一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法技术

技术编号:14886555 阅读:155 留言:0更新日期:2017-03-25 15:10
本发明专利技术公开了一种基于多尺度局部统计主动轮廓模型(LSACM)的水平集图像分割方法,对LSACM水平集方法中的偏移场Bε、方差σiε、水平集函数φ(x)进行初始化;计算用来描述多尺度LSACM方法中的局部区域特征的量L(x);计算描述多尺度局部区域的差分特征d(x);计算多尺度LSACM方法中的高通滤波器的最大响应M;更新局部区域模拟灰度ciε;更新偏移场Bε;更新方差σiε;通过求解多尺度LSACM水平集能量函数对应的偏微分方程最小值达到曲线演化的目的;若已到达设定的迭代次数,则迭代运算停止,曲线演化结束,若还没有达到迭代次数,则返回继续迭代;本发明专利技术提出的多尺度LSACM水平集方法可以更有效的分割灰度不均匀图像,改善图像分割过程中出现的过分割和分割不足的现象。

【技术实现步骤摘要】

本专利技术涉及医学、计算机视觉、图像处理等领域,具体为一种基于多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法
技术介绍
图像分割一直是计算机视觉领域中研究的热点,其中包括医学图像分割,比如肝脏作为人体腹腔内最大的实质性器官,疾病种类多且发病率高,肝脏肿瘤分割在肝脏诊断、肿瘤分割、肝脏移植临床应用中起着关键的作用,在各种医学影像方法中,CT成像和MR成像能反映出病理形态表现,但是这些图像数据量大,对比度低,而且图像灰度与周围组织接近,边界模糊,一般方法不易分割。近年来,水平集方法广泛应用于医学图像分割。由于水平集的演化曲线是闭合的,可以较好地收敛到目标边缘,所以分割效果比较好。但是现有的水平集方法,包括本专利技术所涉及的LSACM水平集通常是假设在很小的局部区域里的图像灰度是近似均匀的,并且为了处理方便,一般都是在局部区域统一预定一个尺度,这种假设对于普通的灰度不均匀图像的分割可以达到很好的效果,但是不适合分割严重的灰度不均匀图像。
技术实现思路
针对以上问题,本专利技术提供了一种基于多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法,将多尺度信息与现有的水平集方法LSACM结合起来,使得曲线在演化过程中不受统一尺度的限制,针对不同区域的不同灰度,自适应地改变尺度大小,从而较为准确的分割图像,可以有效解决
技术介绍
中的问题。为实现上述目的,本专利技术提供如下技术方案:一种基于多尺度LSACM水平集图像分割方法,将多尺度信息与局部统计主动轮廓模型(LSACM)相结合,构造一种新的多尺度LSACM水平集图像分割方法,步骤如下:步骤1:首先初始化多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的几个数值:偏移场Bε=1,ε=1...m,ε为所选尺度个数,以下相同;方差σiε=i,i=1...2,ε=1...m;水平集函数x是水平集函数变量,χ∈inside表示水平集内部,otherwise表示水平集外部;步骤2:计算用来描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域特征的量L(x),假定图像灰度不均匀大部分出现在低频区域,使用多尺度低通高斯滤波器来构造局部区域特征描述,其中x为中心像素,y为中心像素的邻域,邻域的尺度由σε=2ε+1决定,描述局部区域特征的量为L(x)=Bε(x)ciε,其中Bε(x)为偏移场,ciε为局部区域近似灰度;步骤3:根据步骤2得到的描述局部区域特征的量L(x)计算描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域的差分特征d(x),其中d(x)=(I(x)-L(x))2=(I(x)-Bε(x)ciε)2,I(x)表示原始图像,根据演化曲线的特点将d(x)分成两部分,曲线内部din(χ)和曲线外部dout(χ),其中din(χ)=(I(χ)-Lin(χ))2,Lin(χ)表示L(x)在演化曲线内部的分量,dout(χ)=(I(χ)-Lout(χ))2,Lout(χ)表示L(x)在演化曲线外部的分量,差分特征d(x)表示原始图像I(χ)和局部特征L(χ)的相似程度,d(x)值越小,表示相似程度越高,由于L(x)是基于低通滤波器构造的,所以易知d(x)类似于高通滤波器,所