CN115330820B

CN115330820B - 一种基于x光片的牙齿图像分割方法

Info

Publication number: CN115330820B
Application number: CN202211256362.8A
Authority: CN
Inventors: 黄宁
Original assignee: Jiangsu Qihao Medical Technology Co ltd
Current assignee: Jiangsu Qihao Medical Technology Co ltd
Priority date: 2022-10-14
Filing date: 2022-10-14
Publication date: 2023-03-24
Anticipated expiration: 2042-10-14
Also published as: CN115330820A

Abstract

本发明涉及图像处理领域，提出了一种基于X光片的牙齿图像分割方法，包括：得到每一颗牙齿图像；确定出牙齿图像中的多个灰度混乱区域；以每个灰度混乱区域中任意像素点为起始点进行生长；得到椭圆区域；得到每个椭圆区域对应的两个聚类；获取每个椭圆区域中两个聚类的分割线，对所有分割线进行拟合得到多条边缘线；利用多条边缘线对牙齿进行分割，得到分割后的牙齿。本发明提高了牙齿分割结果的准确性。

Description

一种基于X光片的牙齿图像分割方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于X光片的牙齿图像分割方法。

背景技术

现代社会由于越来越多的人过量食用高糖食物以及对口腔清洁的不重视，造成牙齿疾病比较普遍，在对牙病病人进行牙齿检查时，牙齿根部等看不见的区域往往需要拍牙片做深度检查，然后再交由专业医生进行诊断，为了方便专业医生更加准确地对牙齿进行诊断，需要获取准确的牙齿图像，因此准确地对X光片中的牙齿图像进行分割极其重要。

现有技术利用聚类与超像素分割算法对X光片中的牙齿图像进行分割，并根据待分割区域的最大内接圆的圆心来投放聚簇种子点，但对于实际牙齿的不同区域，包括牙髓、牙本质、牙釉质、以及拍摄角度产生的厚度虚影部分而言，其交界边缘形状类似“U”型，若以最大内接圆来投放聚簇点，U型待分割边缘上的待分割像素点仅向一个点聚类，会导致牙齿边缘的分割结果失真。

本发明提出对待分割区域自适应局部区块，增加种子聚簇点的投放数量以及减少参与聚簇的待分割区域像素点数量，以保证牙齿分割结果的真实性。因此提出一种基于X光片牙齿图像的分割方法。

发明内容

本发明提供一种基于X光片的牙齿图像分割方法，以解决现有的分割结果精确度低的问题。

本发明的一种基于X光片的牙齿图像分割方法，采用如下技术方案，包括：

获取牙齿区域X光图像，对牙齿区域X光图像进行语义分割得到每一颗牙齿图像；

在每一颗牙齿图像中进行滑窗，根据每个滑窗内像素点的灰度值方差确定出该颗牙齿图像中的多个灰度混乱区域；

以每个灰度混乱区域中任意像素点为横向生长的起始点分别进行左右横向生长，若连续多次出现种子点与其横向生长方向的邻域种子点的灰度差异小于停止阈值时，停止横向生长，以所有横向种子点的中心像素点为纵向生长的起始点开始进行纵向生长，若连续多次出现种子点与其纵向生长方向的邻域种子点的灰度差异小于停止阈值时，停止纵向生长，以所有纵向种子点的中心点为第二次横向生长的起始点分别进行左右横向生长，重复该生长步骤，直至最后一次所有横向/纵向种子点的中心点为该横向/纵向种子点生长的起始点；

