本發(fā)明涉及醫(yī)學(xué)圖像處理，尤其針對(duì)同時(shí)存在高噪聲和灰度不均勻的醫(yī)學(xué)圖像進(jìn)行分割的技術(shù)。
背景技術(shù)：
：圖像分割和目標(biāo)輪廓的提取對(duì)于圖像理解、圖像分析、模式識(shí)別、計(jì)算機(jī)視覺等具有重要意義。圖像分割是圖像處理到圖像分析的關(guān)鍵，目的在于把圖像分成各具特征的區(qū)域并提取感興趣的目標(biāo)過程。醫(yī)學(xué)圖像包括CT、MRI及其它醫(yī)學(xué)影像設(shè)備所獲得的圖像。醫(yī)學(xué)圖像分割技術(shù)是醫(yī)學(xué)圖像處理和分析中的關(guān)鍵技術(shù)，它是一個(gè)根據(jù)區(qū)域內(nèi)相似性和差異性把圖像分割成若干區(qū)域的過程。根據(jù)圖像分割的不同特點(diǎn)可以將圖像分割方法分成很多類。通常從分割技術(shù)的角度來進(jìn)行分類，根據(jù)像素與其鄰域間的相似性和不連續(xù)性可分成基于邊緣的分割方法、基于區(qū)域的方法、基于特征空間的方法、基于能量泛函方法和其他方法?；谶吘壍姆指罘椒ㄍㄟ^檢測(cè)不同區(qū)域的邊緣來解決圖像分割問題。通常所指的基于邊緣的分割方法是基于灰度值的邊緣檢測(cè)，其邊緣灰度值呈現(xiàn)出階躍型變化的基礎(chǔ)上，使用微分算子進(jìn)行邊緣檢測(cè)，具體實(shí)現(xiàn)時(shí)可以使用圖像與模板進(jìn)行卷積來完成?；趨^(qū)域的分割方法是將圖像按照相似性準(zhǔn)則分成不同的區(qū)域，主要包括區(qū)域分裂合并方法、種子區(qū)域生長法。區(qū)域分裂合并方法從一個(gè)初始的包含許多非同質(zhì)區(qū)域的分割開始進(jìn)行分裂，然后再對(duì)分裂結(jié)果進(jìn)行合并，直到獲得符合某種要求的同質(zhì)區(qū)域?yàn)橹?，分水嶺變換是常用的一種分裂操作。區(qū)域生長法是將具有相似性質(zhì)的像素點(diǎn)合并起來構(gòu)成同質(zhì)區(qū)域。基于特征空間分割方法基于圖像分類思想，將圖像分割問題看成樣本在特征空間的聚類問題，具有類似分布的樣本將被劃分為同一類別，從而實(shí)現(xiàn)圖像的分割?；谔卣骺臻g的分割方法可劃分為兩大類：一類是直接采用各種聚類算法作用于特征空間，另一類是對(duì)各類樣本點(diǎn)進(jìn)行統(tǒng)計(jì)分析，再根據(jù)統(tǒng)計(jì)直方圖來設(shè)置相應(yīng)的分割閾值。基于能量泛函的分割方法是指在活動(dòng)輪廓模型基礎(chǔ)上發(fā)展出來的算法，首先定義一個(gè)能量泛函使得其自變量包括邊緣曲線和區(qū)域數(shù)據(jù)項(xiàng)，然后通過求解函數(shù)對(duì)應(yīng)的歐拉-拉格朗日方程來實(shí)現(xiàn)，能量達(dá)到最小時(shí)的曲線位置就是目標(biāo)的輪廓所在?；顒?dòng)輪廓模型可以分為參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型。其他分割方法。現(xiàn)有的分割方法還包括基于物理模型的方法，基于模糊技術(shù)的方法，以及基于學(xué)習(xí)的分割方法等。與本申請(qǐng)有關(guān)的技術(shù)是結(jié)合基于區(qū)域分割方法的分水嶺變換和基于能量泛函的水平集方法兩種分割方法，使用了改進(jìn)的距離保持水平集演化方法。分水嶺變換的圖像分割方法通常是對(duì)待分割圖像的形態(tài)梯度信號(hào)進(jìn)行分水嶺變換，即將梯度圖像看成是假想的地形表面，每個(gè)像素的梯度值代表該點(diǎn)的海拔高度，一般待分割圖像的邊緣像素通常有較大梯度值，對(duì)應(yīng)于地表的“分水嶺線”，而每個(gè)區(qū)域的內(nèi)部像素通常有較小梯度值，對(duì)應(yīng)于地表的“集水盆地”，“分水嶺線”將梯度圖像分割成若干個(gè)不同的“集水盆地”，得到待分割圖像中的均勻一致區(qū)域。