结合边缘和区域信息的医学图像分割方法

摘要

本发明公开了一种分割精度高、速度快的结合边缘和区域信息的医学图像分割方法，所公开的模型结合了医学图像的边缘信息、局部信息和全局信息。边缘信息加强了模型对于图像边缘的捕捉能力；局部信息使得在弱边缘或是低对比度区域分割更加精确，能够处理医学中背景及其内部结构复杂的弱边缘图像；全局信息使得模型对于医学图像具有较强的抗噪性，可以任意设置初始轮廓。高斯滤波的引入实现了对水平集函数的正则化；而惩罚项的设置则避免了重新初始化和正则化的复杂计算。

说明书

技术领域

本发明涉及图像处理领域，尤其是一种分割精度高、速度快的结合边缘和区域信 息的医学图像分割方法。

背景技术

由于受到医学成像设备、不均匀光照以及射线能量散射等外界因素的影响，所获 取的医学数字图像常常具有以下结构特征：（1）带分割区域的灰度强度分布不均匀；（2）图 像常常只包含白色、灰色和深灰色的目标区域，而黑色区域则为背景区域；（3）由于人体内 部结构的复杂性和软骨组织的不规则性，导致待分割图像的边缘模糊、内部结构复杂。上述 结构特征给图像分割带来了一定的难度。

近年来，基于活动轮廓模型的图像分割方法被广泛地应用到医学图像处理中，如 基于边缘的几何活动轮廓模型（GAC模型）、基于全局区域信息的活动轮廓模型（CV模型）。然 而，由于基于边界的GAC模型对噪声和杂波比较敏感，容易发生边界泄露并且对于初始位置 要求严格；而CV模型对细节信息的捕捉能力较差，对非均匀对象通常不能很好的进行处理， 同时模型的演化速度较慢。针对基于边缘和基于区域分割模型的优势和存在的问题，出现 了大量的改进模型。其中，SBGFRLS模型将CV模型的全局信息引入到GAC模型中，这样该模型 不仅利用了图像的边缘信息，也结合了图像的区域信息，解决了GAC模型容易陷入能量函数 极小值的问题。但是，该模型依然没能解决GAC和CV模型不能分割灰度分布不均匀的异质图 像问题。为了解决传统模型对于异质图像分割无效性问题，研究人员提出了一种基于图像 区域信息的局部二值能量函数拟合模型（LocalBinaryFitting,LBF），该模型从图像的 局部几何特性出发，实现了不需要重新初始化的水平集演化方法，有效地消除了重新初始 化带来的计算复杂度。其次，该方法添加了一个惩罚项，用来校正水平集函数与符号距离函 数的偏差。但该模型对于初始轮廓位置过分依赖，只有当初始化曲线被设置在合理的位置 时，才能实现对异质图像的良好分割。

发明内容

本发明为了解决现有技术所存在的上述技术问题，提供一种分割精度高、速度快 的结合边缘和区域信息的医学图像分割方法。

本发明的技术解决方案是：一种结合边缘和区域信息的医学图像分割模型，其特 征在于按照如下步骤进行：

步骤1：建立的SPF函数如下：

(1)

其中，I为医学图像；和是两个常数，分别近似等于水平集轮廓内部和轮廓外部 的平均灰度值，它的相应表达式为：

(2)

分别为在x点附近的逼近曲线内外的图像局部灰度值的光滑函数，相应的 表达式为：

(3)

根据相关数学理论，正则化的Heaviside函数和一维Dirac函数，分别被定义为：

;

为图像坐标点对应的梯度算子；为局部项和全局项的自适应权值函数，用来 实现局部信息和全局信息的自适应平衡，它的具体表达式为：

(4)

其中，，表示方差为的二维高斯滤波，得到新模型的水平集函数如 下：

(5)

引入惩罚项去替代并未移走的项，简化后的模型为：

(6)

其中是两个常数值，，当图像目标边缘明显时，利用边缘检测方法处理 图像，此时，设置为较大的数值；当图像为弱边缘图像时，利用区域信息分割图像，此时， 被设置为较小的数值；