以最后一次横向/纵向种子点的中心点为椭圆中心，最后一次横向种子点的长度为长轴长，最后一次纵向种子点的长度为短轴长得到椭圆区域；

在每个椭圆区域中选取两个初始聚类点进行K-Means聚类，得到每个椭圆区域对应的两个聚类；

获取每个椭圆区域中两个聚类的分割线，对所有分割线进行拟合得到多条边缘线；

利用多条边缘线对牙齿进行分割，得到分割后的牙齿。

进一步的，所述的一种基于X光片的牙齿图像分割方法，得到分割后的牙齿的方法为：

利用多条边缘线得到对应的多个停止函数，利用缩小后的标准尺寸牙盒、多个停止函数在对应牙齿图像中进行水平集演化，得到分割后的牙齿。

进一步的，所述的一种基于X光片的牙齿图像分割方法，在每个椭圆区域中选取两个初始聚类点的方法为：

在每个椭圆区域中过该椭圆的两个焦点做椭圆横轴的两条垂线，获取过椭圆左边焦点的垂线与椭圆上方的交点；

获取过椭圆右边焦点的垂线与椭圆下方的交点；

将过椭圆左边焦点的垂线与椭圆上方的交点以及过椭圆右边焦点的垂线与椭圆下方的交点作为椭圆区域中的两个初始聚类点。

进一步的，所述的一种基于X光片的牙齿图像分割方法，确定出该颗牙齿图像中的多个灰度混乱区域的方法为：

在每一颗牙齿图像中进行滑窗，根据每个窗口内像素点的灰度值方差得到每个窗口的混乱度；

若窗口的混乱度大于混乱度阈值，判断该窗口为灰度混乱区域；

若窗口的混乱度小于或等于混乱度阈值，判断该窗口为非灰度混乱区域。

进一步的，所述的一种基于X光片的牙齿图像分割方法，得到每个椭圆区域对应的两个聚类后，还包括：

计算聚类中心与该聚类聚类中所有像素点的灰度差，获取得到的所有灰度差中出现次数最多的灰度差作为灰度差阈值；

获取每个聚类中距离聚类中心最远的多个边缘像素点；

计算聚类中心与每个距离聚类中心最远的边缘像素点的灰度差；

若聚类中心与每个距离聚类中心最远的边缘像素点的灰度差大于灰度差阈值，判断该距离聚类中心最远的边缘像素点不是该聚类中的像素点；

若聚类中心与每个距离聚类中心最远的边缘像素点的灰度差小于或等于灰度差阈值，判断该距离聚类中心最远的边缘像素点是该聚类聚类中的像素点。

进一步的，所述的一种基于X光片的牙齿图像分割方法，判断该距离聚类中心最远的边缘像素点不是该聚类中的像素点后，还包括：

若不是该聚类中的边缘像素点的八邻域像素点均不是该聚类中的像素点，判断不是该聚类中的边缘像素点为孤立点；

若不是该聚类中的边缘像素点的八邻域像素点不全是该聚类中的像素点，计算不是该聚类中的边缘像素点的八邻域像素点与聚类中心的灰度差，将得到的灰度差中最小灰度差对应的邻域像素点所在的聚类作为不是该聚类中的边缘像素点的聚类。

进一步的，所述的一种基于X光片的牙齿图像分割方法，获取牙齿区域X光图像后，对牙齿区域X光图像进行降噪处理。

本发明的有益效果是：本发明获取每颗牙齿图像中的灰度混乱区域，在灰度混乱区域中进行生长，从而得到对应的椭圆区域，从而可以减少参与聚类的像素点个数；在每个椭圆区域中选取初始聚类中心进行聚类，对每个椭圆区域中两个聚类的分割线进行拟合得到多条边缘，得到牙齿中不同区域之间准确的边缘线；根据多条边缘在牙齿内进行水平集演化，得到分割后的牙齿，实现对每颗牙齿的准确分割提取。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于X光片的牙齿图像分割方法的实施例的流程示意图；

图2为停止生长的十字窗口示意图；

图3为椭圆区域示意图；

图4为椭圆区域初始聚类点的示意图。

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。

本发明的一种基于X光片的牙齿图像分割方法的实施例，如图1所示，包括：

本发明的主要目的是：本发明提出了一种基于X光片牙齿特征的图像循环分割方法，有助于提升人工智能检测的准确性。

101、获取牙齿区域X光图像，对牙齿区域X光图像进行语义分割得到每一颗牙齿图像。

采集并筛选出成年牙齿图像，分割图像保留有效区域。

下面为CNN网络语义分割的具体步骤：

从医院云端数据库获取大量全景曲段X光片，并按照7∶3 的比例划分为训练集和验证集，两者互不重叠。

用语义分割方法将训练集X光片中牙床外的背景区域像素点置为0，得到仅有牙齿的图像，然后将上下颚分割开，牙位表示法是牙医学中给每颗人类牙齿编号表示的方法。沿着上下颚、中切牙（门牙）将所有牙齿列分为上下左右四个区，右上区又称为A区，左上区又称为B区，右下区又称为C区，左下区又称为D区。ABCD四个区域像素点分别标记为1、2、3、4。

网络所用loss函数为交叉熵损失函数。

正常成年人的恒牙数量在28~32之间，其中4个为智齿，单个区域内为7~8个牙齿。已经将图像分割为4个区域，在不考虑智齿的情况下，有些人长智齿，有的人不长，每个区域正常情况下应该为7颗牙齿，依次标记。

