CN117994271B - 基于分水岭算法的人脑图像分割方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于分水岭算法的人脑图像分割方法，该方法通过获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征，根据每个相邻第一滑窗之间的密度差异和目标第一滑窗与对应像素点所属聚类区域之间的密度差异分别获得目标第一滑窗的第一熵密度差异和第二熵密度差异。根据第一熵密度差异、第二熵密度差异和局部熵密度获得每个第一滑窗的冲刷程度。筛选出每个像素点的参考滑窗，将所有参考滑窗的冲刷程度与像素点灰度值结合获得每个像素点的最终冲刷衰弱值，进而对颅脑梯度图像进行分割获取分割图像。本发明通过对分水岭算法进行优化改进，最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。

Description

基于分水岭算法的人脑图像分割方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于分水岭算法的人脑图像分割方法。

背景技术

脑CT检查是通过CT对颅脑进行检查的一种常用方法。在头部外伤时，脑CT是最重要的影像学诊断方法。脑CT可明确显示颅内肿瘤的数目、部位、大小、轮廓、密度、瘤内出血、钙化以及扩散程度。而分水岭算法在应用于医学图像分割时，由于灰度图像受噪声影响较大，容易形成大量的局部极值而导致过分割。

现有技术中，仅根据预分割图像后的各个区域有效性指标对各个区域进行局部h值的自适应选取和分水岭算法分割，虽然考虑了分水岭算法的过分割现象，但仅使区域达到有效性指标要求便获取最终图像，没有考虑图像内的局部纹理变化特征，仍然会出现了大量由微弱边界组成的小区域，最终的分割结果会出现较大误差。

发明内容

为了解决现有技术中没有考虑图像内的局部纹理变化特征，出现过分割现象的技术问题，本发明的目的在于提供一种基于分水岭算法的人脑图像分割方法，所采用的技术方案具体如下：

本发明提出了一种基于分水岭算法的人脑图像分割方法，该方法包括：

获得颅脑灰度图像及其颅脑梯度图像；以所述颅脑梯度图像中每个像素点为中心，设置至少两个第一滑窗；根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度；

根据梯度值非零的像素点之间的距离对所述颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域及其纹理特征；根据所述聚类区域的像素点数量和纹理特征获得每个所述聚类区域的区域熵密度；

对于所述颅脑梯度图像内目标像素点的任意一个目标第一滑窗，根据所述目标第一滑窗与相邻第一滑窗之间的密度差异获得所述目标第一滑窗的第一熵密度差异；根据所述目标像素点对应的每个第一滑窗的所述局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异；根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度；

统计所述颅脑梯度图像中所有像素点的第一滑窗，以包含目标像素点的第一滑窗作为参考滑窗；根据每个像素点对应所有所述参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值；根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割，获得分割图像。

进一步地，所述每个第一滑窗的纹理特征的获取方法包括：

预设获取灰度共生矩阵的方向；获得第一滑窗在每个预设方向上对应的灰度共生矩阵；将每个灰度共生矩阵的熵作为对应灰度共生矩阵的子纹理特征；将所有灰度共生矩阵的子纹理特征均值作为每个第一滑窗的纹理特征。

进一步地，所述第一滑窗的局部熵密度的获取方法包括：

对任意一个第一滑窗，获得第一滑窗的纹理特征与对应第一滑窗面积的比值，将所述比值作为对应第一滑窗的局部熵密度。

进一步地，所述每个聚类区域的区域熵密度的获取方法包括：

将每个聚类区域的纹理特征与对应聚类区域的像素点数量的比值作为每个聚类区域的区域熵密度。

进一步地，所述第一熵密度差异的获取方法包括：

按照窗口尺寸从小到大的顺序，将所述颅脑梯度图像内目标像素点的所有第一滑窗进行排序，获得第一滑窗序列；从所述序列中第二个第一滑窗开始遍历，将每次遍历的对象作为目标第一滑窗；将位于每个目标第一滑窗前的第一滑窗作为目标第一滑窗的相邻第一滑窗，将每个目标第一滑窗与其相邻第一滑窗的局部熵密度差值作为目标第一滑窗的第一熵密度差异；每个目标像素点的第一个目标第一滑窗的第一熵密度差异等于第二个目标第一滑窗的第一熵密度差异。

进一步地，所述第二熵密度差异的获取方法包括：

对颅脑梯度图像内目标像素点的任意一个第一滑窗，获取第一滑窗的局部熵密度和目标像素点所在聚类区域的区域熵密度的差值绝对值，将所述差值绝对值作为第一滑窗的第二熵密度差异。

