概率密度加权测地距离的脑部MR图像分割方法技术

本发明专利技术公开了一种概率密度加权测地距离的脑部MR图像分割方法，属于图像处理技术领域。包括：读入若干幅模拟脑数据库图像，进行直方图统计，得出最集中分布区间的样本值；利用得到的样本值作为先验知识对选取的待处理图像上的每个像素点进行概率密度估计；基于概率密度函数对待处理图像进行超像素分割；对分割后的超像素进行扫描，筛选出不符合标准的超像素进行分裂，用FCM算法将超像素内所有像素再次聚为两类，根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新超像素分类结果矩阵；用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。本发明专利技术提高了超像素分割以及脑部组织分割的准确度。

Brain MR image segmentation method based on probability density weighted geodesic distance

The invention discloses a brain MR image segmentation method based on probability density weighted distance measurement, belonging to the technical field of image processing. Including: read a plurality of simulated brain database image, histogram statistics, the most concentrated distribution of the sample value; by using the sample values as a priori knowledge of the selected for each pixel of image processing on the probability density estimation; probability density function of the processed image super pixel segmentation based on the segmented; super pixel scan, selected super pixel division does not meet the standards, the super pixels of all pixels again clustered into two groups using the FCM algorithm, according to the classification results for each connected region, and connected pixels within the region as a kind of new, updated super pixel classification results using FCM algorithm of matrix; based on the updated all pixels on the cluster, to obtain images of brain tissue segmentation results. The invention improves the segmentation accuracy of super pixel segmentation and brain tissue segmentation.

