且可以实现快速计算。
所述步骤Step3中，如果分割得到的结果F1值大、错误率Error小、Time(s)小，说明分割结果的准确性高、效果好，同时分割速度也是比较快的。
本发明的有益效果是：
本发明采用双边滤波、差分搜索算法与多阈值类间方差结合的方法，能够快速、准确的对超声图像进行分割，实现较好的分割效果。也解决了在分割的区域与理想的区域接近时，尤其是图像中同时包含黑、白两种目标区域的多个目标时，分割不精确的问题。另外，本发明的方法在实例的实验中，得到的数据F1均达到最大，得到的数据Error和Time(s)也是最小。这在定量分析上也说明本发明对于超声图像的分割准确性高、效果好、分割速度也是比较快的。
附图说明
图1为本发明的总体流程图；
图2为本发明实施例1：有单个仿真囊肿的超声图像分割的实验图；
图2中：(a)有单个仿真囊肿超声图像的原图像；(b)理想的分割区域；(c)区域生长法的分割结果；(d)活动轮廓法的分割结果；(e)k-means的分割结果；(f)本发明方法的分割结果；
图3为本发明实施例2：有三个仿真囊肿的超声图像分割的实验图；
图3中：(a)有三个仿真囊肿的超声原图；(b)理想的分割区域；(c)区域生长法的分割结果；(d)活动轮廓法的分割结果；(e)K-means法的分割结果；(f)本发明方法的分割结果；
图4为本发明实施例3：带有黑、白两种目标区域的超声图像分割的实验图；
图4中：(a)带有黑、白两种目标区域的超声图像的原图像；(b)理想的分割区域；(c)区域生长法的分割结果；(d)活动轮廓法的分割结果；(e)k-means的分割结果；(f)本发明方法的分割结果。
具体实施方式
实施例1：如图1、图2所示，一种基于差分搜索算法的多阈值超声图像分割方法，对图像如图2(a)进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在影响分割准确性的问题；接着利用Otsu-DS算法得到超声图像分割的阈值；最后利用得到的多个阈值分割超声图像，得到分割结果。在该实例的实验中，区域生长法采用4邻域，设置像素间灰度值相似性距离小于0.05，选择好目标区域种子点之后进行生长分割。活动轮廓采用CV模型活动轮廓，同时在目标区域周围设置初始轮廓，设置迭代次数为500进行曲线的演化，来提取出目标区域的轮廓。K-means方法将图像聚成三类，同样从其中选择一类将图像得到二值图像。
进一步地，所述基于差分搜索算法的多阈值超声图像分割方法的具体步骤如下：
Step1、图像滤波：超声图像在分割前需要对超声图像进行滤波去噪的预处理，采用双边滤波器对超声图像进行滤波；滤波过程既要对超声图像中的噪声进行抑制，也要对图像中的目标区域和边缘信息进行保留；利用双边滤波器对超声图像进行滤波时，首先要选择两个高斯核函数的标准差，同时还要选择滤波窗口的大小，最后还要选择迭代次数；
Step2、利用Otsu-DS算法得到超声图像分割的阈值：通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；Otsu-DS算法将差分搜索DS算法与多阈值类间方差函数结合起来，通过差分搜索算法来搜索在多阈值类间方差函数值取最大时对应的阈值；在这个过程中，搜索的阈值作为种群的个体，搜索最佳的阈值将视为种群搜索最佳位置的过程；
假设用k-1个阈值[t1,t2,…,tk-1]将图像分为k类(C1,C2,…,Ck)，图像有L个不同的灰度级；其中，C1包含图像中灰度级为[0,t1-1]，C2包含图像中灰度级为[t1,t2-1]，以此类推，Ck则包含图像中灰度级为[tk-1,L-1]；其中，ti表示阈值，i∈[1,k-1]；Ci表示图像的类别，i∈[1,k]；多阈值类间方差函数为：
其中，
Pk表示图像分类为C1类图像到分类为Ck类的总的概率，Pi表示图像分类为Ci类在图像中的概率，i表示图像中具体的某一灰度值；
mk表示类Ck像素对应的平均灰度值；
μT表示图像整体的平均灰度值，即全局均值；
令上面的多阈值类间方差函数中的
即类间方差的值取得最大，t1*,t2*,…,tk-1*即为图像分割最佳的阈值：
Step3、利用得到的多个阈值分割超声图像：利用Otsu-DS算法得到超声图像分割的阈值对图像进行分割；
进一步地，所述Step3中，通过多次实验分析得出了以下结论：选择两个阈值将超声图像分为三类能得到好的分割结果。因此本发明中，采用两个阈值来分割超声图像。如图2(f)所示：
效果评价：将四种不同方法分割后的结果与理想的分割区域进行比较，理想的分割区域结果如图2(b)，采取的效果评价的指标包括Precision、Recall、F1、Error、Time(s)。
分割方法比较：比较方法包括区域生长、活动轮廓、K-means。先对每个方法的分割效果进行分析对比，再通过Precision、Recall、F1、Error、Time(s)五种指标进行定量的分析和对比。表1为实施例1分割结果的定量分析及方法比较。
表1实施例1分割结果的定量分析及方法比较。
实施例2：如图1、图3所示，一种基于差分搜索算法的多阈值超声图像分割方法，本实施例与实施例1相同，不同之处在于：
对图像如图3(a)进行处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在影响分割准确性的问题；接着利用Otsu-DS算法得到超声图像分割的阈值；最后利用得到的多个阈值分割超声图像，得到分割结果。在该实例的实验中，区域生长法采用4邻域，设置像素间灰度值相似性距离小于0.05，选择好目标区域种子点之后进行生长分割。活动轮廓采用CV模型活动轮廓，同时在目标区域周围设置初始轮廓，设置迭代次数为500进行曲线的演化，来提取出目标区域的轮廓。K-means方法将图像聚成三类，同样从其中选择一类将图像得到二值图像。
