一種基于腫瘤攻擊的交互式智能圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其是涉及到彩色圖像目標(biāo)分割方法。
【背景技術(shù)】
[0002] 圖像的研究和應(yīng)用中，人們往往對圖像中的某些部分感興趣，這些感興趣的部分 一般對應(yīng)圖像中特定的、具有特殊性質(zhì)的區(qū)域（可以對應(yīng)單一區(qū)域，也可以對應(yīng)多個(gè)區(qū) 域），稱之為目標(biāo)或前景；而其他部分稱為圖像的背景。為了辨識(shí)和分析目標(biāo)，需要把目標(biāo) 從一幅圖像中孤立出來，這就是圖像分割要研究的問題。
[0003] 圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，也是一經(jīng)典難題，發(fā)展至今仍沒有找到 一個(gè)通用的方法，也沒有制定出判斷分割算法好壞的標(biāo)準(zhǔn)，對近幾年來出現(xiàn)的圖像分割方 法作了較為全面的綜述，探討了圖像分割技術(shù)的發(fā)展方向，對從事圖像處理研究的科研人 員具有一定的啟發(fā)作用。圖像分割是圖像分析的第一步，圖像分割接下來的任務(wù)，如特征提 取、目標(biāo)識(shí)別等的好壞，都取決于圖像分割的質(zhì)量如何。由于該課題的難度和深度，進(jìn)展比 較緩慢。圖像分割技術(shù)自20世紀(jì)70年代起一直受到人們的高度重視，雖然研究人員針對 各種問題提出了許多方法，但迄今為止仍然不存在一個(gè)普遍適用的理論和方法。另外，還沒 有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。最近幾 年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法，對一些經(jīng)典方法和新出現(xiàn)的方法作了概述，并 將圖像分割方法分為一下幾類。
[0004] 1.閾值分割方法的歷史可追溯到近40前，現(xiàn)已提出了大量算法。閾值分割法就是 簡單的用一個(gè)或幾個(gè)閾值將圖像的直方圖分成幾類，圖象中灰度值在同一個(gè)灰度類內(nèi)的像 素屬于同一個(gè)類。它是一種PR法。其過程是決定一個(gè)灰度值，用以區(qū)分不同的類，這個(gè)灰 度值就叫閾值。它可以分為全局閾值分割和局部閾值分割。所謂全局閾值分割是利用整幅 圖像的信息來得到分割用的閾值，并根據(jù)該閾值對整幅圖像進(jìn)行分割；而局部閾值分割是 根據(jù)圖像中的不同區(qū)域獲得對應(yīng)的不同區(qū)域的閾值，利用這些閾值對各個(gè)區(qū)域進(jìn)行分割， 即一個(gè)閾值對應(yīng)一個(gè)相應(yīng)的子區(qū)域，這種方法也叫稱為適應(yīng)閾值分割?？梢钥闯觯_定一個(gè) 最優(yōu)閾值是分割的關(guān)鍵?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。該算法的局限 于對灰度圖像的處理，且分割的精度不高。
[0005] 2.邊緣檢測法是基于圖像不連續(xù)性的分割技術(shù)。由于一副圖像的大部分信息存 在于不同區(qū)域的邊緣上，而且人的視覺系統(tǒng)在很大程度上根據(jù)邊緣差異對圖像進(jìn)行認(rèn)識(shí)分 析。所以可以通過檢測圖像的邊緣信息來實(shí)現(xiàn)對圖像的分割。它按照處理技術(shù)可以分為串 行邊緣檢測技術(shù)和并行邊緣檢測技術(shù)。并行邊緣檢測方法是利用圖像一階導(dǎo)數(shù)的極值或二 階導(dǎo)數(shù)的過零點(diǎn)信息來提供判斷邊緣點(diǎn)的基本依據(jù)，經(jīng)典的邊緣檢測方法是構(gòu)造對圖像灰 度階躍變化敏感的差分算子來進(jìn)行圖像分割，如Robort算子、Sobel算子、Laplacian算子、 Prewitt算子等。在有噪聲時(shí)，用各種算子得到的邊緣像素常是孤立的或分小段連續(xù)的，為 了得到完整的邊緣信息，還需進(jìn)行邊界閉合處理。邊界閉合可以根據(jù)梯度實(shí)現(xiàn)，即如果某些 像素的梯度的幅度和梯度方向滿足規(guī)定的條件就可以把這些像素連接起來，如果對所有邊 緣像素都做這樣的判斷和連接就可能得到閉合的邊界。除此之外，還可以利用數(shù)學(xué)形態(tài)學(xué) 的一些操作進(jìn)行邊界的連接和閉合。但此方法的抗噪性不佳。
