一種基于改進梯度向量流模型的醫(yī)學(xué)圖像分割方法
【專利說明】一種基于改進梯度向量流模型的醫(yī)學(xué)圖像分割方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明醫(yī)學(xué)圖像分割領(lǐng)域，特別涉及一種基于改進的GVF Snake模型的醫(yī)學(xué)圖像 分割方法。 【【背景技術(shù)】】
[0002] 隨著醫(yī)學(xué)成像技術(shù)在臨床診斷及治療上的指導(dǎo)作用愈加突出，醫(yī)學(xué)圖像分割技術(shù) 逐步成為醫(yī)學(xué)圖像研宄學(xué)科中具有重要性與應(yīng)用性的研宄領(lǐng)域。醫(yī)學(xué)圖像分割的目標(biāo)是通 過對目標(biāo)對象的特征提取，把目標(biāo)對象從背景圖像中加以有效區(qū)分，進行下一步的醫(yī)學(xué)分 析。Snake模型目前已經(jīng)成為圖像處理關(guān)鍵技術(shù)之一。在醫(yī)學(xué)圖像分割方面Snake模型是 研宄較為熱門的課題，它比傳統(tǒng)的醫(yī)學(xué)圖像分割方法有很大的優(yōu)越性，為邊緣檢測、圖像匹 配和三維重建等提供了可靠分割結(jié)果。同時其分割過程中的交互式操作也為醫(yī)生臨床診療 和病理研宄奠定了基礎(chǔ)。但是，目前來看，這些現(xiàn)存的基于梯度矢量流（GVF Snake)模型分 割的算法有兩個不足：1)圖像背景結(jié)構(gòu)復(fù)雜時，沒有一個合適的確定初始輪廓的方法。2) 梯度向量場計算復(fù)雜度高，在圖像像素較大時，處理上有局限性，速度慢等。
[0003] GVF Snake活動輪廓模型的目標(biāo)輪廓提取法引入了目標(biāo)圖像輪廓的整體幾何信息 來指導(dǎo)輪廓獲取全過程，是一種具有自主學(xué)習(xí)能力的輪廓提取算法。由Xu等人1997年提 出，它減小了對初始輪廓的敏感性，在一定程度上解決了深凹區(qū)域輪廓提取的問題。梯度矢 量流（GVF Snake)模型開始用于模糊邊界的醫(yī)學(xué)圖像分割，因為它能得到清晰光滑的目標(biāo) 輪廓，較好的解決目標(biāo)對象輪廓提取，為醫(yī)學(xué)診斷提供一個參考。
[0004] 在實現(xiàn)本發(fā)明的過程中，發(fā)明人利用基于改進梯度向量流模型的方法提取圖像輪 廓，主要解決上面提到的兩個問題，即：1)預(yù)處理能有效的處理皮膚圖像中的復(fù)雜無關(guān)背 景和灰度的不均衡，采用紋理分割的統(tǒng)計信息為GVF Snake模型自動初始化一條輪廓曲線。 2)減少計算的復(fù)雜度，利用在黎曼空間中構(gòu)造正定矩陣，來加速梯度向量場的迭代計算，提 高求解的快速性和準(zhǔn)確性。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的在于提供一種基于改進梯度向量流模型（GVF Snake)的醫(yī)學(xué)圖像分 割方法。所述基于GVF Snake對醫(yī)學(xué)圖像分割，它能得到清晰光滑的目標(biāo)輪廓，較好的解決 目標(biāo)對象輪廓提取，為醫(yī)學(xué)診斷提供一個參考。
[0006] 1、為了達到本發(fā)明的目的，根據(jù)本發(fā)明的一個方面，本發(fā)明提供一種基于改進梯 度向量流模型（GVF Snake)的醫(yī)學(xué)圖像分割方法，所述方法包括：對模糊的醫(yī)學(xué)皮膚鏡圖 像進行預(yù)處理，包括圖像均衡化，濾波和邊緣檢測等；紋理分割方法提取出圖像的粗糙輪 廓，獲取到圖像有用的信息點；將黎曼空間中用于計算梯度向量場的方法取代歐式空間向 量場的計算，加快迭代計算的速度，提高計算的效率；運用改進后的梯度向量蛇模型對圖像 進行精細(xì)的處理，提取精確光滑的圖像輪廓，為醫(yī)學(xué)診斷提供一個參考。
[0007] 2、根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其 特征在于，對模糊的醫(yī)學(xué)皮膚鏡圖像進行預(yù)處理，包括圖像均衡化，濾波和邊緣檢測等；
