CN113763409A - 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 - Google Patents

Abstract

本发明提供了一种基于高斯滤波的高维脑核磁图像多阈值分割方法，属于智慧医疗技术领域。其技术方案为：首先，获取脑核磁图像数据F；其次，通过标准差为脑核磁图像的粗糙性度量的高斯滤波进行自适应平滑滤波预处理；再次，对预处理后的脑核磁图像进行灰度直方图统计，并根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t₁,t₂,t₃)；最后，将脑核磁图像中三个目标组织和背景的四类间方差σ²(t₁,t₂,t₃)作为混合蛙跳算法的适应度函数寻找三个最优分割阈值

并输出分割后的二值化图像。本发明的有益效果为：降低了噪声对脑核磁图像分割的影响，提高了对脑核磁图像中三个目标组织的分割精度，对脑核磁图像智能辅助分割和诊断具有较强的应用价值。

Description

一种基于高斯滤波的高维脑核磁图像多阈值分割方法

技术领域

本发明涉及智慧医疗技术领域，尤其涉及一种基于高斯滤波的高维脑核磁图像多阈值分割方法。

背景技术

核磁共振成像技术已经成为脑疾病临床诊断的重要辅助手段。脑核磁与电子计算断层扫描相比，它具有无放射线损害，无骨性伪影，能多方面、多参数成像，有高度的软组织分辨能力，不需要使用对比剂即可显示血管结构等独特的优点。然而在实际应用中，由于射频场的不均匀性等因素，导致脑核磁图像的灰度均匀性变差；其次，脑核磁图像成像过程中由于受仪器设备等物理原因影响，使得图像中经常含有噪声。这给医生的临床诊断工作增加了不确定性因素和工作量。同时，这也影响了脑核磁图像的分割精度。如何有效地提高脑核磁图像的分割精度和帮助医生有效地分析患者脑部组织的临床症状，亟需一种新的方法能有效地减少脑核磁图像中的噪声和提高分割精度，有效进行脑核磁图像临床症状的筛查和分析。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种基于高斯滤波的高维脑核磁图像多阈值分割方法。

本发明是通过如下措施实现的：一种基于高斯滤波的高维脑核磁图像多阈值分割方法，包括以下步骤：

步骤1、读取脑核磁图像F，其中图像的大小为256×256，单张的脑核磁图像中共有256×256＝65536个像素点，可表示为论域T＝{F(0,0),F(0,1),...,F(255,255)}，其中F(i,j)(i,j∈[0，255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255]；

步骤2、计算脑核磁图像的粗糙性度量ρ，并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理；

步骤3、对预处理后的脑核磁图像进行灰度直方图统计，根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t₁,t₂,t₃)；

步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ²(t₁,t₂,t₃)，并将其作为混合蛙跳算方法的适应度函数；