进一步地，所述冲刷程度的获取方法包括：

将每个第一滑窗的第一熵密度差异、第二熵密度差异与预设修正系数三者的和值作为综合差异；将对应第一滑窗的局部熵密度与综合差异的比值作为对应第一滑窗的冲刷程度。

进一步地，所述每个像素点的最终冲刷衰弱值的获取方法包括：

对颅脑梯度图像内的任意一个像素点，将像素点对应每个参考滑窗的冲刷程度的倒数进行归一化获得程度归一化值；将程度归一化值与对应像素点的灰度值的乘积作为像素点对应每个参考滑窗的冲刷衰弱结果；将像素点对应所有参考滑窗的冲刷衰弱结果均值作为每个像素点的最终冲刷衰弱值。

本发明具有如下有益效果：

本发明实施例中获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征，后续根据每个像素点在不同窗口尺寸下的纹理特征对对应像素点进行分析，能够提高获取具体像素点所在区域特征的准确性，减少后续最终分割图像的分割误差。获取第一滑窗的局部熵密度和每个聚类区域的区域熵密度，根据目标第一滑窗与相邻第一滑窗之间的密度差异获得目标第一滑窗的第一熵密度差异，通过目标第一滑窗与相邻第一滑窗之间的纹理特征进行分析，第一熵密度差异反映对应像素点的纹理特征密度，能够增强对图像内局部纹理特征分析的准确性，减少后续冲刷程度的误差。根据第一滑窗与对应像素点所属聚类区域之间的密度差异获得每个第一滑窗的第二熵密度差异，对具体像素点在对应每个第一滑窗和所属聚类区域之间的密度关系进行分析，增强后续对冲刷程度获取的准确性。根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度，进而筛选出每个像素点的参考滑窗，将每个像素点在不同状态下获取的参考滑窗进行统计，能够更全面地分析对应像素点的特性。将每个像素点的所有参考滑窗的冲刷程度与像素点的灰度值结合获得每个像素点的最终冲刷衰弱值，进而对颅脑梯度图像进行分割，能够综合分析每个像素点的冲刷特征，极大程度减弱分水岭算法的过分割现象，增强最终分割效果的准确性，并且因为局部纹理的分析，保证了分割结果中不会出现大量微弱边界组成的小区域，使得分割结果的边缘清晰，分割效果更强。本发明通过对分水岭算法进行优化改进，最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于分水岭算法的人脑图像分割方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于分水岭算法的人脑图像分割方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于分水岭算法的人脑图像分割方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于分水岭算法的人脑图像分割方法流程图，该方法包括：

步骤S1：获得颅脑灰度图像及其颅脑梯度图像；以颅脑梯度图像中每个像素点为中心，设置至少两个第一滑窗；根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度。

在本发明实施例中，具体应用场景为：使用分水岭算法对颅脑CT图像进行分割。由于颅脑内部的生理组织结构复杂，利用CT机对颅脑进行扫描获取图像时，会因为颅脑内部的细微变化而在形成的图像中出现灰度变化。因此利用分水岭算法直接对颅脑CT图像进行分割处理时，会受到局部区域的灰度变化影响，造成对颅脑CT图像的过分割问题。

由于传统分水岭算法对局部微弱边界，对颅脑CT图像直接进行分割会出现大量由微弱边界组成的小区域，导致最终颅脑分割图像出现过分割现象，从而影响医生的诊断。因此，在本发明实施例中需要对颅脑CT图像进行初步区域分析，将初步区域分析结果与分水岭算法结合获取最终的颅脑分割图像。

首先，获得颅脑灰度图像具体包括：对颅脑进行CT扫描获取颅脑灰度图像，并对所获取的颅脑灰度图像进行预处理。在本发明实施例中，预处理的过程具体包括对颅脑灰度图像的降噪处理和增强处理。需要说明的是，对图像的降噪处理和增强处理均为本领域技术人员熟知的技术手段，在此不再赘述。

