CN112785608B - 一种基于自适应参数改进snic的医学图像分割方法 - Google Patents

Abstract

本发明公开一种基于自适应参数改进SNIC的医学图像分割方法。提取原图像纹理特征获得特征图，再将原图像降尺度处理；设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建像素元素e_i，初始化优先队列Q；从Q中取出d_i,k中最小的元素，如果被取出的元素在L对应位置未被标记则标记为k；利用k更新超像素中心，计算并更新自适应参数m，对该像素的4或8邻域中没被标记的像素，创建新元素并赋予标签k，后填入Q中；当Q不为空时，循环上述；当优先队列Q为空时，将L根据KNN恢复到原尺度大小后获得最终超像素分割结果。

Description

一种基于自适应参数改进SNIC的医学图像分割方法

技术领域

本发明属于图像分割领域，具体涉及一种基于自适应参数改进SNIC的医学图像分割方法。

背景技术

图像的分割在在各个图像处理领域中都起着很重要的作用，是图像处理领域的热点问题。对于医学图像来说，不论是目标的检测和分类，还是图像的三维重建，都需要图像分割技术作为基础。图像的自动分割代替了人工手动分割，节省了人力物力，所以在计算机辅助诊断系统中，图像分割技术有着重要作用。

目前，在医学图像分割的研究领域有了很大的发展，学者们提出了许多医学图像的分割的理论和方法，有基于传统的阈值、区域增长、水平集和活动轮廓等算法的方法，如一种基于CV模型和DRLSE模型的分割算法，对于边界模糊并且灰度不均匀甲状腺超声图像有较好的分割效果。近年来，有一种新的结合传统基于区域的水平集算法和深度学习的框架，可以准确预测分割椎骨的形状，并在多个数据集上进行了实验，取得了很好的结果，相比于其他技术，在处理骨折病例方面有更好的效果。有以统计区域增长和自适应图割为基础的肺部分割算法，首先通过智能二值化和形态学操作确定初始区域，然后运用该算法进行分割，能够在较低的算法复杂度下，获得较高的分割精度。

也有基于其他理论如仿生学优化和统计学的医学图像分割方法，例如一种隐马尔可夫随机场和布谷鸟算法相结合的MRI图像分割方法，与同类算法相比获得了更好的分割结果。也有基于鲸鱼优化算法(WOA)的MRI图像肝脏分割方法。该方法使用WOA算法将图像根据设定的类别数目聚类并进行分割。在70组MRI图像进行测试，实验结果的总体SSIM和SI性能指标分别达到了96.75％和97.5％。

以上许多图像分割算法研究在分割精度上都取得了较好的结果，但是大部分算法在速度上还有一定的提升空间。

发明内容

本发明提供一种基于自适应参数改进SNIC的医学图像分割方法，利用尺度变换方法减少算法运行中的计算量来达到节约计算成本，降低处理的时间和空间复杂度的目的，同时利用纹理信息和自适应参数保证分割精度；可以有效减少超像素分割医学图像所需的时间，提高医学图像分割的精度。

本发明通过以下技术方案实现：

步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；

步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；

步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素e_i＝{x_i,c_i,t_i,k,d_i,k＝0}初始化优先队列Q；

步骤4：从优先队列Q中最先取出Q内所有元素中d_i,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为标签k；

步骤5：计算标签k的超像素中所有像素均值来更新超像素中心，计算并更新自适应参数m；

步骤6：对该像素的4或8邻域中没被标记的像素计算d_i,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；

步骤7：当优先队列Q不为空时，转为步骤4；当优先队列Q为空时，转为步骤8；

步骤8：将标记图L根据KNN算法恢复到原尺度大小后获得最终超像素分割结果。

进一步的，使用降尺度方法和K最邻近算法，即每个样本都能用它最接近的K个邻近值来代表的思想，对SNIC算法进行改进，首先在去掉奇数行和奇数列的像素后保留1/4的像素数的降尺度图像上进行超像素分割，再根据降尺度图像的分割标记图，利用KNN算法思想将标记图恢复为原尺度，从而获得原图上的分割结果，实现原图像中像素点所属超像素标签的分类，完成原图像的超像素分割。

进一步的，所述步骤5具体为，对于每个超像素块，每加入一个新像素时计算所用参数m为最大灰度距离255与每个像素加入时与超像素中心的灰度距离的平均值之差，参数m计算公式为：