进一步地，所述基于差分搜索算法的多阈值超声图像分割方法的具体步骤如下：
Step1、图像滤波：超声图像在分割前需要对超声图像进行滤波去噪的预处理，采用双边滤波器对超声图像进行滤波；滤波过程既要对超声图像中的噪声进行抑制，同时也要对图像中的目标区域和边缘信息进行保留；利用双边滤波器对超声图像进行滤波时，首先要选择两个高斯核函数的标准差，同时还要选择滤波窗口的大小，最后还要选择迭代次数；
Step2、利用Otsu-DS算法得到超声图像分割的阈值：通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；Otsu-DS算法将差分搜索DS算法与多阈值类间方差函数结合起来，通过差分搜索算法来搜索在多阈值类间方差函数值取最大时对应的阈值；在这个过程中，搜索的阈值作为种群的个体，搜索最佳的阈值将视为种群搜索最佳位置的过程；
假设用k-1个阈值[t1,t2,…,tk-1]将图像分为k类(C1,C2,…,Ck)，图像有L个不同的灰度级；其中，C1包含图像中灰度级为[0,t1-1]，C2包含图像中灰度级为[t1,t2-1]，以此类推，Ck则包含图像中灰度级为[tk-1,L-1]；其中，ti表示阈值，i∈[1,k-1]；Ci表示图像的类别，i∈[1,k]；多阈值类间方差函数为：
其中，
Pk表示图像分类为C1类图像到分类为Ck类的总的概率，Pi表示图像分类为Ci类在图像中的概率，i表示图像中具体的某一灰度值；
mk表示类Ck像素对应的平均灰度值；
μT表示图像整体的平均灰度值，即全局均值；
令上面的多阈值类间方差函数中的
(即类间方差)的值取得最大，t1*,t2*,…,tk-1*即为图像分割最佳的阈值：
Step3、利用得到的多个阈值分割超声图像：利用Otsu-DS算法得到超声图像分割的阈值对图像进行分割；通过多次实验分析得出了以下结论：选择两个阈值将超声图像分为三类能得到好的分割结果。因此本发明中，采用两个阈值来分割超声图像。如图3(f)所示：
效果评价：将四种不同方法分割后的结果与理想的分割区域进行比较，理想的分割区域结果如图3(b)，采取的效果评价的指标包括Precision、Recall、F1、Error、Time(s)。
分割方法比较：比较方法包括区域生长、活动轮廓、K-means。先对每个方法的分割效果进行分析对比，再通过Precision、Recall、F1、Error、Time(s)五种指标进行定量的分析和对比。表2为实施例2分割结果的定量分析及方法比较。
表2实施例2分割结果的定量分析及方法比较
实施例3：如图1、图4所示，一种基于差分搜索算法的多阈值超声图像分割方法，对图像如图4(a)进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在影响分割准确性的问题；接着利用Otsu-DS算法得到超声图像分割的阈值；最后利用得到的多个阈值分割超声图像，得到分割结果。在该实例的实验中，区域生长法采用4邻域，设置像素间灰度值相似性距离小于0.05，选择好目标区域种子点之后进行生长分割。活动轮廓采用CV模型活动轮廓，同时在目标区域周围设置初始轮廓，设置迭代次数为500进行曲线的演化，来提取出目标区域的轮廓。K-means方法将图像聚成三类，同样从其中选择一类将图像得到二值图像。
进一步地，所述基于差分搜索算法的多阈值超声图像分割方法的具体步骤如下：
Step1、图像滤波：超声图像在分割前需要对超声图像进行滤波去噪的预处理，采用双边滤波器对超声图像进行滤波；滤波过程既要对超声图像中的噪声进行抑制，同时也要对图像中的目标区域和边缘信息进行保留；利用双边滤波器对超声图像进行滤波时，首先要选择两个高斯核函数的标准差，同时还要选择滤波窗口的大小，最后还要选择迭代次数；
Step2、利用Otsu-DS算法得到超声图像分割的阈值：通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；Otsu-DS算法将差分搜索DS算法与多阈值类间方差函数结合起来，通过差分搜索算法来搜索在多阈值类间方差函数值取最大时对应的阈值；在这个过程中，搜索的阈值作为种群的个体，搜索最佳的阈值将视为种群搜索最佳位置的过程；
假设用k-1个阈值[t1,t2,…,tk-1]将图像分为k类(C1,C2,…,Ck)，图像有L个不同的灰度级；其中，C1包含图像中灰度级为[0,t1-1]，C2包含图像中灰度级为[t1,t2-1]，以此类推，Ck则包含图像中灰度级为[tk-1,L-1]；其中，ti表示阈值，i∈[1,k-1]；Ci表示图像的类别，i∈[1,k]；多阈值类间方差函数为：
其中，
Pk表示图像分类为C1类图像到分类为Ck类的总的概率，Pi表示图像分类为Ci类在图像中的概率，i表示图像中具体的某一灰度值；
mk表示类Ck像素对应的平均灰度值；
μT表示图像整体的平均灰度值，即全局均值；
令上面的多阈值类间方差函数中的
(即类间方差)的值取得最大，t1*,t2*,…,tk-1*即为图像分割最佳的阈值：
Step3、利用得到的多个阈值分割超声图像：利用Otsu-DS算法得到超声图像分割的阈值对图像进行分割；通过多次实验分析得出了以下结论：选择两个阈值将超声图像分为三类能得到好的分割结果。因此本发明中，采用两个阈值来分割超声图像。如图4(f)所示：
效果评价：将四种不同方法分割后的结果与理想的分割区域进行比较，理想的分割区域结果如图4(b)，采取的效果评价的指标包括Precision、Recall、F1、Error、Time(s)。
分割方法比较：比较方法包括区域生长、活动轮廓、K-means。先对每个方法的分割效果进行分析对比，再通过Precision、Recall、F1、Error、Time(s)五种指标进行定量的分析和对比。表3为实施例3分割结果的定量分析及方法比较。