在本发明实施例中需要对分水岭算法进行优化改进，因此需要了解分水岭算法的基本原理，才能获得更好的改进效果，分水岭算法对为本领域技术人员熟知的技术手段，在此不多赘述，仅简述分水岭算法的基础原理：分水岭算法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一像素点的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭算法对图像的灰度变化高度敏感，在图像中的平滑区域图像梯度值较小，在图像边缘区域梯度值较大。然后使用梯度图像作为地形图，就可以分割获得图像中的边界轮廓信息。所以为了获得图像中的边界，通常将分水岭算法应用于原始图像的梯度图像。分水岭算法的直观概念来源于地理学，其基本思想是把图像看作地貌，对分水岭算法的理解通常有两种，即自上而下的降水模拟的算法和自下而上的泛洪或称为浸水模拟的算法。其中，基于降水模拟的分水岭算法不需要像基于泛洪模拟的分水岭算法那样在图像中选取局部极小点作为中心点，而是对整幅图像进行降水模拟，雨水降落在山地表面并顺着地势向下流动，如果水降落在两个不同的点上，最终会流到相同的局部最低点，则这两个点属于同一个区域。因此水降落在山地表面上能流入到相同局部最低点的表面形成一个分割区域，山脊就是区域边界，即分水岭。因此，在本发明实施例中可以利用基于降水模拟的分水岭算法对颅脑梯度图像进行分割，利用降水对颅脑梯度图像中各个生理组织内由于组织的细微变化而易造成过分割的细微边界轮廓区域进行冲刷衰弱。

因此，需要使用Sobel算子将颅脑灰度图像转化成对应的颅脑梯度图像，需要说明的是，Sobel算子为本领域技术人员熟知的技术手段，在此不再赘述。

因为分水岭算法对颅脑梯度图像的变化高度敏感，当颅脑梯度图像含有噪声和梯度局部不规则等因素时，通常会导致过分割，使其中的携带有用信息的边界轮廓被大量的不相关的边界轮廓信息所淹没。考虑到颅脑梯度图像中的具体局部纹理特征信息，纹理特征即对颅脑梯度图像中的灰度变化和分布的量化，通过分析局部纹理特征能够精确获取颅脑梯度图像中的局部灰度变化和分布的情况，反映颅脑梯度图像中灰度变化的综合信息，以优化后续的分水岭算法。因此，为了使对颅脑梯度图像中局部的梯度纹理特征了解更加详细、准确，提高后续分析的准确性，首先需要选取合适的局部区域大小以使得分析的纹理特征参考性更强。因此以颅脑梯度图像中每个像素点为中心，设置至少两个第一滑窗，第一滑窗的特征反映颅脑梯度图像中每个像素点的第一窗口范围内所有像素点的特征，间接反映对应像素点的本身特征。在本发明实施例中，预设滑动窗口尺寸范围为{3*3，5*5，7*7，9*9，11*11，13*13}，预设步长为1，具体预设滑动窗口尺寸范围和预设步长均可根据具体实施方式具体设置。因此，在本发明实施例中，在颅脑梯度图像中的任意一个像素点均对应六个第一滑窗。因为对于每个像素点均设置了多个滑窗，在后续纹理分析时可结合多个滑窗区域对像素点进行分析，增强了分析过程的可靠性。因此根据每个像素点对应的每个第一滑窗的纹理特征和对应的窗口尺寸获得每个第一滑窗的局部熵密度。

优选地，已知灰度共生矩阵中的熵是描述CT图像中纹理信息一个重要相关特征，是图像包含信息量的随机性度量。若灰度共生矩阵中所有像素值均相等或像素值表现出最大的随机性，则对应灰度共生矩阵的熵最大。因此，灰度共生矩阵的熵表明了图像灰度分布的复杂程度，熵越大，图像越复杂。由于第一滑窗的特征反映颅脑梯度图像中每个像素点的第一窗口范围内所有像素点的特征，间接反映对应像素点的本身特征。因此对颅脑梯度图像中每个像素点的任意一个第一滑窗，可以通过第一滑窗内灰度共生矩阵的熵值分析第一滑窗内所有像素点的特征，在本发明实施例中可通过获取每个第一滑窗的灰度共生矩阵，进而获取每个第一滑窗的纹理特征，在本发明实施例中，获取第一滑窗的纹理特征的方法具体包括：

预设获取灰度共生矩阵的方向；获得第一滑窗在每个预设方向上对应的灰度共生矩阵，将每个灰度共生矩阵的熵作为对应灰度共生矩阵的子纹理特征。子纹理特征反映了每个第一滑窗在预设方向上灰度分布的复杂程度，子纹理特征越大，对应第一滑窗在预设方向上的灰度分布越复杂，即对应第一滑窗在预设方向上的纹理变化越复杂。