以差分特征相当于对图像进行多尺度滤波;步骤4:根据步骤3得到的局部区域差分特征d(x)计算多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的多尺度高通滤波器的最大响应M:M=max(d(x)),即M=max((I(x)-L(x))2)=max((I(x)-Bε(x)ciε)2),其中M分成两部分,演化曲线内部Min和演化曲线外部Mout,Min=max((I(x)-Lin(x))2),Mout=max((I(x)-Lout(x))2),由于图像的细节信息和边缘信息都在高频区域,M的作用是保留图像的高频信息以及在分割曲线演化的过程中寻找最优尺度;步骤5:计算步骤2中提到的局部区域近似灰度ciε,ciε由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1-H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤6:计算步骤2中提到的偏移场Bε(x),Bε(x)由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1-H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤7:计算步骤1和步骤6中所提到的方差σiε,σiε表示相应区域的灰度变化,σiε由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1-H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤8:综合上述步骤,多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量函数用E表示,,曲线演化方程为通过该微分方程求解能量函数E的最小值从而可以达到曲线演化,图像分割的目的,其中为水平集函数的规整项,μ和υ为常量,μ的作用是驱使演化曲线向目标移动,υ=o*255*255,o∈[0,1],υ越大,可以检测的目标越大,υ越小,则检测的目标越小;步骤9:利用上述步骤中的公式进行迭代运算,求解多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量最小值,若已经到达设定的迭代次数Ite,则迭代运算停止,曲线演化结束,从而图像分割完成,若还没有达到迭代次数,则返回步骤2继续迭代。优选的,所述步骤中的参数m选取8。优选的,所述步骤8中的常数v选取0.001*255*25或0.00001*255*255。优选的,所述步骤9中的迭代次数参数Ite选取40或100。与现有技术相比,本专利技术的有益效果是:由于现有的水平集方法LSACM不适合分割类似于肝脏肿瘤这种边界不明显,灰度不均匀的图像,本专利技术针对灰度不均匀图像的特征提出一种基于LSACM的多尺度水平集方法。多尺度的主要思想在于曲线在偏微分方程的驱动下进行演化,多尺度信息的融入,使曲线在演化过程中根据不同区域的灰度特点自适应地改变尺度大小,而不是拘束于LSACM方法中事先预定的单一尺度。对于相邻或相近区域内灰度变化较大的图像来说,这种方法比较可行,分割效果比较准确,实验结果表明,这种多尺度LSACM水平集方法可以有效的分割灰度不均匀图像。附图说明图1为本专利技术方法的流程图;图2为待分割的肝脏肿瘤图像;(a)slice1;(b)slice2;(c)slice3;(d)slice4;图3为本专利技术方法分割结果;(a)slice1对应分割结果;(b)slice2对应分割结果;(c)slice3对应分割结果;(d)slice4对应分割结果;图4为待分割的灰度不均匀图像;(a)大脑白质与灰质图;(b)灰度不均匀花瓣图;图5为本专利技术方法分割结果;(a)大脑图像分割结果;(b)花瓣图像分割结果。具体实施方式下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本专利技术中的一部分,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。实施例1:请参阅图1-图3,其中图1为本专利技术方法的流程图,图2来自医学影像中的MR成像,(a),(b),(c),(d)中的slice1-sli本文档来自技高网...
一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法