表3实施例3分割结果的定量分析及方法比较
为进一步的验证在超声仿真图像中差分搜索算法DS得到的阈值的准确性，本发明中将差分搜索算法DS与穷举法两种搜索算法得出阈值及类间方差值进行了比较。穷举法搜索是给出图像所有可以分割的阈值组合，如(1,2)，(1,3)…，(244,255)，并计算了每个组合的函数类间方差函数值，目标阈值为类间方差函数取最大时的阈值组合。穷举法虽然能准确得到目标阈值，但是存在计算时间长的缺点。而差分搜索算法DS不仅能得到准确的目标阈值，而且计算时间也比较短。表4为两种搜索算法得出阈值及类间方差值的比较。
表4两种搜索算法得出阈值及类间方差值的比较
通过将差分搜索算法与多阈值类间方差函数结合起来对超声图像进行分割。本发明的方法对于超声图像的分割，能在达到较好的分割效果的同时具有较高的分割效率。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于差分搜索算法的多阈值超声图像分割方法，其特征在于：首先对超声图像进行预处理，利用双边滤波器对超声图像进行去噪，用于解决超声图像中的噪声影响分割准确性的问题；接着通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；最后利用得到的多个阈值对超声图像进行分割，得到分割结果；
所述基于差分搜索算法的多阈值超声图像分割方法的具体步骤如下：
Step1、图像滤波：超声图像在分割前需要对超声图像进行滤波去噪的预处理，采用双边滤波器对超声图像进行滤波；滤波过程既要对超声图像中的噪声进行抑制，也要对图像中的目标区域和边缘信息进行保留；
Step2、利用Otsu-DS算法得到超声图像分割的阈值：通过Otsu-DS算法得到超声图像分割的阈值，用于解决分割不准确的问题，同时能够实现快速分割，其中超声图像的分割阈值是类间方差函数取最大时的值；Otsu-DS算法将差分搜索DS算法与多阈值类间方差函数结合起来，通过差分搜索算法来搜索在多阈值类间方差函数值取最大时对应的阈值；在这个过程中，搜索的阈值作为种群的个体，搜索最佳的阈值将视为种群搜索最佳位置的过程；
假设用k-1个阈值[t1,t2,…,tk-1]将图像分为k类(C1,C2,…,Ck)，图像有L个不同的灰度级；其中，C1包含图像中灰度级为[0,t1-1]，C2包含图像中灰度级为[t1,t2-1]，以此类推，Ck则包含图像中灰度级为[tk-1,L-1]；其中，ti表示阈值，i∈[1,k-1]；Ci表示图像的类别，i∈[1,k]；多阈值类间方差函数为：
其中，
Pk表示图像分类为C1类图像到分类为Ck类的总的概率，Pi表示图像分类为Ci类在图像中的概率，i表示图像中具体的某一灰度值；
mk表示类Ck像素对应的平均灰度值；
μT表示图像整体的平均灰度值，即全局均值；
令上面的多阈值类间方差函数中的
即类间方差的值取得最大，t1*,t2*,…,tk-1*即为图像分割最佳的阈值：
Step3、利用得到的多个阈值分割超声图像：利用Otsu-DS算法得到超声图像分割的阈值对图像进行分割。
2.根据权利要求1所述的基于差分搜索算法的多阈值超声图像分割方法，其特征在于：所述Step3中，选择两个阈值将超声图像分为三类能得到好的分割结果或采用两个阈值来分割超声图像，在图像中只有一种目标的情况下，从两个阈值中选出一个最佳阈值将图像分割成二值图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237923.8A CN111062962B (zh) | 2019-12-06 | 2019-12-06 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237923.8A CN111062962B (zh) | 2019-12-06 | 2019-12-06 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062962A CN111062962A (zh) | 2020-04-24 |
| CN111062962B true CN111062962B (zh) | 2022-09-27 |
Family
ID=70300141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911237923.8A Active CN111062962B (zh) | 2019-12-06 | 2019-12-06 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062962B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751474A (zh) * | 2015-04-13 | 2015-07-01 | 上海理工大学 | 一种级联式快速图像缺陷分割方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106651879A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市拟合科技有限公司 | 一种指甲图像的提取方法及系统 |
| CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
| CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
| CN109214499A (zh) * | 2018-07-27 | 2019-01-15 | 昆明理工大学 | 一种改进寻优策略的差分搜索算法 |
| CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
| CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
| CN110211098A (zh) * | 2019-05-17 | 2019-09-06 | 江门市中心医院 | 一种结合mrf能量和模糊速度的乳腺癌图像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| PT2779089T (pt) * | 2010-07-30 | 2019-02-19 | Fund D Anna Sommer Champalimaud E Dr Carlos Montez Champalimaud | Sistemas e métodos para segmentação e processamento de imagens de tecidos e extração de características dos mesmos para tratar, diagnosticar ou prever condições médicas |
-
2019
- 2019-12-06 CN CN201911237923.8A patent/CN111062962B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751474A (zh) * | 2015-04-13 | 2015-07-01 | 上海理工大学 | 一种级联式快速图像缺陷分割方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106651879A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市拟合科技有限公司 | 一种指甲图像的提取方法及系统 |
| CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
| CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
| CN109214499A (zh) * | 2018-07-27 | 2019-01-15 | 昆明理工大学 | 一种改进寻优策略的差分搜索算法 |
| CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
| CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
| CN110211098A (zh) * | 2019-05-17 | 2019-09-06 | 江门市中心医院 | 一种结合mrf能量和模糊速度的乳腺癌图像分割方法 |
Non-Patent Citations (7)
| Title |
|---|
| 《An Image Processing Approach to Measuring the Sphericity and Roundness of Fracturing Proppants》;Xinrong Lyu等;《IEEE Access》;20190123;第7卷;第16078-16087页 * |
| 《Application of Switching Median Filter in Two-Dimensional Otsu Image Segmentation》;Hanmin Ye等;《2017 International Conference on Network and Information Systems for Computers (ICNISC)》;20190919;第258-261页 * |
| 《BP神经网络在医学超声图像去噪中的应用研究》;净亮等;《数据通信》;20191031(第5期);第18-21页 * |
| 《Normalized mutual information-based image registration using differential search algorithm》;Peng Gui等;《2016 IEEE International Conference on Electronic Information and Communication Technology (ICEICT)》;20170316;第329-332页 * |
| 《One image segmentation method based on Otsu and fuzzy theory seeking image segment threshold》;Zhiwei Tang等;《2011 International Conference on Electronics, Communications and Control (ICECC)》;20111003;第2170-2173页 * |
| 《基于差分搜索优化最大类间方差的脑组织分割方法》;王硕等;《国际生物医学工程杂志》;20191031;第42卷(第5期);第409-413页 * |
| 《改进的差分搜索算法的医学图像配准》;桂鹏等;《计算机科学与探索》;20190331;第13卷(第3期);第446-456页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062962A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Angel Arul Jothi et al. | A survey on automated cancer diagnosis from histopathology images | |