[0008] 直方圖均衡化是通過使用累積函數(shù)對灰度值進行"調(diào)整"，以實現(xiàn)對比度的增強。 它可用來增加許多圖像的局部對比度，亮度可以更好地在直方圖上分布，就可以用于增強 局部的對比度而不影響整體的對比度。
[0009] 圖像濾波，它是為了盡量保留圖像細(xì)節(jié)特征的條件下對目標(biāo)圖像的噪聲進行抑 制，其處理效果的好壞將直接影響到后續(xù)圖像處理。根據(jù)實際的圖像，選用線性濾波或者非 線性濾波等具體的方法。常用的濾波方法有：如中值濾波，卡爾曼濾波和高斯濾波等。 [0010] 邊緣檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點或線。對于圖像中的邊緣 主要包括灰度上的不連續(xù)、表面方向不連續(xù)等。常用的檢測算子有：一階算子：Roberts， Prewitt，Sobel 算子；二階算子：Canny，Laplacian 算子。
[0011] 3、根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其 特征在于，提取出圖像的粗糙輪廓，獲取到圖像有效信息點，自動初始化活動輪廓模型的初 始輪廓。主要采用紋理分割的方法中基于統(tǒng)計的特征方法，來獲取圖像的邊界信息點。
[0012] 基于灰度共現(xiàn)矩陣紋理特征的方法，它是一個由N個離散灰度層組成的圖像f(x， y)，灰度共現(xiàn)矩陣P(i，j，d，Θ )定義為點（Xl，yi)的灰度值為i，點（χ2, y2)的灰度值為出 現(xiàn)的頻率，其中兩點的關(guān)系如下：
[0013] f (X1, Y1) = i, f (x2, y2) = j
[0014] (x2, y2) = (X1, yj + (dcos θ，dsin θ )
[0015] 這個矩陣的維數(shù)等于圖像灰度層數(shù)，矩陣是距離和方向的函數(shù)（d，θ )。這個灰度 共現(xiàn)矩陣可以用來定義能量、聚類萌和聚類突等信息。利用上述方法來確定有效信息點，自 動生成活動輪廓模型的初始輪廓線。
[0016] 4、根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其 特征在于，用黎曼空間中用于計算梯度向量場的方法取代歐式空間向量場的計算，所述對 醫(yī)學(xué)圖像進行分割處理，通過最小化能量函數(shù)來計算出圖像的輪廓。對于一幅圖像I (x，y) 的邊界圖f(x，y)。將W(x，y)作為外力項，可得GVF-Snake模型，整理得到如下能量函數(shù)：
【主權(quán)項】
1. 一種基于改進梯度向量流模型（GVF Snake)的醫(yī)學(xué)圖像分割方法，其特征在于，所 述方法包括： 對模糊的醫(yī)學(xué)皮膚鏡圖像進行預(yù)處理，包括圖像均衡化，濾波和邊緣檢測等； 基于紋理分割的方法，提取出圖像的粗糙輪廓，獲取到圖像有效信息點，自動初始圖像 輪廓； 將黎曼空間中用于計算梯度向量場的方法取代歐式空間向量場的計算，加快迭代計算 的速度，提高計算的效率； 運用改進后的梯度向量蛇模型對圖像進行精細(xì)的處理，提取精確光滑的圖像輪廓，為 醫(yī)學(xué)診斷提供一個參考。
2. 根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其特征 在于，對模糊的醫(yī)學(xué)皮膚鏡圖像進行預(yù)處理，包括圖像均衡化，濾波和邊緣檢測等； 直方圖均衡化則通過使用累積函數(shù)對灰度值進行"調(diào)整"以實現(xiàn)對比度的增強。它可用 來增加許多圖像的局部對比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對比度相當(dāng)接近的時候。亮度 可以更好地在直方圖上分布，這樣就可以用于增強局部的對比度而不影響整體的對比度。 圖像濾波，它是為了盡量保留圖像細(xì)節(jié)特征的條件下對目標(biāo)圖像的噪聲進行抑制，其 處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。根據(jù)實際的圖像， 選用線性濾波或者非線性濾波等具體的方法。常用的濾波方法有：如中指濾波，卡爾曼濾波 和尚斯濾波等。 邊緣檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點或線。對于圖像中的邊緣主要包 括灰度上的不連續(xù)、表面方向不連續(xù)等。常用的檢測算子有：一階算子：RobertsPrewitt， Sobel 算子；二階算子：Canny，Laplacian 算子。