步骤2.初始化水平集函数；

步骤3.对初始图像进行高斯滤波；

步骤4.利用式(2)和(3)计算轮廓内部和外部的平均灰度值,，x点附近的逼近曲 线内外的图像局部灰度值的光滑函数；

步骤5.利用式(1)和(4)计算权重函数g及SPF函数值；

步骤6.计算惩罚项的值；

步骤7.利用有限差分法以及式(6)，更新水平集函数，其中为迭代步长，为常数， 令；

步骤8.检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤3。

与现有技术相比，本发明具有以下优点。第一、结合了图像的边缘信息、局部信息 和全局信息。边缘信息加强了模型对于图像边缘的捕捉能力；局部信息使得在弱边缘或是 低对比度区域分割更加精确，能够处理医学中背景及其内部结构复杂的弱边缘图像；全局 信息使得模型对于医学图像具有较强的抗噪性，作为结果，可以任意设置初始轮廓。第二、 高斯滤波的引用。高斯滤波的引用对于水平集函数进行了正则化。第三、惩罚项的设置。惩 罚项的设置，避免了重新初始化和正则化带来的计算复杂度。实验结果证明了本发明模型 可以在短时间内分割对比度低、结构复杂的医学图像，而且对于弱质图像和含有噪声的图 像都能获得很好的分割效果。

附图说明

图1是本发明实施例与改进CV模型、LBF模型分割细胞图像的结果比较；

图2是本发明实施例与改进CV模型、LBF模型分割血管图像的结果比较；

图3是本发明实施例与改进CV模型、LBF模型分割脑MR图像的结果比较；

图4是本发明实施例与改进CV模型、LBF模型分割脑CT图像的结果比较。

具体实施方式

本发明实施例所提供的基于边缘和区域信息相结合的医学图像分割方法，包括如 下步骤；

步骤1：建立的SPF函数如下：

(1)

其中，I为医学图像；和是两个常数，分别近似等于水平集轮廓内部和轮廓外部 的平均灰度值，它的相应表达式为：

(2)

分别为在x点附近的逼近曲线内外的图像局部灰度值的光滑函数，相应的 表达式为：

(3)

这里，为实现有效计算，本发明实施例引入了正则化的Heaviside函数和一维Dirac函 数，根据相关数学理论，分别被定义为：

；

为图像坐标点对应的梯度算子；为局部项和全局项的自适应权值函数，用来 实现局部信息和全局信息的自适应平衡，它的具体表达式为：

(4)

其中，，表示方差为的二维高斯滤波，用来对初始图像做平滑预处 理，扩大了模型的处理范围。综上，得到新模型的水平集函数如下：

(5)

本发明用高斯滤波过程代替曲率项去平滑和正则化水平集函数。 这样不仅简化了模型的计算量，同时避免了函数重新初始化和正则化所带来的复杂计算。 另一方面，函数来源于区域统计信息，它有一个较大的能量捕捉范围。因此， 项和项可以被融入到中。最后，引入惩罚项去替代并未移走的项，保证了演化曲线的平稳演化。这样，简化后的模型为：

(6)

其中是两个常数值，，当图像目标边缘明显时，利用边缘检测方法处理 图像，此时，设置为较大的数值。当图像为弱边缘图像时，为了防止边缘泄露，利用区域信 息分割图像，此时，被设置为较小的数值；

步骤2.初始化水平集函数；

步骤3.对初始图像进行高斯滤波；

步骤4.利用式(2)和(3)计算轮廓内部和外部的平均灰度值,，x点附近的逼近曲 线内外的图像局部灰度值的光滑函数；

步骤5.利用式(1)和(4)计算权重函数g及SPF函数值；

步骤6.计算惩罚项的值；

步骤7.利用有限差分法以及式(6)，更新水平集函数，其中为迭代步长，为常数， 为了实现水平集函数的正则化并加速演化过程，令；

步骤8.检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤3。

本发明实施例与改进CV模型、LBF模型分割细胞图像的结果比较如图1所示。

本发明实施例与改进CV模型、LBF模型分割血管图像的结果比较如图2所示。

本发明实施例与改进CV模型、LBF模型分割脑MR图像的结果比较如图3所示。

本发明实施例与改进CV模型、LBF模型分割脑CT图像的结果比较如图4所示。