步骤5、通过混合蛙跳算法寻找脑核磁图像中脑部组织的灰质、白质、脑脊液和背景的三个最优分割阈值

步骤6、对脑核磁图像进行多阈值分割，输出分割后的二值化图像。

作为本发明提供的一种基于高斯滤波的高维脑核磁图像多阈值分割方法进一步优化方案，所述步骤2的具体步骤如下：

步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l)，其计算公式如下：

其中，F(i,j)为像素(i,j)的灰度级，δ(·)近似为零点处高度为1的冲激函数，L为图像的灰度级数目；

步骤2.2、计算脑核磁图像中两个像素点F₁：F(i₁,j₁)和F₂：F(i₂,j₂)之间的空间距离d(F₁,F₂)，其计算公式如下：

步骤2.3、计算脑核磁图像中像素F(i,j)的3＝3规模邻域，邻域中的各邻接像素与F(i,j)之间的空间距离d_3×3(i,j)，其计算公式如下：

步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j)，其计算公式如下：

其中，邻域同质程度函数S(i,j)是一个Cauchy型分布函数，r参数表示不可区分色差的阈值；

步骤2.5、根据像素邻域通知性度量，计算脑核磁图像F在不同灰度级上分布信息的上近似

其计算公式如下：

步骤2.6、根据脑核磁图像F在不同灰度级上分布信息的下近似H(l)和上近似

信息，在不同灰度级上的粗糙量化信息的计算公式如下：

其中，

为灰度值l上的分布粗糙度，W(H(l))为权重函数，设参数0＜b＜c，权重函数的计算公式如下：

其中，k₁＝c²/2b²，k₂＝c²/2(c-b)²，参数b，c的取值与统计直方图分布均值的比例分别为0.05和0.5；

步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理，得到滤波后的图像F'。

作为本发明提供的一种基于高斯滤波的高维脑核磁图像多阈值分割方法进一步优化方案，所述步骤5的具体步骤如下：

步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体，对其进行8位二进制编码，随机选取P＝M×N只作为初始青蛙群体，第k只青蛙个体记为x_k＝(x_k1,x_k2,...,x_ks)，其中s＝3为分割阈值的个数，M为族群数，N为族群内青蛙个数；

步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(x_k)，并计算每只青蛙个体的适应值，其计算公式如下：

其中，ω_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布，μ_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值，

表示脑核磁图像总体的灰度均值；

步骤5.3、按照所有青蛙个体的适应度f(x_k)降序排序，记全局最优青蛙个体为X_g，并逐一循环分配给M个族群；

步骤5.4、对每个青蛙种群进行局部搜索，种群中最优适应值和最差适应值的青蛙个体分别记为X_mb和X_mw，其中m∈[0,M]表示第m个青蛙种群，然后，对青蛙种群最差适应值的青蛙个体进行更新，更新规则如下：

D＝rand()×(X_mb-X_mw) (9)

X'_mw＝X_mw+D,||D||≤D_max (10)

其中，rand()为0到1之间的随机数，D为青蛙个体的移动步长，D_max表示青蛙个体的最大移动步长；

步骤5.5、判断更新生成的新青蛙个体X'_mw与原青蛙个体X_mw之间的大小关系；如果更新后X'_mw的适应值优于X_mw，那么更新成功，否则，用X_g代替X_mb进行更新，如果更新后的X'_mw的适应值优于X_mw，那么更新成功，否则，则随机产生一个新解替换X_mw，完成每个青蛙种群的局部搜索和更新；

步骤5.6、将M个青蛙种群进行混合，并按照青蛙个体的适应值降序排序，生成新的全局最优青蛙个体X'_g，重新划分青蛙种群，进行下一轮的局部搜索和更新；

步骤5.7、当全局最优青蛙个体的适应值趋于收敛，则判定达到停止准则，算法搜索停止，并输出最优的脑核磁图像上三个分割阈值。

与现有技术相比，本发明的有益效果为：

(1)本发明对高维脑核磁图像进行自适应高斯滤波，将高维脑核磁图像的粗糙性度量作为高斯滤波的标准差，在滤除图像中噪声的同时也避免了对图像进行相同的滤波操作而造成的局部特征丢失，可以有效地降低由于仪器设备等物理原因造成图像噪声的影响。

(2)本发明针对高维脑核磁图像中的三个目标组织通过混合蛙跳算法进行多阈值寻优，对高维脑核磁图像进行多区域分割，避免了单阈值分割对不同区域的组织分割精度不高的局限，可以有效地提高高维脑核磁图像中灰质、白质和脑脊液三个目标组织的分割精度。

(3)本发明的基于高斯滤波的高维脑核磁图像多阈值分割方法降低了噪声对高维脑核磁图像分割的影响，提高了对高维脑核磁图像中三个目标组织的分割精度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明中基于高斯滤波的高维脑核磁图像多阈值分割方法的整体框架图。

图2为本发明中基于高斯滤波的高维脑核磁图像多阈值分割方法的具体流程图。

图3为本发明中混合蛙跳算法寻找最优分割阈值的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

参见图1至图3，本发明提供其技术方案为，一种基于高斯滤波的高维脑核磁图像多阈值分割方法，包括以下步骤：

步骤1、读取脑核磁图像F，其中图像的大小为256×256，单张的脑核磁图像中共有256×256＝65536个像素点，可表示为论域T＝{F(0,0),F(0,1),...,F(255,255)}，其中F(i,j)(i,j∈[0，255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255]；