现有研究表明不同预设方向上的灰度共生矩阵没有显著差异，为了便于分析，可以将所有预设方向得到的能量和对比度特征值的平均值分别作为最终的区域能量和对比度特征值，将所有预设方向得到的平均纹理特征作为对应整体的纹理特征。因此，将所有灰度共生矩阵的子纹理特征均值作为每个第一滑窗的纹理特征，纹理特征反映每个第一滑窗的整体灰度变化的复杂程度，纹理特征越大，对应第一滑窗的整体灰度变化越复杂，即对应第一滑窗内梯度不为0的像素点的分布越复杂，在分割颅脑梯度图像的过程中将其剔除的可能性越大。

在本发明实施例中，预设获取灰度共生矩阵的方向为0°、45°、90°和135°，且获取灰度共生矩阵的方法和获取灰度共生矩阵熵的方法均为本领域技术人员熟知的技术手段，在此不再赘述。

优选地，考虑到颅脑梯度图像中的纹理分布均匀且规律时，在不同窗口尺寸下获取的灰度共生矩阵的熵值是不同的，即不同窗口尺寸下获取的纹理特征也是不同的，但纹理特征与窗口大小成一定比例。因此，为了获取不随滑动窗口尺寸变化的局部区域的灰度分布，即获取颅脑梯度图像中像素点的第一滑窗在稳定状态下的纹理变化程度，根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度，在本发明实施例中具体包括：对任意一个第一滑窗，获得第一滑窗的纹理特征与对应第一滑窗面积的比值，将比值作为对应第一滑窗的局部熵密度。其中，获取第一滑窗的局部熵密度的公式具体包括：

式中，表示第一滑窗的局部熵密度，/>表示第一滑窗的纹理特征，/>表示第一滑窗的纹理特征。

在局部熵密度的公式中，可以消除由于滑动窗口尺寸变化对第一滑窗所在局部区域的纹理变化的影响，获得第一滑窗在稳定状态下的纹理变化程度，即获得第一滑窗在稳定状态下的灰度分布程度，能够增强对每个第一滑窗的灰度分布和纹理变化的稳定性判断，增强后续获取颅脑梯度图像内每个像素点的冲刷程度的准确性。

局部熵密度反映第一滑窗在稳定状态下的纹理变化情况。局部熵密度越大，说明第一滑窗在稳定状态下的纹理变化越复杂，即对应第一滑窗在稳定状态下的灰度分布越复杂；局部熵密度越小，说明第一滑窗在稳定状态下的纹理变化越简单，即对应第一滑窗在稳定状态下的灰度分布越简单。

经过步骤S1的分析，对图像中的每一个像素点均有对应的多个尺寸不同的第一滑窗，且每个第一滑窗均有对应的纹理特征和局部熵密度。

步骤S2：根据灰度值非零的像素点之间的距离对颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域及其纹理特征；根据聚类区域的像素点数量和纹理特征获得每个聚类区域的区域熵密度。

在本发明实施例中，后续需要利用分水岭算法对颅脑梯度图像进行分割。根据颅脑灰度图像中各像素点的灰度大小判断其是否为局部极值点，若颅脑灰度图像中某个像素点在邻域范围内灰度值不发生变化，则该像素点在颅脑梯度图像内对应的梯度大小为0；反之，若颅脑灰度图像中某个像素点在邻域范围内灰度值发生变化，则该像素点在颅脑梯度图像内对应的梯度大小不为0。颅脑梯度图像中像素点的梯度值变化表示了图像中的边缘和细节信息，在传统分水岭算法下，会将颅脑梯度图像中梯度值变化的区域分割出来，但是会将颅脑中各生理组织内部的微弱边界分割出来，形成过分割现象。因此，需要将颅脑梯度图像中这些杂乱聚集的极值点的聚集程度进行量化：

为了防止将颅脑中器官组织的实际外边界轮廓进行较高程度的冲刷处理，导致对颅脑梯度图像进行过分割，根据梯度值非零的像素点之间的距离对颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域及其纹理特征，在本发明实施例中具体包括：

获取颅脑梯度图像中梯度值不为0的像素点作为节点，将任意两个节点间的距离作为边值，通过拉普拉斯图聚类方法对颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域，同一个聚类区域内的极值点的距离较近，宏观上属于一个器官组织的内部区域，不同聚类区域内的极值点距离较远。需要说明的是，拉普拉斯图聚类方法为本领域技术人员熟知的技术手段，在此不再赘述。