| Hariraj et al. | Fuzzy multi-layer SVM classification of breast cancer mammogram images | |
| Hooda et al. | Brain tumor segmentation: A performance analysis using K-Means, Fuzzy C-Means and Region growing algorithm | |
| Fondón et al. | Automatic classification of tissue malignancy for breast carcinoma diagnosis | |
| Xie et al. | Automatic segmentation of dermoscopy images using self-generating neural networks seeded by genetic algorithm | |
| Jardim et al. | Image thresholding approaches for medical image segmentation-short literature review | |
| CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
| Huang et al. | Deep semantic segmentation feature-based radiomics for the classification tasks in medical image analysis | |
| Yang et al. | Color texture segmentation based on image pixel classification | |
| Kurmi et al. | Content-based image retrieval algorithm for nuclei segmentation in histopathology images: CBIR algorithm for histopathology image segmentation | |
| Soleymanifard et al. | Multi-stage glioma segmentation for tumour grade classification based on multiscale fuzzy C-means | |
| Liu et al. | Lung segmentation based on random forest and multi‐scale edge detection | |
| Sasmal et al. | A survey on the utilization of Superpixel image for clustering based image segmentation | |
| Jia et al. | A parametric optimization oriented, AFSA based random forest algorithm: application to the detection of cervical epithelial cells | |
| Zhang et al. | Improving image segmentation based on patch-weighted distance and fuzzy clustering | |
| Song et al. | Automated segmentation of overlapping cytoplasm in cervical smear images via contour fragments | |
| CN116563296B (zh) | 一种用于腹部ct图像的识别方法 | |
| US10360434B2 (en) | Multi-pass adaptive voting for nuclei detection in histopathological images | |
| Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
| Vijila Rani et al. | Automatic segmentation and classification of lung tumour using advance sequential minimal optimisation techniques | |
| CN108182684B (zh) | 一种基于加权核函数模糊聚类的图像分割方法及其装置 | |
| CN111062962B (zh) | 一种基于差分搜索算法的多阈值超声图像分割方法 | |
| Kiwanuka et al. | Automatic attribute threshold selection for morphological connected attribute filters | |
| Zhao et al. | An automatic counting method of maize ear grain based on image processing | |
| Sun et al. | Bounded asymmetric Gaussian mixture model with spatial constraint for image segmentation |
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 |