3. 根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其特征 在于，基于紋理分割的方法提取出圖像的粗糙輪廓，獲取到圖像有效信息點，自動初始化活 動輪廓模型的初始輪廓： 一般紋理分割方法主要包含兩步，紋理特征的選擇和用合理的目標(biāo)函數(shù)來定義紋理特 征。通過紋理分割確定出一條初始輪廓，然后利用有效信息點，自動生成活動輪廓模型的初 始輪廓線。
4. 根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的方法，其特征 在于，用黎曼空間中用于計算梯度向量場的方法取代歐式空間向量場的計算，所述對醫(yī)學(xué) 圖像進行分割處理，通過最小化能量函數(shù)來計算出圖像的輪廓：對于一幅圖像I (X，y)的邊 界圖f (X，y)。將w(x，y)作為外力項，可得GVF-Snake模型，整理得到如下能量函數(shù)：
其中，μ 是規(guī)整化因子，P為 Laplacian 算子，W(x，y) = (u(x，y)，v(x，y))。ux，uy，vx， vy分別是u(x，y)，v(x，y)在x和y方向的偏導(dǎo)數(shù)。使用變分法，上述⑴式方程的求解， 可以直接求解下列的歐拉-拉格朗日方程得到：
可得黎曼空間中梯度力場U(X，y)，v(x，y)的迭代式，u(x，y)和v(x，y)是等價的。以 u(x，y)為例：
0 F(Uk)矩陣基于黎曼空間構(gòu)造的正定矩 陣，用于力場矢量u (x，y)的迭代計算。同理可得v(x，y)的梯度力場迭代式：
。F(Vk)矩陣基于黎曼空間構(gòu)造的正定矩 陣，用于力場矢量v(x，y)的快速迭代計算。
5.根據(jù)權(quán)利要求1所述的一種基于改進梯度向量流模型（GVF Snake)的醫(yī)學(xué)圖像分割 方法，其特征在于，運用改進后的梯度向量流蛇模型對圖像進行精細(xì)的處理，提取精確光滑 的圖像輪廓，為醫(yī)學(xué)診斷提供一個參考。可以增加人機交互的方式，減少全部人工手動標(biāo)定 的工作量。 對于GVF Snake模型，流場u (X，y)，V (X，y)即為外能，由此可知： Ax+u (X，y) =O Ay+V (x, y) = 0 這個方程的顯示解法為： Axt+u(XH，yd = - γ (Xt-Xw) Ayt+v(XH，yd = _γ (yt-yH) 矩陣求逆之后得到-個迭代通式： Xt= (Α+γ IK1 (γ Xh-U(XhJh)) yt= (Α+γΙ) _1(Yyt-1-v(xt_1, yt_i)) 通過上述兩式可以確定最終的迭代點，得到輪廓曲線最終的邊界線。
【專利摘要】本發(fā)明揭露了一種基于改進梯度向量流模型的醫(yī)學(xué)圖像分割方法，所述方法包括對模糊的醫(yī)學(xué)皮膚鏡圖像進行預(yù)處理，包括圖像均衡化，過濾波和邊緣檢測等?；诩y理分割的方法，先提取出圖像的粗糙輪廓，獲取到圖像有用的信息點。再將黎曼空間中用于計算梯度向量場的方法取代歐式空間向量場的計算，提高計算的效率。最后，運用改進后的梯度向量蛇模型對圖像進行精細(xì)的處理，提取精確光滑的圖像輪廓，為醫(yī)學(xué)診斷提供一個參考。本發(fā)明通過紋理分割方法對皮膚鏡圖像進行粗糙輪廓提取和改進梯度力場計算的梯度向量流模型，能準(zhǔn)確快速的提取模糊醫(yī)學(xué)皮膚鏡圖像的輪廓，將分割結(jié)果顯示出來為醫(yī)學(xué)診斷提供一個對比的參考。
【IPC分類】G06T5-00
【公開號】CN104680498
【申請?zhí)枴緾N201510134078
【發(fā)明人】梁久禎, 蔣小波
【申請人】江南大學(xué)
【公開日】2015年6月3日
【申請日】2015年3月24日