因为超像素内部像素趋于一致性，通过上述公式得到的值的分布基本处于200到255之间，差距较小；使用Gamma变换的方法对其进行变换，变换后公式为：

其中c_j和c_k分别为加入的像素和超像素中心的像素值，n为超像素内像素的数目，γ为Gamma变换参数。

进一步的，所述步骤1纹理特征能够反映组织结构的特点，LBP特征提取算法适合医学图像这种局部纹理差异大，灰度分布不规则的图像；LBP特征值的计算公式为：

其中(x_c,y_c)是中心像素，i_c和i_p分别是中心像素和邻域像素的灰度值，s是一个函数，所述s为公式(7)，

其中d_t公式为：

其中t_j和t_k分别代表由LBP算法提取出的第j个候选像素和第k个聚类中心的纹理值，t代表纹理距离的归一化因子。

本发明的有益效果是：

本发明通过降尺度方法减少计算量；在传统SNIC算法中融入纹理信息，改进了提高了对纹理复杂区域的分割精度；提出一种自适应参数省去了人工选择参数的过程，使得算法能根据局部区域的特点动态设定适应的参数值，改进了整体的分割效果。在图像分割数据集和医学图像上的分割实验数据表明本发明算法与常用的SLIC算法和传统SNIC算法相比，耗时更少，分割准确度更高，具有可行性和很好的实用性。

基于最短距离的优先队列分配像素标签，有效地提高了聚类效率。SNIC算法采用非迭代模式，具有方法简单、内存耗费低、速度快的优点。与其他超像素算法相比SNIC具有无需后续区域连通操作，无需多次迭代，更少的像素访问和距离计算，内存需求更低等优势。

附图说明

图1本发明从降尺度到原尺度分类示意图。

图2本发明的在降尺度分割结果和恢复到原尺度结果示意图,其中(a)降尺度的小图，(b)原尺度的大图，(c)降尺度分割结果的小图，(d)恢复到原尺度结果的大图。

图3本发明的不同超像素数目分割效果对比图，其中，(a)超像素数目K＝50时的分割效果图，(b)超像素数目K＝500时的分割效果图。

图4本发明的不同算法分割时间对比图。

图5为本发明的算法不同超像素数目下分割性能结果比较图，其中，(a)边界召回率比较图，(b)欠分割错误率比较图，(c)可达分割准确率比较图，(d)分割时间比较图。

图6为椎骨CT图像分割图，其中，(a)椎骨CT的原图，(b)椎骨CT的真值图，(c)椎骨CT的SLIC算法示意图，(d)椎骨CT的SNIC算法示意图，(e)椎骨CT的改进SNIC算法图。

图7为肝脏CT图像分割图，其中，(a)肝脏CT的原图，(b)肝脏CT的真值图，(c)肝脏CT的SLIC算法示意图，(d)肝脏CT的SNIC算法示意图，(e)肝脏CT的改进SNIC算法图。

图8本发明的自适应参数图，其中，(a)椎骨自适应参数图，(b)肝脏自适应参数图。

图9本发明的自适应参数统计直方图，其中，(a)椎骨自适应参数统计直方图，(b)肝脏自适应参数统计直方图。

图10为SNIC和本发明方法分割结果对比图，其中，(a)SNIC算法分割结果对比图，(b)改进SNIC算法分割结果对比图。

图11本发明的评价指标箱线对比图，其中，(a)Dice评价指标箱线对比图，(b)Jaccard评价指标箱线对比图，(c)CCR评价指标箱线对比图。

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。

现有的SNIC超像素算法

SNIC也在图像平面的规则网格中初始化超像素中心。SNIC算法采用与SLIC相同的距离度量,结合了标准化的空间距离和颜色距离。空间位置为x,颜色值为c，第j个像素中心到第k个超像素中心的距离公式为:

d_x和d_c分别为候选点与聚类中心的空间和颜色距离，计算公式为：

d_x＝||x_j-x_k|| (2)

d_c＝||c_j-c_k|| (3)

x_j和x_k是候选点与聚类中心的位置信息，c_j和c_k是是候选点与聚类中心的颜色信息，s和m是空间距离和颜色距离的归一化因子。对于有N个像素，K个超像素的图像，s的值为

m的值，也叫做紧凑系数，由用户设置。

相比于SLIC需要多次迭代来收敛超像素中心，SNIC可以在一次迭代中在线更新聚类中心。从初始种子点开始，SNIC算法使用一个优先队列来选择要添加到超像素中的下一个像素。