对于牙齿图像的分割，水平集曲线生长的方法被使用最多，其原理简单来说就是对于牙齿轮廓内放置一个闭合的曲线，称之为牙盒。对牙盒上的每一点，都给予一个其法线方向的速度，当每个点沿着法线方向到达牙齿边缘，便会停止演化，该曲线最终会演化为牙齿边缘，将每颗牙齿单独提取出来。

整个演化过程是根据灰度梯度建立停止函数，使曲线扩张到边缘就停止下来，但是存在灰度梯度的并不止牙齿边缘。牙冠上的牙釉质在X光片上显示出高于牙本质的亮白色阻射影像。因此当演化进行到牙冠部分时，也可能因为灰度梯度剧烈变化而停止演化。

对牙齿特征提取到的信息是二维的，但磨牙较厚，其厚度信息属于三维的，所以我们在X光片上提取牙齿表面的信息时，厚度会严重干扰边缘清晰度，呈现灰度较低的“虚影”。

本实施例通过对牙齿图像不同部分进行增强处理，解决上述问题。

本实施例处理的重心为灰度梯度，灰度梯度并不能准确的代表图像纹理，还容易被噪声模糊，因此第一步尽可能地清除大量噪声，X光片牙齿之间的像素梯度以及边缘轮廓都是特别重要的特征信息，所以采用中值滤波来清理噪声,可以在滤除噪声的同时有限保护信号的边缘, 使之不被模糊, 这些优良特性是线性滤波方法所不具有的。

根据灰度梯度将每颗牙齿分为：牙髓、牙本质、牙釉质、立体虚影四类，尽管灰度梯度不一定代表边缘和纹理信息，但是在灰度梯度模糊的情况下，通过提取粗糙的边缘去分离这四个区域是不行的。

牙髓、牙本质、牙釉质、立体虚影这四个区域在X光片上表现为不同灰度聚集的状态，其聚集范围和类别数可得，因此本实施例利用聚类算法将模糊的边界像素点归类，再通过均衡化增强对比度，得到清晰的边缘梯度。

使用K-Means最终将每颗牙齿分为四个灰度区域。K-Means是基于相似度划分聚类的算法，其核心原理就是通过不断迭代更新聚类中心。本实施例在其基础上，对聚类的过程进行拆解优化，将其应用在牙齿图像的增强中，下面为具体展开：

由于边缘未知，不能通过几何计算来确定质心，且质心仅适合作为类球形的聚类中心,由于我们要将牙齿划分为牙本质、牙髓、牙釉质、立体虚影四个区域，形状各异。如果直接对整颗牙齿进行聚类，处理的像素点较多，仅靠一个初始聚类中心是不行的，因为这么多像素点向一个中心聚类，那么各个区域的聚类结果一般更接近于圆，并不能达到真正的形状。

所以本实施例想要多设立聚类，我们的目的是增强每相邻两个区域的灰度梯度，所以只要这些聚类的结果能覆盖所有的区域相邻部分，那么同一个K划分区域里，不仅仅靠一个点来聚类，而是多个聚类点同时聚类，一样可以达到目的。

另外在两个区域之间设置一个自适应的类圆区域，让聚类的像素点数量尽可能减少，并将模糊区域之间灰度梯度大的像素点都包含进去，这样就可以让聚类结果更接近真实的边缘形状，我们对模糊区域的定义是像素点灰度值混乱，而各自区域内的灰度值大多是均匀的，也就是说只对两区域交界处像素点灰度值混乱的区域进行聚类。

102、在每一颗牙齿图像中进行滑窗，根据每个滑窗内像素点的灰度值方差确定出该颗牙齿图像中的多个灰度混乱区域。

获取每颗牙齿图像中的灰度混乱区域：在牙齿X光图像中设置5*5的滑动窗口，计算每个窗口内像素点的灰度值方差，根据窗口内像素点的灰度值方差为窗口的混乱度，通过窗口的混乱度与混乱度阈值判断窗口是否混乱，若窗口的混乱度大于混乱度阈值，判断该窗口为灰度混乱区域；若窗口的混乱度小于或等于混乱度阈值，判断该窗口为非灰度混乱区域。