分水嶺變換的圖像分割方法雖然具有計(jì)算負(fù)擔(dān)輕、分割精度高的優(yōu)點(diǎn)，但是，存在的圖像過度分割問題。水平集方法基本思想是將二維閉合曲線演化問題轉(zhuǎn)化為三維曲面問題來求解，在二維固定坐標(biāo)系中不斷更新水平集函數(shù)，從而達(dá)到演化隱含在水平集函數(shù)中閉合曲線的目的。即使隱含在水平集函數(shù)中的閉合曲線發(fā)生了拓?fù)浣Y(jié)構(gòu)的變化，水平集函數(shù)依舊保持有效。距離保持水平集方法在傳統(tǒng)的能量泛函中添加了一項(xiàng)內(nèi)部能量泛函，主要用來糾正水平集函數(shù)與符號(hào)距離函數(shù)的偏差，從而實(shí)現(xiàn)在演化過程中不需要再次初始化的目標(biāo)，引入核函數(shù)來定義局部二值擬合能量，即尋找最優(yōu)化輪廓曲線C使曲線兩側(cè)局部區(qū)域的圖像灰度擬合函數(shù)近似為兩個(gè)常數(shù)。水平集方法雖然分割效果高，但是分割速度慢，效率低。本發(fā)明技術(shù)方案中涉及到現(xiàn)有距離保持水平集分割方法，為了便于理解，先詳述現(xiàn)有的距離保持水平集分割方法。首先需要定義一個(gè)能量泛函，使得其自變量包括邊緣曲線和區(qū)域數(shù)據(jù)項(xiàng)，然后求解函數(shù)對(duì)應(yīng)的Euler-Lagrange方程，當(dāng)能量泛函取得最小值時(shí)的曲線位置就是目標(biāo)的輪廓所在。完整的距離保持水平集模型定義如下：E(φ,f1,f2)＝ε(φ,f1,f2)+μP(φ)+vL(φ)式中：為弧長規(guī)則項(xiàng)，用來保證輪廓曲線C的光滑性；為懲罰項(xiàng)，用來約束水平集函數(shù)，P(φ)是水平集函數(shù)的內(nèi)部能量泛函，定量地表示了水平集函數(shù)偏離符號(hào)距離函數(shù)的程度，用來糾正水平集函數(shù)與符號(hào)距離函數(shù)的偏差；ε(φ,f1,f2)+vL(φ)是外部能量泛函，記作：Em(φ)＝ε(φ,f1,f2)+vL(φ),用來驅(qū)使零水平集向著圖像中的目標(biāo)邊界運(yùn)動(dòng)；μ和v為正的權(quán)重系數(shù)；為了能夠最小化能量函數(shù)E，采用梯度下降法和變分方法得到如下曲線演化方程：∂φ∂t=μ(▿φ2-div(Vφ|Vφ|))+vδϵ(φ)div(Vφ|Vφ|)-δϵ(φ)(λ1e1-λ2e2)]]>式中δε(φ)是Dirac函數(shù)，e1和e2定義如下：e1＝∫ΩKσ(x-y)|I(y)-f1(x)|2dy，e2＝∫ΩKσ(x-y)|I(y)-f2(x)|2dy擬合函數(shù)f1(x)和f2(x)在迭代過程中按如下的方程式進(jìn)行更新，其中*代表卷積運(yùn)算：f1(x)=Kσ(x)*[H(φ(x))I(x)]Kσ(x)*H(φ(x))]]>f2(x)=Kσ(x)*[(1-H(φ(x)))I(x)]Kσ(x)*(1-H(φ(x)))]]>由于權(quán)重系數(shù)v是一個(gè)常數(shù)，使得模型缺乏方向和大小的自適應(yīng)性。中國知網(wǎng)2014年1月公開了一篇《基于水平集和分水嶺的圖像分割算法研究》(作者：西安電子科技大學(xué)余敏鋒)，該文獻(xiàn)公開的技術(shù)是一篇碩士論文，申請(qǐng)人用該文獻(xiàn)提到的技術(shù)對(duì)圖像進(jìn)行分割，根本就達(dá)不到文中提到的效果，在實(shí)際上它是根本不可能實(shí)現(xiàn)的，比如它公開的CT圖像分割迭代達(dá)到1500次時(shí)時(shí)間僅為5.4s，分割迭代達(dá)到5000次時(shí)時(shí)間僅為9.6s，這在現(xiàn)實(shí)中是不可能的。另外，該文獻(xiàn)對(duì)同時(shí)存在灰度不均勻和高噪聲的醫(yī)學(xué)圖像分割效果不好，正如該文獻(xiàn)最后一段記載的內(nèi)容“分割效果不理想，對(duì)含有高噪聲的目標(biāo)分割效果不好”，正好印證了這一點(diǎn)。