【技术保护点】
一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法,其特征在于:步骤如下:步骤1:首先初始化多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的几个数值:偏移场Bε=1,ε=1...m,ε为所选尺度个数;方差σiε=i,i=1...2,ε=1...m;水平集函数x是水平集函数变量,x∈inside表示水平集内部,otherwise表示水平集外部;步骤2:计算用来描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域特征的量L(x),假定图像灰度不均匀大部分出现在低频区域,使用多尺度低通高斯滤波器来构造局部区域特征描述,其中x为中心像素,y为中心像素的邻域,邻域的尺度由σε=2ε+1决定,描述局部区域特征的量为L(x)=Bε(x)ciε,其中ciε为局部区域近似灰度;步骤3:根据步骤2得到的描述局部区域特征的量L(x)计算描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域的差分特征d(x),其中d(x)=(I(x)‑L(x))2=(I(x)‑Bε(x)ciε)2,I(x)表示原始图像,根据演化曲线的特点将d(x)分成两部分,曲线内部din(x)和曲线外部dout(x),其中din(x)=(I(x)‑Lin(x))2,Lin(x)表示L(x)在演化曲线内部的分量,dout(x)=(I(x)‑Lout(x))2,Lout(x)表示L(x)在演化曲线外部的分量,差分特征d(x)表示原始图像I(x)和局部特征L(x)的相似程度;步骤4:根据步骤3得到的局部区域差分特征d(x)计算多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的多尺度高通滤波器的最大响应M:M=max(d(x)),即M=max((I(x)‑L(x))2)=max((I(x)‑Bε(x)ciε)2),其中M分成两部分,演化曲线内部Min和演化曲线外部Mout,Min=max((I(x)‑Lin(x))2),Mout=max((I(x)‑Lout(x))2),M的作用是保留图像的高频信息以及在分割曲线演化的过程中寻找最优尺度;步骤5:计算步骤2中提到的局部区域近似灰度ciε,ciε由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1‑H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤6:计算步骤2中提到的偏移场Bε(x),Bε(x)由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1‑H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤7:计算步骤1和步骤6中所提到的方差σiε,σiε表示相应区域的灰度变化,σiε由公式迭代计算,其中M1(φ)=H(φ),代表演化曲线内部,M2(φ)=1‑H(φ),代表演化曲线外部,H(φ)为阶跃函数;步骤8:综合上述步骤,多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量函数用E表示,,曲线演化方程为通过该微分方程求解能量函数E的最小值,从而达到曲线演化,图像分割的目的,其中为水平集函数的规整项,μ和υ为常量,μ的作用是驱使演化曲线向目标移动,υ=o*255*255,o∈[0,1],υ与检测目标的大小有关;步骤9:利用上述步骤中的公式进行迭代运算,求解多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量最小值,若已经到达设定的迭代次数Ite,则迭代运算停止,曲线演化结束,从而图像分割完成,若还没有达到迭代次数,则返回步骤2继续迭代。...

【技术特征摘要】
1.一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法,其特征在于:步骤如下:步骤1:首先初始化多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的几个数值:偏移场Bε=1,ε=1...m,ε为所选尺度个数;方差σiε=i,i=1...2,ε=1...m;水平集函数x是水平集函数变量,x∈inside表示水平集内部,otherwise表示水平集外部;步骤2:计算用来描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域特征的量L(x),假定图像灰度不均匀大部分出现在低频区域,使用多尺度低通高斯滤波器来构造局部区域特征描述,其中x为中心像素,y为中心像素的邻域,邻域的尺度由σε=2ε+1决定,描述局部区域特征的量为L(x)=Bε(x)ciε,其中ciε为局部区域近似灰度;步骤3:根据步骤2得到的描述局部区域特征的量L(x)计算描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域的差分特征d(x),其中d(x)=(I(x)-L(x))2=(I(x)-Bε(x)ciε)2,I(x)表示原始图像,根据演化曲线的特点将d(x)分成两部分,曲线内部din(x)和曲线外部dout(x),其中din(x)=(I(x)-Lin(x))2,Lin(x)表示L(x)在演化曲线内部的分量,dout(x)=(I(x)-Lout(x))2,Lout(x)表示L(x)在演化曲线外部的分量,差分特征d(x)表示原始图像I(x)和局部特征L(x)的相似程度;步骤4:根据步骤3得到的局部区域差分特征d(x)计算多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的多尺度高通滤波器的最大响应M:M=max(d(x)),即M=max((I(x)-L(x))2)=max((I(x)-Bε(x)ciε)2),其中M分成两部分,演化曲线内部Min和...

【专利技术属性】
技术研发人员:李海潘倩倩
申请(专利权)人:中国科学院合肥物质科学研究院
类型:发明
国别省市:安徽;34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1