[0006] 3.Graphcut和Grabcut均是一種全局的組合優(yōu)化技術(shù)應(yīng)用于圖像分割的任務(wù)， 并且可以處理η維圖片。GraphCut方法是一種直接基于圖切算法的圖像分割技術(shù)。它僅 需要在前景和背景處各畫幾筆作為輸入，算法將建立各個(gè)像素點(diǎn)與前景背景相似度的賦權(quán) 圖，并通過求解最小切割區(qū)分前景和背景。GrabCut方法是Graphcut方法的擴(kuò)展，是迭代 的Graphcut。該方法利用了圖像中的顏色信息和邊界（反差）信息，只要少量的用戶交互 操作即可得到比較好的分割結(jié)果。每次迭代收集像素點(diǎn)顏色和歸屬信息，根據(jù)當(dāng)前分割， 重新調(diào)整圖像圖表和應(yīng)用圖削減計(jì)算新的精確分割，最終分配標(biāo)簽值，得到分割結(jié)果。但兩 個(gè)有共同的缺點(diǎn)：1，只利用了局部像素點(diǎn)的顏色信息，沒有利用全局信息；2,如果背景比 較復(fù)雜或者背景和目標(biāo)相似度很大，那分割就不太好了；3,速度慢。

【發(fā)明內(nèi)容】

[0007] 為了克服已有圖像處理技術(shù)的圖像分割技術(shù)的不足，本發(fā)明在Graphcut和 Grabcut的基礎(chǔ)上，提供一種精度較高的基于TumorsAutomata(腫瘤攻擊）的交互式智能 圖像分割技術(shù)，充分的結(jié)合了局部和全局信息，取代原有兩種方法中以像素點(diǎn)為處理對象， 本方法中是以超像素為處理對象，使得在迭代的過程中次數(shù)減少，速度更快，得到的分割結(jié) 果更加穩(wěn)定。
[0008] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0009] -種基于腫瘤攻擊的交互式智能圖像分割方法，所述分割方法包括以下步驟：
[0010] 1)對于待處理圖像進(jìn)利用簡單的線性迭代聚類算法進(jìn)行過分割，得到對應(yīng)的超像 素塊；
[0011] 2)提取每一個(gè)超像素塊的顏色信息，并且在空間位置上找到每一個(gè)超像素塊的相 鄰的超像素塊；
[0012] 3)利用迭代能量最小化分割算法得到初步分割結(jié)果，過程如下：
[0013] 3. 1)用戶通過點(diǎn)擊相應(yīng)的超像素塊來得到初始的tripletΤ(1ρ，θp，Tp)，其中l(wèi)p 為當(dāng)前超像素塊的標(biāo)簽，θρ為當(dāng)前腫瘤的攻擊力，Tp為當(dāng)前腫瘤的特征向量，即分割目標(biāo) 上的超像素塊的全部作為"可能是目標(biāo)塊"TU，而目標(biāo)之外的超像素塊全部作為背景的超像 素塊ΤΒ，而這些被選中的超像素塊就作為初始的兩個(gè)類別的腫瘤，去攻擊剩下的未被選中 的超像素塊；
[0014] 3. 2)對ΤΒ內(nèi)的每一超像素η，初始化超像素η的標(biāo)簽lp= 0,即為背景超像素塊， 其對應(yīng)攻擊力為θp= -1 ;而對TU內(nèi)的每個(gè)像素n，初始化超像素η的標(biāo)簽lp= 1，即作為 "可能是目標(biāo)"的超像素，其對應(yīng)攻擊力為θρ= 1 ;
[0015]
[0016] 3. 3)經(jīng)過上面兩個(gè)步驟，分別得到屬于目標(biāo)（lp= 1)的一些超像素，和屬于背景 (lp= 〇)的超像素，這個(gè)時(shí)候這些選中的超像素就像兩種類別的腫瘤，分別去攻擊剩下的 中立的超像素，每次當(dāng)前腫瘤與步驟3. 2)中找到的對應(yīng)的其物理空間的相鄰超像素之間 進(jìn)行"攻擊"計(jì)算：
[0017]
[0018]
[0019]
[0020]
[0021] Tp，Tq分別為腫瘤p，q的顏色特征值；％和$分別為腫瘤p，q的當(dāng)前時(shí)刻的攻擊 力；/^4分別為腫瘤下一時(shí)刻和當(dāng)前時(shí)刻的標(biāo)簽，g(x)為權(quán)重；
[0022] 3. 4)重復(fù)上述迭代步驟，當(dāng)整幅圖像的不在繼續(xù)發(fā)動(dòng)攻擊，處于"和平"狀態(tài)時(shí)達(dá) 到收斂條件，得到初步分割結(jié)果。
[0023] 進(jìn)一步，所述分割方法還包括以下步驟：
[0024] 4)使用水平集的方法來優(yōu)化分割結(jié)果，過程如下：
[0025] 4. 1)把目標(biāo)圖像轉(zhuǎn)化為灰度圖像；
[0026] 4. 2)將基于腫瘤攻擊的圖像分割的結(jié)果坐標(biāo)作為水平集分割算法的初始位置；
[0027] 4. 3)利用能量最小化來找到最佳的分割位置
[0028]
[0029] 其中，F(xiàn)(<i>)為梯度流方程，77是方程F(<i>)的Gateaux導(dǎo)數(shù)，當(dāng)梯度流向最小 νφ 時(shí)，即得到理想分割位置。
[0030] 再進(jìn)一步，所述步驟2)中，采用RGB顏色空間，一個(gè)超像素塊的平均RGB顏色作為 當(dāng)前超像素的特征值。
[0031] 本發(fā)明的有益效果主要表現(xiàn)在：基于TumorsAutomata(腫瘤攻擊）的交互式智能 圖像分割技術(shù)，充分的結(jié)合了局部和全局信息，取代原有兩種方法中以像素點(diǎn)為處理對象， 本方法中是以超像素為處理對象，使得在迭代的過程中次數(shù)減少，速度更快，得到的分割結(jié) 果更加穩(wěn)定。
【附圖說明】
[0032] 圖1是基于腫瘤攻擊的交互式智能圖像分割方法的流程圖。
[0033] 圖2是