從它提供的實(shí)驗(yàn)結(jié)果圖片也可以看出：它針對(duì)的主要是灰度均勻的圖像。技術(shù)實(shí)現(xiàn)要素：為了克服現(xiàn)有技術(shù)對(duì)同時(shí)含有高噪聲和灰度不均勻的目標(biāo)分割效果不理想的技術(shù)缺陷，滿足醫(yī)學(xué)圖像分割的質(zhì)量和效率要求，本發(fā)明提供一種基于水平集方法和基于標(biāo)記分水嶺方法相結(jié)合的一種高噪聲灰度不均圖像的分割方法。該方法利用二者的優(yōu)點(diǎn)彌補(bǔ)了相互的缺陷，實(shí)現(xiàn)了對(duì)同時(shí)含有高噪聲和灰度不均勻目標(biāo)的分割。為達(dá)到上述目的，本發(fā)明采取的技術(shù)方案是：一種高噪聲灰度不均圖像的分割方法。其特征在于，它是基于距離保持水平集方法和基于標(biāo)記分水嶺方法相結(jié)合的圖像分割方法，能較準(zhǔn)確地分割出感興趣物體的邊緣，能克服傳統(tǒng)分水嶺方法中存在的圖像過度分割問題，且與傳統(tǒng)水平集方法相比，運(yùn)行速度較快，算法的運(yùn)行時(shí)間不隨圖像尺寸大小的變化而變化。具體描述如下：第一步：采用自適應(yīng)距離保持水平集方法對(duì)目標(biāo)圖像進(jìn)行邊緣的檢測(cè)，得到初始目標(biāo)圖像的輪廓邊緣。本發(fā)明的自適應(yīng)距離保持水平集方法是在現(xiàn)有的距離保持水平集分割方法引入了可變的權(quán)重系數(shù)v，可變權(quán)重系數(shù)v定義為：式(1)中I(x,y)為圖像函數(shù)，sgn(·)是符號(hào)函數(shù)，Gσ是標(biāo)準(zhǔn)差為σ的高斯濾波器，是圖像經(jīng)過高斯濾波后的梯度，ΔGσ×I為Laplace算子作用于高斯濾波后的圖像的結(jié)果，c>0是常數(shù)。定義能量泛函如下：式(2)中，λ>0和v為常數(shù)，δ(x)和H(x)分別是一維Dirac函數(shù)和Heaviside函數(shù)，g(x)為停止速度函數(shù)，g(x)＝(1+x2)-1。最小化能量泛函E(φ)，應(yīng)用Euler-Lagrange方程，并引入人工變量t，運(yùn)用最速下降法，即可得到偏微分方程：其水平集形式為：其中，為演化曲線的曲率。在數(shù)值實(shí)現(xiàn)時(shí)，采用了如下的正則化Dirac函數(shù)來替代Dirac函數(shù)δ(x)：式(3)作用于整個(gè)水平集函數(shù)，從而獲得能量泛函的全局最小，進(jìn)一步提高了零水平集檢測(cè)多層輪廓的能力以及對(duì)深度凹陷區(qū)域與多目標(biāo)物體邊界的捕獲能力。本方法選取ε＝1.6，σ＝2.0，μ＝0.04，λ＝7.2，時(shí)間步長為0.5；第二步：將第一步得到的目標(biāo)圖像輪廓邊緣采用形態(tài)學(xué)灰度膨脹、腐蝕后，得到形態(tài)學(xué)梯度圖像，將得到的形態(tài)學(xué)梯度圖像作為基于標(biāo)記的分水嶺算法的內(nèi)部標(biāo)記。所述的基于標(biāo)記的分水嶺算法中，形態(tài)學(xué)梯度是一種通過檢測(cè)目標(biāo)圖像中某點(diǎn)的梯度值大小來確定該點(diǎn)是否存在輪廓邊緣的方法。本發(fā)明需要利用結(jié)構(gòu)元素b對(duì)目標(biāo)圖像f(x,y)分別做膨脹和腐蝕，求出f的局部極大值和局部極小值，其形態(tài)學(xué)梯度圖像g(x,y)可表示為：其中表示形態(tài)學(xué)的膨脹，表示形態(tài)學(xué)的腐蝕，b(x,y)表示圓盤狀結(jié)構(gòu)元素。