上式

是每个窗口内所有像素点灰度值所得方差，/>

即利用指数函数对方差进行归一化计算，方便我们设置阈值，方差越大代表窗口内像素点越混乱，则/>

的取值在0-1之间越小，阈值根据经验值设定为0.3。

将窗口的混乱度大于混乱度阈值的窗口作为灰度混乱区域，或称为模糊区域。

从而获得所有模糊区域。

103、以每个灰度混乱区域中任意像素点为横向生长的起始点分别进行左右横向生长，若连续多次出现种子点与其横向生长方向的邻域种子点的灰度差异小于停止阈值时，停止横向生长，以所有横向种子点的中心像素点为纵向生长的起始点开始进行纵向生长，若连续多次出现种子点与其纵向生长方向的邻域种子点的灰度差异小于停止阈值时，停止纵向生长，以所有纵向种子点的中心点为第二次横向生长的起始点分别进行左右横向生长，重复该生长步骤，直至最后一次所有横向/纵向种子点的中心点为该横向/纵向种子点生长的起始点。

定义一个十字的窗口，“十”的横轴和纵轴宽度都为1个像素点，随意投放在牙齿X光图像的灰度混乱区域中，这个十字窗口的尺寸和中心点都是不断变化的。

具体的，由中心点向两边生长，从横轴先开始生长，左右同时增长一单位像素，若连续三次出现新生长的种子点灰度与前一个生长种子点的灰度差异小于停止阈值，认为该新生长的种子点为异区域像素点，若连续三次新生长的种子都为异区域像素点，则该方向便停止生长。横轴两端同时生长，若一端先停止，则中心点向另外一端移动，直到两边都停止，竖轴停在中心位置上，将该中心位置的像素点作为纵向生长的起始点，开始执行与横轴类似的指令。若纵向生长停止，找到纵向的中心位置作为起始点，进行横向生长，按照上述步骤迭代生长，直至最终横向或纵向的中心点为该该横向生长或纵向生长的起始点，迭代停止。停止生长时的十字窗口如图2所示，生长停止时的中心点为O，HY为怀疑对象，Z为终止位置。

本实施例规定：当十字窗口的一端第一次到达异区域像素点，标记该像素点为怀疑对象；继续生长，若下一个窗口不为异区域像素点，则取消怀疑继续增长，若下一个依然为异区域像素点，标记为二次怀疑对象；继续生长，同理若下一个窗口不为异区域像素点，取消怀疑，若是则最终确认为异区域像素点。

具体的，窗口顶端有三次判断到达异区域的机会，连续三次都满足则确定此处到达边界，窗口停止生长。窗口不包括连续三次异区域像素点。

停止阈值的选择：本实施例手动设置评价模块，根据牙齿四个区域的灰度特性，其中，牙釉质＞牙本质＞虚影＞牙髓，在数据库中的牙齿各区域内选出10个出现次数最多的灰度值作为该区域的代表值，计算每个区域代表值中最大灰度值与最小灰度值的差值，得到每个区域代表值对应的差值，将四个区域代表值分别对应的差值求平均，得到的均值作为停止阈值。

104、以最后一次横向/纵向种子点的中心点为椭圆中心，最后一次横向种子点的长度为长轴长，最后一次纵向种子点的长度为短轴长得到椭圆区域。

该十字窗口的横向尺寸为：

该十字窗口的纵向尺寸为：

式中，

表示十字窗口的横向尺寸，/>

表示十字窗口的竖向尺寸，/>

表示十字窗口左侧停止位置与右侧停止位置像素点的横坐标之差的绝对值，/>

表示十字窗口上侧停止位置与下侧停止位置像素点的纵坐标之差的绝对值。

根据十字窗口建立一个模糊区域的自适应类椭圆覆盖区域，来减少无效像素点参与聚类过程，最大程度还原边缘梯度，如图3所示，自适应类椭圆覆盖区域的表达式为：

上式为横轴长度等于

，纵轴长度等于/>

的椭圆区域。

105、在每个椭圆区域中选取两个初始聚类点进行K-Means聚类，得到每个椭圆区域对应的两个聚类。

接下来在每个椭圆区域内选择两个尽量远离的点作为初始的聚类中心，本实施例在椭圆块的边缘上找到相距尽量远的两个点，且与相邻的椭圆块上的点也尽量远离。

对于初始聚类中心的选择，在同一个椭圆上，直线过圆心与椭圆相交的两个点距离比较远，当该直线为椭圆的长轴时，这两个点之间距离最大。对于牙齿的边缘，大部分为横向的，所以椭圆块与相邻椭圆块上的过圆心直线相互平行时，该椭圆上的两点与相邻椭圆上的两点距离较远，当过圆心直线为两个椭圆上的短轴时，相距最远。然而平行关系只能当椭圆块只有两个时才适用，多个相邻椭圆无法构建互相平行，所以只能尽量靠近。