在颅脑中不同组织由于其生理结构的原因，不同组织在颅脑灰度图像中的灰度分布特征各有差异，则不同组织在颅脑梯度图像中的纹理分布也不相同，优选地，使用步骤S1中第一滑窗的纹理特征的获取方法，获取聚类区域的纹理特征，每个聚类区域均有对应的纹理特征。为了进一步分析颅脑梯度图像内像素点的第一滑窗与像素点所属聚类区域之间的关系，还需要根据聚类区域的像素点数量和纹理特征获得每个聚类区域的区域熵密度，在本发明实施例中具体包括：将每个聚类区域的纹理特征与对应聚类区域的像素点数量的比值作为每个聚类区域的区域熵密度。以聚类区域为例，获取聚类区域/>的区域熵密度的公式具体包括：

式中，表示聚类区域/>的区域熵密度，/>表示聚类区域/>的纹理特征，/>表示聚类区域/>内像素点的总数量。

在区域熵密度的公式中，可以获得聚类区域/>内纹理变化的复杂程度，即灰度分布的复杂程度，后续步骤中能通过判断颅脑梯度图像中每个像素点所属聚类区域的/>与对应像素点的每个第一滑窗的局部熵密度的关系，增强后续获取颅脑梯度图像内每个像素点的冲刷程度的准确性。

区域熵密度反映聚类区域的纹理变化特征。区域熵密度越大，说明对应聚类区域的纹理变化越复杂，即对应聚类区域的灰度分布越复杂；区域熵密度越小，说明对应聚类区域的纹理变化越复杂，即对应聚类区域的灰度分布越简单。

经过步骤S2的分析，每个聚类区域均有一个区域熵密度。

步骤S3：对于颅脑梯度图像内目标像素点的任意一个目标第一滑窗，根据目标第一滑窗与相邻第一滑窗之间的密度差异获得目标第一滑窗的第一熵密度差异；根据目标像素点对应的每个第一滑窗的局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异；根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度。

由步骤S1可知，在本发明的一个实施例中，颅脑梯度图像内的任意一个像素点均有对应的六个第一滑窗，且像素点在同一位置下计算滑动窗口内的极值点密度时，滑动窗口是不断进行扩大变化的。为了进一步分析每个像素点所在区域的灰度分布或纹理变化，需要获取对应像素点的每个第一滑窗之间的局部熵密度差异，进而判断每个像素点的具体特征。颅脑梯度图像内的每个像素点均可视为一个目标像素点，一个目标像素点对应六个目标第一滑窗，因此，对于颅脑梯度图像内目标像素点的任意一个目标第一滑窗，根据目标第一滑窗与相邻第一滑窗之间的密度差异获得目标第一滑窗的第一熵密度差异，在本发明实施例中具体包括：

按照窗口尺寸从小到大的顺序，将颅脑梯度图像内目标像素点的所有第一滑窗进行排序，获得第一滑窗序列；从序列中第二个第一滑窗开始遍历，将每次遍历的对象作为目标第一滑窗；将位于每个目标第一滑窗前的第一滑窗作为目标第一滑窗的相邻第一滑窗，将每个目标第一滑窗与其相邻第一滑窗的局部熵密度差值作为目标第一滑窗的第一熵密度差异；每个目标像素点的第一个目标第一滑窗的第一熵密度差异等于第二个目标第一滑窗的第一熵密度差异。

第一熵密度差异表示了颅脑梯度图像内目标像素点的任意一个目标第一滑窗与其相邻第一滑窗之间的密度差异，第一熵密度差异越大，说明目标像素点对应的目标第一滑窗与其相邻第一滑窗之间的密度差异越大，即对应目标第一滑窗内所有像素点所属聚类区域的差异程度越高。

当窗口尺寸在扩大的过程中，每个像素点的目标第一滑窗也随着窗口尺寸的变化而获得新窗口尺寸下的目标第一滑窗，其内部的极值点密度也会发生变化。而每个目标像素点均有所属的聚类区域，可将每个目标第一滑窗的密度特征与目标像素点所属聚类区域的密度特征进行比较，根据密度变化特征获得对应目标像素点的目标第一滑窗是否为低复杂程度的实际边界轮廓区域，进而调整后续对应目标像素点所在的局部区域的冲刷程度。因此，根据目标像素点对应的每个第一滑窗的局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异，在本发明实施例中具体包括：根据目标像素点对应的每个第一滑窗的局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异。