在图像上的规则网格上，得到初始K个种子C[K]＝{xk,ck}。利用这些种子像素创建K个元素ei＝{xi,ci,k,di,k}，其中每个标签k被设置为一个唯一的超像素标签，从1到K，每个距离值di,k表示像素到第K个聚类中心的距离，设为0。优先队列Q由这K个元素初始化。取出时，Q总是返回与第K个聚类中心的距离di,k的最小的元素ei

当Q非空时，di,k的最小的元素被弹出。如果该元素在标记图L上所指向的像素位置未标记，则标记为该元素的标签k。用该像素更新聚类中心，中心值是该超像素中所有像素的平均值。此外，对于它的4个或8个邻域的像素，创建一个新元素，分配标签k并计算di,k，然后将这些新元素填入优先队列Q中。

当算法执行时，优先级队列被清空，在一端分配标签，在另一端填充新的候选对象。当没有剩余的未标记像素添加新元素到队列中，并且队列已被清空时，算法终止。

实施例1

一种基于自适应参数改进SNIC的医学图像分割方法，所述医学图像分割方法具体包括以下步骤：

步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；

步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；

步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素e_i＝{x_i,c_i,t_i,k,d_i,k＝0}，初始化优先队列Q(即，每个像素中均有一个d_i,k)；

步骤4：从优先队列Q中最先取出Q内所有元素中d_i,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为k；

步骤5：计算标记为k的超像素中所有像素均值来更新超像素中心，根据公式(4)计算并更新自适应参数m；

步骤6：对该像素的4或8邻域中没被标记的像素计算d_i,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；

步骤7：当优先队列Q不为空时，即像素点未分配完时，转为步骤4；当优先队列Q为空时，即像素点分配完时，转为步骤8；

步骤8：将标记图L根据图3的KNN算法恢复到原尺度大小后获得最终超像素分割结果。

在实验过程中，超像素的数目K的设定对分割效果和分割时间有一定影响，超像素数目设为50时可以分割出图像中的边缘，但部分边缘部分的分割不够精准，有欠分割的现象，而将超像素数目设为500时可以将边缘模糊区域分割出来，一定程度上能提升图像的分割效果，但有时超像素过多也会产生过分割的现象，具体的超像素数目需要根据实际应用时的需求来确定。不同超像素数目下的分割效果如图3所示。

进一步的，使用降尺度方法和K最邻近算法(KNearestNeighbor,KNN)，即每个样本都能用它最接近的K个邻近值来代表的思想，对SNIC算法进行改进，首先在去掉奇数行和奇数列的像素后保留1/4的像素数的降尺度图像上进行超像素分割，再根据降尺度图像的分割标记图，利用如下图3所示的KNN算法思想将标记图恢复为原尺度，从而获得原图上的分割结果，实现原图像中像素点所属超像素标签的分类，完成原图像的超像素分割，该方法通过减少像素数目从而减少了运算量，提高算法的分割速度。

进一步的，所述步骤5具体为对SNIC算法计算过程中的参数m进行改进，在原算法中m由使用者设定一个固定值，对于灰度分布复杂的医学图像中不能很好地适应不同局部区域的差别，所以本发明对参数m进行优化，使其成为自适应参数，能够在算法运行过程中根据局部特点进行动态变化，使其能根据每个超像素的差异性使用不同的参数进行计算，能够更好的区分不同的区域，从而提升分割的效果。

对于每个超像素块，每加入一个新像素时计算所用参数m为最大灰度距离255与每个像素加入时与超像素中心的灰度距离的平均值之差，参数m计算公式为：

因为超像素内部像素趋于一致性，通过上述公式得到的值的分布基本处于200到255之间，差距较小。为了使该参数在计算过程中产生更大的影响，本发明使用Gamma变换的方法对其进行变换，变换后公式为：

其中c_j和c_k分别为加入的像素和超像素中心的像素值，n为超像素内像素的数目，γ为Gamma变换参数。本发明γ设为5；经过Gamma变换后，参数值的分布被拉伸至更大的区间范围，参数之间的差距更大，参数变化产生的效果会更加明显；

通过以上改进，使得在计算灰度均匀像素时超像素较紧凑，计算灰度不均匀和边界区域时超像素的生长能够对边缘像素更加敏感，使超像素边界更能贴近真实边缘。

进一步的，所述步骤1纹理特征能够反映组织结构的特点，LBP特征提取算法具有计算速度快，旋转不变性和灰度不变性等优点，适合医学图像这种局部纹理差异大，灰度分布不规则的图像；LBP特征值的计算公式为：