第三步：將第二步得到的結(jié)果使用MATLAB函數(shù)im2bw和graythresh將目標(biāo)圖像轉(zhuǎn)變?yōu)槎祱D像，然后求補(bǔ)，求出距離變換，然后利用函數(shù)watershed來計(jì)算距離變換的負(fù)分水嶺分割，將得到的結(jié)果作為標(biāo)記分水嶺算法的外部標(biāo)記，最后得到待處理的圖像；使用距離變換的分水嶺變換分割二值圖像的偽代碼如下：>>g＝im2bw(f,graythresh(f))；//把圖像f變換為二值圖像L＝watershed(A,conn)；//計(jì)算距離變換的負(fù)分水嶺變換，A是輸入數(shù)組，conn指定了連通性(對(duì)于二維數(shù)組默認(rèn)值為8)>>gc＝～g；//求補(bǔ)>>D＝bwdist(gc)；//工具箱函數(shù)bwdist，計(jì)算距離變換>>L＝watershed(-D)；>>w＝L＝＝0；//L的零值像素指出分水嶺的脊線像素>>g2＝g&-w；//使用原始的二值圖像和圖像w的補(bǔ)，通過邏輯&操作完成分割；第四步：利用形態(tài)學(xué)重建，對(duì)待處理的圖像進(jìn)行處理，詳細(xì)的處理過程是：對(duì)于形態(tài)學(xué)梯度圖像來說，不能徹底去除噪聲，需要利用形態(tài)學(xué)重建進(jìn)一步消除目標(biāo)圖像中含有的噪聲以及那些無法包含結(jié)構(gòu)元素的像素點(diǎn)。形態(tài)學(xué)開重建和閉重建運(yùn)算是通過結(jié)合形態(tài)學(xué)膨脹和腐蝕兩個(gè)運(yùn)算方法形成的。對(duì)于形態(tài)學(xué)梯度圖像g(x，y)、比對(duì)圖像p(x，y)與結(jié)構(gòu)元素b，形態(tài)學(xué)膨脹定義為：其中b為圓盤狀結(jié)構(gòu)元素，∧表示逐點(diǎn)求最小值，形態(tài)學(xué)膨脹為迭代性運(yùn)算。當(dāng)?shù)拇螖?shù)達(dá)到預(yù)設(shè)值或者時(shí)，中止。因此，形態(tài)學(xué)開重建定義為：式(8)中表示測(cè)地學(xué)膨脹收斂的結(jié)果。形態(tài)學(xué)開、閉重建是互為對(duì)偶的。因此，形態(tài)學(xué)腐蝕及閉重建可定義為：其中，V表示的是逐點(diǎn)求最大值，表示形態(tài)學(xué)腐蝕時(shí)的結(jié)果。因此，形態(tài)學(xué)重建定義為：第五步：對(duì)形態(tài)學(xué)重建后的結(jié)果使用Watershed函數(shù)進(jìn)行基于標(biāo)記的分水嶺分割，輸出圖像分割結(jié)果：詳細(xì)分割過程是：第5.1步：利用擴(kuò)展最小變換(H-minima)技術(shù)，首先給出一個(gè)圖像閾值H，通過與之對(duì)比消去局部區(qū)域小于H的極小值點(diǎn)，以此減少過分割區(qū)域的數(shù)目。本方法采用所有極小值的平均值來修正H值的大小。假設(shè)中極小值為則其中mean(·)為平均值函數(shù)；為圖像梯度值；第5.2步：使用Gaussian濾波器獲得低頻圖像其中，Hmin為擴(kuò)展最小變換，為二值標(biāo)記圖像，也就是經(jīng)擴(kuò)展最小變換后的圖像。第5.3步：使用極小值強(qiáng)制標(biāo)記運(yùn)算修改圖像梯度值即可得到可表示為：第5.4步：最后對(duì)進(jìn)行分水嶺分割，得到的分割結(jié)果用Iw表示為：其中，Watershed表示分水嶺算法的MATLAB函數(shù)。本發(fā)明使用基于標(biāo)記的分水嶺分割圖像算法的偽代碼如下：>>rm＝imregionalmin(g)；//工具箱函數(shù)imregionalmin計(jì)算圖像中所有的局部小區(qū)域位置，其中g(shù)是灰度圖像，rm是二值圖像，rm的前景像素標(biāo)記出局部小區(qū)域的位置>>im＝imextendedmin(f,h)；//工具箱函數(shù)imextendedmin消除無關(guān)小區(qū)域，其中f是灰度圖像，h是高度閾值，im是二值圖像，im的前景像素標(biāo)記了深的局部小區(qū)域的位置，用函數(shù)imextendedmin得到內(nèi)部標(biāo)記符集合>>fim＝f；>>Lim＝watershed(bwdist(im))；//>>em＝Lim＝＝0；//>>g2＝imimposemin(g,im|em)；//em的前景像素標(biāo)記了輸出圖像中局部最小區(qū)域的期望位置。