第二熵密度差异表示对应第一滑窗的中心像素点即目标像素点位于局部熵密度存在较大差异的区域边界处的可能性，第一熵密度差异越大，说明第一滑窗的中心像素点即目标像素点位于局部熵密度存在较大差异的区域边界处的可能性越大，即对应第一滑窗为低复杂程度的实际边界轮廓区域的可能性越大。

在颅脑梯度图像中，细微边界轮廓区域的产生原因是分水岭算法的敏感性，细微边界轮廓区域是利用分水岭算法对颅脑梯度图像进行过分割形成的小区域，细微边界轮廓区域通常较为密集，这些区域在梯度图像中灰度分布也较复杂，在分割颅脑梯度图像时需要增加对这些区域的冲刷程度。在颅脑梯度图像中的实际边界轮廓区域的灰度分布复杂程度较低，在分割颅脑梯度图像时需要降低对实际边界轮廓区域的冲刷程度，冲刷程度即颅脑梯度图像中像素点灰度值减小的程度。

需要根据每个第一滑窗的局部熵密度判断分割颅脑梯度图像时对应第一滑窗的冲刷程度，局部熵密度与冲刷程度呈正比关系。同样，需要根据第一滑窗与其相邻第一滑窗之间的密度差异和第一滑窗对应的中心像素点位于局部熵密度存在较大差异的区域边界处的可能性，即需要结合第一熵密度差异和第二熵密度差异对第一滑窗的冲刷程度进行分析，第一熵密度差异和第二熵密度差异均与冲刷程度呈反比关系。因此，根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度，在本发明实施例中具体包括：

将每个第一滑窗的第一熵密度差异、第二熵密度差异与预设修正系数三者的和值作为综合差异；将对应第一滑窗的局部熵密度与综合差异的比值作为对应第一滑窗的冲刷程度。其中，获取第一滑窗的冲刷程度的公式具体包括：

式中，表示第一滑窗的冲刷程度，/>表示第一滑窗的局部熵密度，/>表示第一滑窗的第一熵密度差异，/>表示第一滑窗的第二熵密度差异，/>表示修正系数，/>表示求取绝对值函数。

在第一滑窗的冲刷程度的公式中，局部熵密度与冲刷程度呈正比关系，局部熵密度越大，说明对应第一滑窗在稳定状态下的灰度分布越复杂，即第一滑窗为细微边界轮廓区域的可能性越大，对应第一滑窗内像素点灰度值减小的程度越大。表示综合差异，综合差异能够从第一滑窗在不同窗口尺寸之间的密度差异和第一滑窗与其中心像素点所属聚类区域之间的密度差异两个角度反映对应第一滑窗的密度特征保持程度，综合差异越大说明第一滑窗自身的密度特征保持程度越高，即对应第一滑窗为细微边界轮廓区域的可能性越小，对应第一滑窗内像素点灰度值减小的程度越小。修正系数是为了保证分母不为零，在本发明实施例中，修正系数为1，具体修正系数数值可根据具体实施方式具体设置。

第一滑窗的冲刷程度表示在分割颅脑梯度图像的过程中对应第一滑窗内像素点灰度值减小的程度。若冲刷程度越大，则对应第一滑窗内像素点灰度值减小的程度越大，越需要被冲刷；若冲刷程度越小。则对应第一滑窗内像素点灰度值减小的程度越小，对应第一滑窗为实际边界轮廓区域的可能性越大，越需要保留。

经过步骤S3的分析，对颅脑梯度图像中的每个像素点，像素点对应的每个第一滑窗均有一个对应的冲刷程度。

步骤S4：统计颅脑梯度图像中所有像素点的第一滑窗，以包含目标像素点的第一滑窗作为参考滑窗；根据每个像素点对应所有参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值；根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割，获得分割图像。

在颅脑梯度图像内每个像素点的第一滑窗的获取过程中，根据预设窗口尺寸范围在每个像素点所处的位置对滑窗大小进行扩大，且滑动窗口是根据预设步长进行滑动变化的，每个像素点会多次参与以其他像素点为中心的灰度共生矩阵熵密度的计算。为了消除同一个像素点参与不同状态下的滑动窗口分析而造成的误差，统计颅脑梯度图像中所有像素点的第一滑窗，以包含目标像素点的第一滑窗作为参考滑窗，在本发明实施例中颅脑梯度图像中的每一个像素点均有超过六个的参考滑窗，可以对每个像素点的参考滑窗进行分析获取对应像素点在分割颅脑梯度图像的过程中的具体冲刷效果。