其中(x_c,y_c)是中心像素，i_c和i_p分别是中心像素和邻域像素的灰度值，s是一个函数，所述s为公式(7)，

其中d_t公式为：

其中t_j和t_k分别代表由LBP算法提取出的第j个候选像素和第k个聚类中心的纹理值，t代表纹理距离的归一化因子。

图2(a)和(b)为降尺度图像上使用改进的SNIC算法分割的标记图，图2(c)和(d)为使用图3的KNN思想将标记图恢复到原尺度后的分割结果，从图4可以看出恢复到原尺度图像上后仍然可以获得同降尺度图像上一致的完整的分割结果，说明虽然降尺度方法造成了一定的边缘信息缺失，但使用改进后的算法分割并恢复到原尺度后并不影响分割效果。

实施例2

本次实验在Intel(R)Core(TM)i5-4590CPU,3.3GHz,8G内存，显卡为AMD Ra deon(TM)Windows10平台上基于Python编程实现，主要使用了Berkeley图像分割数据集图像和医学图像中的椎骨CT图像进行了分割试验。在Berkeley图像分割数据集上计算边界召回率(Boundary recall，BR)、欠分割错误率(Under-se gmentation error，USE)和可达分割准确率(Achievable segmentation accuracy，ASA)系数评估算法的性能，对于椎骨CT图像则采用基于区域的评价准则将本发明算法的椎骨分割结果与医生手动标记结果进行对比评估并计算评价系数。

为了说明本发明算法的可行性和有效性，本发明首先在Berkeley图像分割数据集上实验并计算最终的分割时间和评估系数来比较不同的超像素算法的分割结果和算法的性能。

在实验过程中，超像素的数目K的设定对分割效果和分割时间有一定影响，超像素数目设为50时可以分割出图像中的边缘，但部分边缘部分的分割不够精准，有欠分割的现象，而将超像素数目设为500时可以将边缘模糊区域分割出来，一定程度上能提升图像的分割效果，但有时超像素过多也会产生过分割的现象，具体的超像素数目需要根据实际应用时的需求来确定。不同超像素数目下的分割效果如图3所示。

图4为在512×512大小的图像上，超像素数目为1000情况下三种算法的运行时间对比，可以看出，在超像素数目较多时，SNIC算法在分割速度上略快于SLIC算法，本发明算法是在SNIC的基础上使用了降尺度减少计算量的方法对速度进行了改进，在分割速度上明显优于SNIC和SLIC算法，获得了显著的提高。

图5为本发明算法、SLIC和SNIC算法不同超像素数目下分割性能结果比较。其中x轴表示超像素数目K，y轴表分别示的BR、USE、ASA和分割时间，三种方法分别用三种线条表示。从图中可以看出，在Berkeley图像分割数据集上，本发明算法性能指标结果于SLIC和SNIC算法相比基本一致。从分割时间结果，参见图5(d)可以看出，SLIC在超像素数目较少时分割速度就快于SNIC，随着超像素数目增加，本发明的改进SNIC算法的分割速度几乎没有变化，在超像素数目1000时，本发明的分割时间仅为现有SNIC算法的二分之一、现有SLIC算法的三分之一，由此可能证明采用本发明的方法对图像进行分割时，在保证各项性能指标的前提下，分割速度得到了显著的提高。

图6和图7分别为在椎骨CT图像上和肝脏CT图像上的分割结果，本发明虽然在改进算法的过程中使用了降尺度处理的方法减少了像素数目，虽然造成了一定程度的边缘信息损失，但从效果来看，改进SNIC算法整体的分割效果与原算法并没有很大的差别，且与传统的SLIC和SNIC算法相比本发明算法对于纹理特征更加敏感，同样可以将边缘分割出来。

为了更清楚显示自适应参数的作用，图8和图9分别展示了计算各个像素时使用的自适应参数值图及其灰度直方图。因为超像素聚类时更加倾向于将灰度值相近的像素聚为一类，而自适应参数是以像素与聚类中心的灰度差确定，所以如图9所示的自适应参数直方图中可以看出，参数值主要聚集在高值区间。图像中占比较多的黑色背景超像素因为内部灰度相似性较高，之间的灰度差较低，根据公式(4)，绝大部分的自适应参数值为最大值255，所以添加新像素时灰度相似性计算所占权重更小，空间位置所占权重更大，从而在灰度平坦区域超像素较为规则紧凑。而且，从图8中可以看出，在边缘位置的自适应参数值变化较大，说明SNIC超像素生长到边缘像素时灰度距离权重增大，边缘会对超像素的分割产生更大的影响，有助于改进图像的分割效果。