步骤2、计算脑核磁图像的粗糙性度量ρ，并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理；

步骤3、对预处理后的脑核磁图像进行灰度直方图统计，根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t₁,t₂,t₃)；

步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ²(t₁,t₂,t₃)，并将其作为混合蛙跳算方法的适应度函数；

步骤5、通过混合蛙跳算法寻找脑核磁图像中脑部组织的灰质、白质、脑脊液和背景的三个最优分割阈值

步骤6、对脑核磁图像进行多阈值分割，输出分割后的二值化图像。

进一步优选地，所述步骤2的具体步骤如下：

步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l)，其计算公式如下：

其中，F(i,j)为像素(i,j)的灰度级，δ(·)近似为零点处高度为1的冲激函数，L为图像的灰度级数目；

步骤2.2、计算脑核磁图像中两个像素点F₁：F(i₁,j₁)和F₂：F(i₂,j₂)之间的空间距离d(F₁,F₂)，其计算公式如下：

步骤2.3、计算脑核磁图像中像素F(i,j)的3×3规模邻域，邻域中的各邻接像素与F(i,j)之间的空间距离d_3×3(i,j)，其计算公式如下：

步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j)，其计算公式如下：

其中，邻域同质程度函数S(i,j)是一个Cauchy型分布函数，r参数表示不可区分色差的阈值；

步骤2.5、根据像素邻域通知性度量，计算脑核磁图像F在不同灰度级上分布信息的上近似

其计算公式如下：

步骤2.6、根据脑核磁图像F在不同灰度级上分布信息的下近似H(l)和上近似

信息，在不同灰度级上的粗糙量化信息的计算公式如下：

其中，

为灰度值l上的分布粗糙度，W(H(l))为权重函数，设参数0＜b＜c，权重函数的计算公式如下：

其中，k₁＝c²/2b²，k₂＝c²/2(c-b)²，参数b，c的取值与统计直方图分布均值的比例分别为0.05和0.5；

步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理，得到滤波后的图像F'。

进一步优选地，所述步骤5的具体步骤如下：

步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体，对其进行8位二进制编码，随机选取P＝M×N只作为初始青蛙群体，第k只青蛙个体记为x_k＝(x_k1,x_k2,...,x_ks)，其中s×3为分割阈值的个数，M为族群数，N为族群内青蛙个数；

步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(x_k)，并计算每只青蛙个体的适应值，其计算公式如下：

其中，ω_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布，μ_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值，

表示脑核磁图像总体的灰度均值；

步骤5.3、按照所有青蛙个体的适应度f(x_k)降序排序，记全局最优青蛙个体为X_g，并逐一循环分配给M个族群；

步骤5.4、对每个青蛙种群进行局部搜索，种群中最优适应值和最差适应值的青蛙个体分别记为X_mb和X_mw，其中m∈[0,M]表示第m个青蛙种群，然后，对青蛙种群最差适应值的青蛙个体进行更新，更新规则如下：

D＝rand()×(X_mb-X_mw) (9)

X'_mw＝X_mw+D,||D||≤D_max (10)

其中，rand()为0到1之间的随机数，D为青蛙个体的移动步长，D_max表示青蛙个体的最大移动步长；

步骤5.5、判断更新生成的新青蛙个体X'_mw与原青蛙个体X_mw之间的大小关系；如果更新后X'_mw的适应值优于X_mw，那么更新成功，否则，用X_g代替X_mb进行更新，如果更新后的X'_mw的适应值优于X_mw，那么更新成功，否则，则随机产生一个新解替换X_mw，完成每个青蛙种群的局部搜索和更新；

步骤5.6、将M个青蛙种群进行混合，并按照青蛙个体的适应值降序排序，生成新的全局最优青蛙个体X'_g，重新划分青蛙种群，进行下一轮的局部搜索和更新；

步骤5.7、当全局最优青蛙个体的适应值趋于收敛，则判定达到停止准则，算法搜索停止，并输出最优的脑核磁图像上三个分割阈值。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于高斯滤波的高维脑核磁图像多阈值分割方法，其特征在于，包括以下步骤：