在颅脑梯度图像中，利用传统分水岭算法出现过分割的区域通常是颅脑中各器官组织内部，由于这些器官组织内部对X射线的吸收率并不是处处都相同，因此在成像过程中存在灰度差异，形成局部的梯度极值点，优化分割颅脑梯度图像的过程需要获取颅脑内各个组织器官的外边界轮廓。因此，利用传统分水岭算法得到的器官组织内部边界是不需要的，需要在分水岭算法分割图像时对内部边界进行冲刷。在颅脑梯度图像中，器官组织内部的灰度大小一致性较高，局部熵密度较大，且在固定窗口大小范围内的局部熵密度一致性较高，即密度差异值较小，则需要增大对该区域的冲刷程度，以实现保留器官组织的边缘轮廓区域。

因此可对颅脑梯度图像内每个像素点的所有参考滑窗的冲刷程度进行分析，并结合像素点自身的灰度值获得在实际分割过程中对应像素点的具体冲刷效果，即获得对应像素点冲刷后的灰度值，根据每个像素点对应所有参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值，在本发明实施例中具体包括：

对颅脑梯度图像内的任意一个像素点，将像素点对应每个参考滑窗的冲刷程度的倒数进行归一化获得程度归一化值；将程度归一化值与对应像素点的灰度值的乘积作为像素点对应每个参考滑窗的冲刷衰弱结果；将像素点对应所有参考滑窗的冲刷衰弱结果均值作为每个像素点的最终冲刷衰弱值。其中以像素点为例，像素点/>的最终冲刷衰弱值的公式具体包括：

式中，表示像素点/>的最终冲刷衰弱值，/>表示像素点/>的灰度值，/>表示像素点的参考滑窗的数量，/>表示像素点/>的第/>个参考滑窗，/>表示像素点/>的第/>个参考滑窗的冲刷程度，/>表示归一化函数。

在像素点的最终冲刷衰弱值的公式中，/>与最终冲刷衰弱值呈反比关系，像素点/>对应参考滑窗/>的冲刷程度越大，说明在参考滑窗/>中像素点/>的灰度值减小的程度越大，即在参考滑窗/>中像素点/>的最终冲刷衰弱值越小；/>表示/>先进行负相关映射并进行归一化处理的程度归一化值，程度归一化值与最终冲刷衰弱值呈正比关系，像素点/>对应参考滑窗/>的程度归一化值越大，说明在参考滑窗/>中像素点/>的最终冲刷衰弱值越大。/>表示在参考滑窗/>中像素点/>的冲刷衰弱结果，即在参考滑窗中像素点/>的减小后的灰度值大小，由于像素点/>有/>个参考滑窗，每个参考滑窗均对应一个冲刷衰弱结果，为了消除同一个像素点参与不同状态下的冲刷衰弱结果而造成的误差，使用求均值的方式获得像素点/>在/>个参考滑窗内的整体状态，即最终冲刷衰弱值，能够降低分水岭算法对颅脑梯度图像中的微弱边界轮廓的敏感程度，减小后续的分割误差。

最终冲刷衰弱值表示在分割颅脑梯度图像前每个像素点冲刷后的灰度值，若最终冲刷衰弱值越大，则在分割颅脑梯度图像前每个像素点冲刷后的灰度值越大，即对应像素点的冲刷程度越小；若最终冲刷衰弱值越小，则在分割颅脑梯度图像前每个像素点冲刷后的灰度值越小，即对应像素点的冲刷程度越大。

对颅脑梯度图像内任意一个像素点，每个像素点均对应一个最终冲刷衰弱值，即在分割颅脑梯度图像前每个像素点冲刷后的灰度值，可以根据每个像素点的最终冲刷衰弱值对颅脑梯度图像进行分割，能够克服分水岭算法对图像中微弱边界过于敏感的缺点，准确获取准确的组织边界轮廓。因此，根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割，获得分割图像。需要说明的是，因为是基于颅脑梯度图像进行分割所获得的分割图像，所以分割图像中仅包括边缘信息，可以分割图像作为掩模去处理颅脑灰度图像，进而获得包含灰度信息且边缘清晰完整的颅脑区域图像。在本发明实施例中，以最终冲刷衰弱值作为对应像素点的灰度值对梯度图像的“降水冲刷”，并进行基于降水模拟的分水岭图像分割算法，获得最终的分割图像。根据分割图像能够准确提取出获取准确的组织边界轮廓，且避免大量由微弱边界组成的小区域产生的过分割现象。需要说明的是，分水岭算法为本领域技术人员熟知的技术手段，在此不再赘述。