图10为传统SNIC算法和本发明改进后的SNIC算法分割结果的细节图，从细节图上可以看出对于模糊的边缘部位，改进后的SNIC算法因加入了纹理特征和自适应参数的影响，更能贴近椎骨的真实边缘，可以说明在使用本发明算法在分割椎骨CT图像时不仅克服了因为使用降尺度造成信息缺失而对分割效果产生的影响，而且对于某些边缘模糊区域，本发明算法能够获得更好的效果。

在医学图像上的分割精度方面，本次实验分别使用三种超像素算法在实验图像上进行分割，将最终结果与医生手动分割结果相比较，计算Dice、Jaccard和CCR系数对分割结果进行对比评估。

对于系统准确性来说，本发明将分别从采用Jaccard、Dice、Correctclassification ration(CCR)三种评估指标进行实验评估。三种定量评估指标定义如下

其中，n代表分割正确的像素数目，N代表图像像素总数。SEG和GT分别表示算法自动分割的结果和专家分割的标准结果。三种指标系数的取值范围均为0到1，越接近1表示分割效果越好。

比较不同分割算法在椎骨图像上的评估系数大小，可以评价不同算法的分割精度，对算法的性能有一个比较直观的了解本发明使用多幅图片进行实验验证，得到的结果评价系数如图11所示：

表1和表2分别为在椎骨CT数据和肝脏CT数据上的评价系数对比，虽然在分割过程中加入尺度变换方法会造成一定的图像边缘信息损失，降低分割精度，但可以看出，通过本发明对SNIC算法的改进能够保证分割的精度不下降,同时在分割速度上有了很大提高，相比于SLIC和传统的SNIC算法，大约提升了60％至70％。

表1椎骨分割评估系数对比

Table 1 Comparative evaluationcoefficient

表2肝脏分割评估系数对比

Table 1 Comparative evaluation coefficient

Claims (3)

1.一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，所述医学图像分割方法具体包括以下步骤：

步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；

步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；

步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素e_i＝{x_i,c_i,t_i,k,d_i,k＝0}，初始化优先队列Q，其中x_i，c_i和t_i分别为第i个像素空间位置、颜色值和纹理值，k为第k个超像素，d_i,k为第i个像素到第k个超像素中心的距离，d_i,k初始值为零；

步骤4：从优先队列Q中最先取出Q内所有元素中d_i,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为标签k；

步骤5：计算标签k的超像素中所有像素均值来更新超像素中心，计算并更新自适应参数m；

所述步骤5具体为，对于每个超像素块，每加入一个新像素时计算所用参数m为最大灰度距离255与每个像素加入时与超像素中心的灰度距离的平均值之差，参数m计算公式为：

其中，n为超像素内像素的数目；c_j和c_k分别为加入的像素和超像素中心的像素值；

因为超像素内部像素趋于一致性，通过上述公式得到的值的分布基本处于200到255之间，差距较小；使用Gamma变换的方法对其进行变换，变换后公式为：

其中c_j和c_k分别为加入的像素和超像素中心的像素值，n为超像素内像素的数目，γ为Gamma变换参数；

步骤6：对该像素的4或8邻域中没被标记的像素计算d_i,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；

步骤7：当优先队列Q不为空时，转为步骤4；当优先队列Q为空时，转为步骤8；

步骤8：将标记图L根据KNN算法恢复到原尺度大小后获得最终超像素分割结果。

2.根据权利要求1所述一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，使用降尺度方法和K最邻近算法，即每个样本都能用它最接近的K个邻近值来代表的思想，对SNIC算法进行改进，首先在去掉奇数行和奇数列的像素后保留1/4的像素数的降尺度图像上进行超像素分割，再根据降尺度图像的分割标记图，利用KNN算法思想将标记图恢复为原尺度，从而获得原图上的分割结果，实现原图像中像素点所属超像素标签的分类，完成原图像的超像素分割。

3.根据权利要求1所述一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，所述步骤1纹理特征能够反映组织结构的特点，LBP特征提取算法适合医学图像这种局部纹理差异大，灰度分布不规则的图像；LBP特征值的计算公式为：

其中(x_c,y_c)是中心像素，i_c和i_p分别是中心像素和邻域像素的灰度值，s是一个函数，所述s为公式(7)，

其中d_t公式为：

其中t_j和t_k分别代表由LBP算法提取出的第j个候选像素和第k个聚类中心的纹理值，t代表纹理距离的归一化因子。

Images