结合上述的逻辑，两个椭圆块的长轴和短轴向中间演化，得到一个适中值，即当过圆心的直线与各自过焦点的长轴垂线在椭圆边缘相交的点作为各自椭圆块的初始聚类中心，如图4所示，图4中a点、b点为图4中左边椭圆块中得到的初始聚类中心，c点和d点为图4中右边椭圆块中得到的初始聚类中心，F1和F2分别表示椭圆的两个焦点。

椭圆的圆心到焦点F1的距离

为：

则焦点F1的横坐标

式中，

表示停止生长时的生长窗口从原点出发向左生长，终止处的像素点横坐标值，/>

表示停止生长时的生长窗口从原点出发向右生长，终止处的像素点横坐标值，/>

表示停止生长时的生长窗口从原点出发向上生长，终止处像素点的纵坐标值，/>

表示停止生长时的生长窗口从原点出发向下生长，终止处像素点的纵坐标值，/>

表示生长窗口四个方向均停止生长后，窗口的中心点处像素点的横坐标值。

将焦点F1的横坐标带入椭圆公式得到a点的坐标，同一个椭圆块上的另一个初始聚类中心为a点和椭圆圆心所在直线与椭圆的另一个交点，该点刚好也是过F2的横轴垂线与椭圆的交点b，所有椭圆遵循统一规则，即上半部分的初始聚类中心选择左边，下半部分的初始聚类中心选择右边，且相邻椭圆之间初始聚类中心的距离足够远，从而得到相邻椭圆中的初始聚类中心a点、b点以及c点和d点。

需要说明的是，本实施例是将牙齿上一段整体、连续的模糊边缘，分为多段进行处理，因为牙髓、牙釉质、牙本质、立体虚影部分都是独立的单个区域，所以在同一个模糊边缘上，相邻的椭圆块投放的必然是相同区域类型的聚类点，聚类的目标也都相同。

至此，获得了每个椭圆块中的两个初始聚类中心，接下来对每个椭圆块进行K-Means聚类，得到每个椭圆块对应的两个聚类。

聚类结果修正：本实施例对聚类后的结果再进一步处理，根据最后一次聚类中心点，对聚类的所有像素点中，离聚类中心最远的边缘点求灰度差：

为最后一次聚类的中心点灰度值，/>

为距离聚类中心点最远的边缘像素点灰度值。通过设置灰度差阈值，阈值选择聚类中所有点与聚类中心点的灰度差中频率最大的一个差值，用来剔除边缘点里和中心点灰度差异较大的点。若聚类中心与每个距离聚类中心最远的边缘像素点的灰度差大于灰度差阈值，判断该距离聚类中心最远的边缘像素点不是该聚类中的像素点；若聚类中心与每个距离聚类中心最远的边缘像素点的灰度差小于或等于灰度差阈值，判断该距离聚类中心最远的边缘像素点是该聚类聚类中的像素点。本实施例设定灰度差阈值为10。

对于判断出不是该聚类中的边缘像素点，然后对边缘像素点8个方向进行灰度差计算。

①若该聚类结果离中心最远的边缘点，其八邻域像素点均为异类像素点，异类像素点是指八邻域像素点不是该聚类中的像素点，则将该离中心最远的边缘像素点视为孤立点直接去除。

②不是该聚类中的边缘像素点的八邻域像素点不全是该聚类中的像素点时，若邻域像素点与聚类中心像素点的最小灰度差异对应的邻域像素点属于哪个聚类，就将边缘像素点归类为那一区域。

106、获取每个椭圆区域中两个聚类的分割线，对所有分割线进行拟合得到多条边缘线。

通过自适应的椭圆区域，就可以将形状各异的牙齿区域，其相互之间模糊的边缘进行分段处理，现已经得到每个椭圆区域的聚类，从而得到每个聚类中的边缘分割线。分别对每个区域进行直方图均衡化，然后将多个椭圆区域的处理结果叠加结合起来，实现了交界边缘梯度增强的目的，得到X光图片中清晰的三个最终边缘线。