通過在內(nèi)部和外部標(biāo)記符的位置覆蓋局部最小區(qū)域，改進(jìn)梯度圖像>>L2＝watershed(g2)；>>f2＝f；>>f2(L2＝＝0)＝255；//計(jì)算改進(jìn)后基于標(biāo)記的梯度圖像的分水嶺變換本方法使用MATLAB2014b進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)所用的計(jì)算機(jī)配置為：在OSXEICapitan操作系統(tǒng)下CPU為2.7GHzIntelCorei5，內(nèi)存為8GB。本發(fā)明的優(yōu)點(diǎn)是：1、本發(fā)明采用的自適應(yīng)距離保持水平集方法，能使得模型具有了方向和大小的自適應(yīng)性，提高了圖像分割的效率，克服了傳統(tǒng)水平集分割方法速度慢的缺陷。2、本發(fā)明將形態(tài)學(xué)重建與擴(kuò)展最小變化技術(shù)結(jié)合，避免了圖像的過分割和欠分割問題，提高了圖像的分割質(zhì)量。3、本發(fā)明將自適應(yīng)距離保持水平集方法和形態(tài)學(xué)重建的膨脹和腐蝕結(jié)合，既消除了圖像中噪聲，又明確了細(xì)節(jié)，減少了因目標(biāo)圖像的噪聲、明暗細(xì)節(jié)等引起的分水脊線偏移，從而避免出現(xiàn)過分割的問題，使得最后的分割效果好。附圖說明圖1是本發(fā)明流程圖。圖2.1是待分割的人工合成圖像；圖2.2是圖2.1的分割實(shí)驗(yàn)結(jié)果圖。圖3.1是待分割的MRI腦部圖像；圖3.2是圖3.1的分割實(shí)驗(yàn)結(jié)果圖。圖4.1是待分割的血管圖；圖4.2是圖4.1的分割實(shí)驗(yàn)結(jié)果圖。下面結(jié)合附圖進(jìn)一步說明本發(fā)明的技術(shù)方案具體實(shí)施方式圖1是本發(fā)明對(duì)于高噪聲灰度不均勻圖像的分割方法流程圖，具體的分割過程在
發(fā)明內(nèi)容已經(jīng)詳述，在此不再詳述。為了說明本發(fā)明的積極效果，下面分別以高噪聲且灰度不均勻的人工合成圖像、MRI腦部圖像和血管圖為例，在同樣配置的電腦上分別進(jìn)行控制標(biāo)記符的分水嶺圖像分割實(shí)驗(yàn)、距離保持水平集演化圖像分割實(shí)驗(yàn)。為了定量分析和評(píng)價(jià)各種方法的分割質(zhì)量，本發(fā)明采用Jaccard相似度(JaccardSimilarity，JS)系數(shù)來度量圖像分割方法的精度。Jaccard相似度系數(shù)定義如下：JS(A,B)＝|A∩B|/|A∪B|其中A為標(biāo)準(zhǔn)的分割結(jié)果，B為待評(píng)價(jià)的分割結(jié)果。JS指標(biāo)值越高則表明算法的性能越好。三種分割方法的迭代次數(shù)和運(yùn)行時(shí)間的實(shí)驗(yàn)數(shù)據(jù)對(duì)比見表1。三種分割方法的精度比較見表2。對(duì)比實(shí)驗(yàn)前后圖分別見圖2-4表1：迭代次數(shù)和運(yùn)行時(shí)間對(duì)比表表2：精度比較分割精度(JS系數(shù))人工合成圖像MRI腦部圖像血管圖像距離保持水平集方法0.90920.75380.9142分水嶺方法0.63420.78680.8017本發(fā)明方法0.91130.91280.9387從表一和表二可以看出，本發(fā)明提出的基于水平集和分水嶺方法的圖像分割算法分割速度更快，分割效果更好。從圖2-4比較圖可以看出：分割前，目標(biāo)圖像的灰度不均勻，噪聲嚴(yán)重，但是經(jīng)過本發(fā)明分割后，圖像輪廓光滑，尤其是分割后的血管圖，主血管附近的小血管都能看得很清晰。當(dāng)前第1頁1 2 3