综上所述，本发明通过获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征，进而获取每个第一滑窗的局部熵密度。根据目标第一滑窗与相邻第一滑窗之间的密度差异获得目标第一滑窗的第一熵密度差异，根据第一滑窗与对应像素点所属聚类区域之间的密度差异获得每个第一滑窗的第二熵密度差异。根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度。筛选出每个像素点的参考滑窗，将每个像素点的所有参考滑窗的冲刷程度与像素点的灰度值结合获得每个像素点的最终冲刷衰弱值，进而对颅脑梯度图像进行分割获取分割图像。本发明通过对分水岭算法进行优化改进，最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (4)

1.一种基于分水岭算法的人脑图像分割方法，其特征在于，该方法包括以下步骤：

获得颅脑灰度图像及其颅脑梯度图像；以所述颅脑梯度图像中每个像素点为中心，设置至少两个第一滑窗；根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度；

根据梯度值非零的像素点之间的距离对所述颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域及其纹理特征；根据所述聚类区域的像素点数量和纹理特征获得每个所述聚类区域的区域熵密度；

对于所述颅脑梯度图像内目标像素点的任意一个目标第一滑窗，根据所述目标第一滑窗与相邻第一滑窗之间的密度差异获得所述目标第一滑窗的第一熵密度差异；根据所述目标像素点对应的每个第一滑窗的所述局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异；根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度；

统计所述颅脑梯度图像中所有像素点的第一滑窗，以包含目标像素点的第一滑窗作为参考滑窗；根据每个像素点对应所有所述参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值；根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割，获得分割图像；

其中，所述第一滑窗的局部熵密度的获取方法包括：

对任意一个第一滑窗，获得第一滑窗的纹理特征与对应第一滑窗面积的比值，将所述比值作为对应第一滑窗的局部熵密度；

其中，所述每个聚类区域的区域熵密度的获取方法包括：

将每个聚类区域的纹理特征与对应聚类区域的像素点数量的比值作为每个聚类区域的区域熵密度；

其中，所述冲刷程度的获取方法包括：将每个第一滑窗的第一熵密度差异、第二熵密度差异与预设修正系数三者的和值作为综合差异；将对应第一滑窗的局部熵密度与综合差异的比值作为对应第一滑窗的冲刷程度；

其中，所述每个像素点的最终冲刷衰弱值的获取方法包括：

对颅脑梯度图像内的任意一个像素点，将像素点对应每个参考滑窗的冲刷程度的倒数进行归一化获得程度归一化值；将程度归一化值与对应像素点的灰度值的乘积作为像素点对应每个参考滑窗的冲刷衰弱结果；将像素点对应所有参考滑窗的冲刷衰弱结果均值作为每个像素点的最终冲刷衰弱值。

2.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述每个第一滑窗的纹理特征的获取方法包括：

预设获取灰度共生矩阵的方向；获得第一滑窗在每个预设方向上对应的灰度共生矩阵；将每个灰度共生矩阵的熵作为对应灰度共生矩阵的子纹理特征；将所有灰度共生矩阵的子纹理特征均值作为每个第一滑窗的纹理特征。

3.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述第一熵密度差异的获取方法包括：

按照窗口尺寸从小到大的顺序，将所述颅脑梯度图像内目标像素点的所有第一滑窗进行排序，获得第一滑窗序列；从所述序列中第二个第一滑窗开始遍历，将每次遍历的对象作为目标第一滑窗；将位于每个目标第一滑窗前的第一滑窗作为目标第一滑窗的相邻第一滑窗，将每个目标第一滑窗与其相邻第一滑窗的局部熵密度差值作为目标第一滑窗的第一熵密度差异；每个目标像素点的第一个目标第一滑窗的第一熵密度差异等于第二个目标第一滑窗的第一熵密度差异。

4.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述第二熵密度差异的获取方法包括：

对颅脑梯度图像内目标像素点的任意一个第一滑窗，获取第一滑窗的局部熵密度和目标像素点所在聚类区域的区域熵密度的差值绝对值，将所述差值绝对值作为第一滑窗的第二熵密度差异。