107、利用多条边缘线对牙齿进行分割，得到分割后的牙齿。

建立系统：通过大量的健康成人牙齿图像，得到每颗牙齿的牙盒模型，在提取这些牙齿图像后将牙盒模型横向和纵向方向的参数统一缩小到原牙盒尺寸的2/3，这样做的原因是当牙盒在进行曲线演变时，其演化方向总是由内向外的。

在每颗牙齿内进行水平集演化：在每个牙齿轮廓内放置一个闭合的曲线，称之为牙盒。根据得到的三条最终边缘线建立停止函数，对牙盒上的每一点，都给予一个其法线方向的速度，当每个点沿着法线方向分别到达三条最终边缘线，便会停止演化，该曲线最终会演化为牙齿边缘，将每颗牙齿单独提取出来。

牙盒曲线演化顺序：牙髓-牙本质-牙釉质，三次演化即可得到最终结果。

设置补充特征，作为验证模块对分割效果进行验证，具体步骤如下：

引入牙齿的其他特征，比如不同类型牙齿的牙根数量、边缘平整度等，来循环验证分割结果，优化机器识别效果。构建验证模块，分为关键特征、验证特征和补充特征提升准确性。

1.模块一：在牙齿顺序的基础上，通过以数据集训练的神经网络按牙齿的牙釉质分布程度将牙齿先区分为磨牙类（h）和非磨牙类（i）。

关键特征：ABCD区域的牙齿按顺序识别。

验证特征：牙齿内灰度值大于阈值K的所有像素点集大小。

2.模块二：通过牙根数量将磨牙分为前磨牙和后磨牙。

关键特征：在B区域中，单根为前磨牙，双根为后磨牙。

验证特征：计算四颗牙齿的像素面积，面积大的两颗为后磨牙，小的两颗为前磨牙。

3.模块三：根据牙齿表面水平度区分切牙和尖牙。

关键特征：在A区域中，牙齿上平面水平度趋向平直的为切牙。

验证特征：计算三根牙齿的长度，取最高点和最低点，两点的竖直方向距离最长的为尖牙，另外两个为切牙。

4.模块四：补充模块

烤瓷牙关键特征：其整体为高亮且均匀，没有连续的灰度梯度变化。

智齿关键特征：B区域有5颗牙齿，则判定末端且倾斜的为第三磨牙，即智齿。

本发明获取每颗牙齿图像中的灰度混乱区域，在灰度混乱区域中进行生长，从而得到对应的椭圆区域，从而可以减少参与聚类的像素点个数；在每个椭圆区域中选取初始聚类中心进行聚类，对每个椭圆区域中两个聚类的分割线进行拟合得到多条边缘，得到牙齿中不同区域之间准确的边缘线；根据多条边缘在牙齿内进行水平集演化，得到分割后的牙齿，实现对每颗牙齿的准确分割提取。

以上所述仅为本发明的较佳实施例而已，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

1.一种基于X光片的牙齿图像分割方法，其特征在于，包括：

所述选取两个初始聚类点的方法为：

获取过椭圆右边焦点的垂线与椭圆下方的交点；

将过椭圆左边焦点的垂线与椭圆上方的交点以及过椭圆右边焦点的垂线与椭圆下方的交点作为椭圆区域中的两个初始聚类点；

利用多条边缘线对牙齿进行分割，得到分割后的牙齿；

所述得到分割后的牙齿的方法是：

2.根据权利要求1所述的一种基于X光片的牙齿图像分割方法，其特征在于，确定出该颗牙齿图像中的多个灰度混乱区域的方法为：

3.根据权利要求1所述的一种基于X光片的牙齿图像分割方法，其特征在于，得到每个椭圆区域对应的两个聚类后，还包括：

计算聚类中心与该聚类中所有像素点的灰度差，获取得到的所有灰度差中出现次数最多的灰度差作为灰度差阈值；

获取每个聚类中距离聚类中心最远的多个边缘像素点；

若聚类中心与每个距离聚类中心最远的边缘像素点的灰度差小于或等于灰度差阈值，判断该距离聚类中心最远的边缘像素点是该聚类中的像素点。

4.根据权利要求3所述的一种基于X光片的牙齿图像分割方法，其特征在于，判断该距离聚类中心最远的边缘像素点不是该聚类中的像素点后，还包括：

5.根据权利要求1所述的一种基于X光片的牙齿图像分割方法，其特征在于，获取牙齿区域X光图像后，对牙齿区域X光图像进行降噪处理。