步骤1、读取脑核磁图像F，其中图像的大小为256×256，单张的脑核磁图像中共有256×256＝65536个像素点，可表示为论域T＝{F(0,0),F(0,1),...,F(255,255)}，其中F(i,j)(i,j∈[0，255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255]；

步骤2、计算脑核磁图像的粗糙性度量ρ，并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理；

步骤3、对预处理后的脑核磁图像进行灰度直方图统计，根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t₁,t₂,t₃)；

步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ²(t₁,t₂,t₃)，并将其作为混合蛙跳算方法的适应度函数；

步骤5、通过混合蛙跳算法寻找脑核磁图像中脑部组织的灰质、白质、脑脊液和背景的三个最优分割阈值

步骤6、对脑核磁图像进行多阈值分割，输出分割后的二值化图像。

2.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法，其特征在于，所述步骤2的具体步骤如下：

步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l)，其计算公式如下：

其中，F(i,j)为像素(i,j)的灰度级，δ(·)近似为零点处高度为1的冲激函数，L为图像的灰度级数目；

步骤2.2、计算脑核磁图像中两个像素点F₁：F(i₁,j₁)和F₂：F(i₂,j₂)之间的空间距离d(F₁,F₂)，其计算公式如下：

步骤2.3、计算脑核磁图像中像素F(i,j)的3×3规模邻域，邻域中的各邻接像素与F(i,j)之间的空间距离d_3×3(i,j)，其计算公式如下：

步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j)，其计算公式如下：

其中，邻域同质程度函数S(i,j)是一个Cauchy型分布函数，r参数表示不可区分色差的阈值；

步骤2.5、根据像素邻域通知性度量，计算脑核磁图像F在不同灰度级上分布信息的上近似

其计算公式如下：

步骤2.6、根据脑核磁图像F在不同灰度级上分布信息的下近似H(l)和上近似

信息，在不同灰度级上的粗糙量化信息的计算公式如下：

其中，

为灰度值l上的分布粗糙度，W(H(l))为权重函数，设参数0＜b＜c，权重函数的计算公式如下：

其中，k₁＝c²/2b²，k₂＝c²/2(c-b)²，参数b，c的取值与统计直方图分布均值的比例分别为0.05和0.5；

步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理，得到滤波后的图像F'。

3.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法，其特征在于，所述步骤5的具体步骤如下：

步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体，对其进行8位二进制编码，随机选取P＝M×N只作为初始青蛙群体，第k只青蛙个体记为x_k＝(x_k1,x_k2,...,x_ks)，其中s＝3为分割阈值的个数，M为族群数，N为族群内青蛙个数；

步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(x_k)，并计算每只青蛙个体的适应值，其计算公式如下：

其中，ω_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布，μ_p(p＝0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值，

表示脑核磁图像总体的灰度均值；

步骤5.3、按照所有青蛙个体的适应度f(x_k)降序排序，记全局最优青蛙个体为X_g，并逐一循环分配给M个族群；

步骤5.4、对每个青蛙种群进行局部搜索，种群中最优适应值和最差适应值的青蛙个体分别记为X_mb和X_mw，其中m∈[0,M]表示第m个青蛙种群，然后，对青蛙种群最差适应值的青蛙个体进行更新，更新规则如下：

D＝rand()×(X_mb-X_mw) (9)

X'_mw＝X_mw+D,||D||≤D_max (10)

其中，rand()为0到1之间的随机数，D为青蛙个体的移动步长，D_max表示青蛙个体的最大移动步长；

步骤5.5、判断更新生成的新青蛙个体X'_mw与原青蛙个体X_mw之间的大小关系；如果更新后X'_mw的适应值优于X_mw，那么更新成功，否则，用X_g代替X_mb进行更新，如果更新后的X'_mw的适应值优于X_mw，那么更新成功，否则，则随机产生一个新解替换X_mw，完成每个青蛙种群的局部搜索和更新；

步骤5.6、将M个青蛙种群进行混合，并按照青蛙个体的适应值降序排序，生成新的全局最优青蛙个体X'_g，重新划分青蛙种群，进行下一轮的局部搜索和更新；

步骤5.7、当全局最优青蛙个体的适应值趋于收敛，则判定达到停止准则，算法搜索停止，并输出最优的脑核磁图像上三个分割阈值。

Images