【技术实现步骤摘要】
概率密度加权测地距离的脑部MR图像分割方法
本专利技术涉及图像处理
，特别是指一种概率密度加权测地距离的脑部MR图像分割方法。
技术介绍
图像分割是图像处理、图像分析和计算机视觉等领域最经典的研究课题之一，也是最大的难点之一，图像分割技术在许多医学图像应用中扮演着关键角色，也是图像中各种组织和器官的病理进一步分析的基础，通过利用图像分割，把图像中更感兴趣的区域提取出来，为临床诊断和治疗等提供依据，且大脑是人体的重要器官，因此研究脑部区域的分割技术对于脑部三维重建、神经环路的研究以及临床脑部疾病的诊断均有着重要意义。超像素分割是一种图像过分割算法，可以作为一些图像应用中的预处理工作，例如分割、显著性检测、人脸识别等。超像素可以捕获图像中的冗余，大大减少后续图像处理任务的复杂性。现有的一种有效的超像素分割方法是基于测地距离(GeodesicDistance)的超像素，用测地距离而不是欧式距离度量像素点之间的相似度，对于自然图像来说分割效果不错，但对于脑部MR(MagneticResonance，简称MR)图像，该方法并不能准确地分出每一个细小的脑部组织区域超像素块。模糊C均值聚类算法(FuzzyC-Means，简称FCM)是应用最为广泛的模糊聚类图像分割算法。相对于其他分割方法，FCM能够保留初始图像的更多的信息。然而，传统的FCM算法在图像分割中未能考虑各个点的灰度特征及其邻域像素的关联程度，导致了该算法对于噪声和灰度不均匀比较敏感，针对上述问题，现已提出了许多改进的FCM算法，尽管改进的方法在抗噪或者效率等方面有一定程度的提高，但由于大脑图像的高复杂性，仍不能取得令人满意的分割结果，因此采用传统的单一方法分割不能满足实际要求。
技术实现思路
本专利技术提供一种概率密度加权测地距离的脑部MR图像分割方法，其提高了超像素分割以及脑部组织分割的准确度。为解决上述技术问题，本专利技术提供技术方案如下：一种概率密度加权测地距离的脑部MR图像分割方法，包括：步骤1：读入若干幅模拟脑数据库图像，对其进行直方图统计，得出白质、灰质或者脑脊液最集中分布区间的样本值；步骤2：从所述模拟脑数据库图像中随机选取一幅图像作为待处理图像，利用得到的所述最集中分布区间的样本值作为先验知识对待处理图像上的每个像素点进行概率密度估计，得到概率密度函数；步骤3：基于得到的所述概率密度函数对待处理图像进行超像素分割，并记录下超像素分类结果矩阵；步骤4：对分割后的超像素进行扫描，根据超像素颜色标准差筛选出不符合标准的超像素进行分裂，分裂时，用FCM算法将超像素内所有像素再次聚为两类，之后根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新所述超像素分类结果矩阵；步骤5：依据更新后的超像素分类结果矩阵，用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。本专利技术具有以下有益效果：本专利技术的概率密度加权测地距离的脑部MR图像分割方法，首先将直方图统计得出的样本值作为先验值对图像上的每个像素点进行概率密度估计，然后用基于概率密度加权测地距离的超像素方法对图像进行超像素分割，接着扫描超像素筛选出不符合标准的超像素进行分裂，利用超像素内部特征进行局部分裂优化，分裂完成后更新超像素分类结果矩阵，最后用FCM算法基于已分割的超像素基础上再进行聚类，完成脑部图像的分割。该方法至少具有如下优点：(1)设计新的权重影响因子来定义测地距离，融入了概率密度函数，使脑部不同组织之间对比更加明显，梯度计算更加合理；(2)增加局部分割后处理的过程，对超像素进行局部分裂，将像素点更准确地归类，进一步提高了超像素分割的准确度，即使用最简单最传统的FCM进行最后的聚类，结果仍然很好；(3)将基于概率密度加权测地距离的超像素分割技术、FCM等方法联系起来，在超像素的基础上得到脑部组织分割结果。附图说明图1为本专利技术的概率密度加权测地距离的脑部MR图像分割方法的流程示意图；图2为本专利技术的概率密度加权测地距离的脑部MR图像分割方法的原理示意图；图3为本专利技术的概率密度加权测地距离的脑部MR图像分割方法中步骤3的流程示意图；图4为本专利技术的概率密度加权测地距离的脑部MR图像分割方法的具体流程示意图；图5(a)：为本专利技术的待处理图像：合成脑部MR示例图像；图5(b)：为本专利技术的对应于图5(a)合成脑部MR示例图像的超像素分割图；图5(c)：为依据本专利技术实现的脑部MR示例图像最终的白质、灰质、脑脊液等区域的分割结果图；图6(a)：为本专利技术的待处理图像：真实脑部MR示例图像；图6(b)：为本专利技术的对应于图6(a)真实脑部MR示例图像的超像素分割图；图6(c)：为依据本专利技术实现的脑部MR示例图像最终的白质、灰质、脑脊液等区域的分割结果图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术提供一种概率密度加权测地距离的脑部MR图像分割方法，如图1-6所示，包括：步骤1：读入若干幅模拟脑数据库图像，对其进行直方图统计，得出白质、灰质或者脑脊液最集中分布区间的样本值；本步骤中，读入的模拟脑数据库图像为bmp格式的合成脑部MR图像，读入其灰度值。步骤2：从模拟脑数据库图像中随机选取一幅图像作为待处理图像，利用得到的最集中分布区间的样本值作为先验知识对待处理图像上的每个像素点进行概率密度估计，得到概率密度函数；步骤3：基于得到的概率密度函数对待处理图像进行超像素分割，并记录下超像素分类结果矩阵；步骤4：对分割后的超像素进行扫描，根据超像素颜色标准差筛选出不符合标准的超像素进行分裂，分裂时，用FCM算法将超像素内所有像素再次聚为两类，之后根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新超像素分类结果矩阵；步骤5：依据更新后的超像素分类结果矩阵，用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。本专利技术的概率密度加权测地距离的脑部MR图像分割方法，首先将直方图统计得出的样本值作为先验值对图像上的每个像素点进行概率密度估计，然后用基于概率密度加权测地距离的超像素方法对图像进行超像素分割，接着扫描超像素筛选出不符合标准的超像素进行分裂，利用超像素内部特征进行局部分裂优化，分裂完成后更新超像素分类结果矩阵，最后用FCM算法基于已分割的超像素基础上再进行聚类，完成脑部图像的分割。该方法至少具有如下优点：(1)设计新的权重影响因子来定义测地距离，融入了概率密度函数，使脑部不同组织之间对比更加明显，梯度计算更加合理；(2)增加局部分割后处理的过程，对超像素进行局部分裂，将像素点更准确地归类，进一步提高了超像素分割的准确度，即使用最简单最传统的FCM进行最后的聚类，结果仍然很好；(3)将基于概率密度加权测地距离的超像素分割技术、FCM等方法联系起来，在超像素的基础上得到脑部组织分割结果。优选的，步骤1进一步为：读入若干幅模拟脑部MR(从BrainWeb数据库中获取)图像，先对其用K-means算法进行初始分类，然后将灰度值归一化后分成N个区间，对其白质、灰质或者脑脊液的灰度值范围进行统计，统计出白质、灰质或者脑脊液最集中分布的K个区间，在此K个区间中，每个区间选取m个灰度值作本文档来自技高网...

【技术保护点】
一种概率密度加权测地距离的脑部MR图像分割方法，其特征在于，包括：步骤1：读入若干幅模拟脑数据库图像，对其进行直方图统计，得出白质、灰质或者脑脊液最集中分布区间的样本值；步骤2：从所述模拟脑数据库图像中随机选取一幅图像作为待处理图像，利用得到的所述最集中分布区间的样本值作为先验知识对待处理图像上的每个像素点进行概率密度估计，得到概率密度函数；步骤3：基于得到的所述概率密度函数对待处理图像进行超像素分割，并记录下超像素分类结果矩阵；步骤4：对分割后的超像素进行扫描，根据超像素颜色标准差筛选出不符合标准的超像素进行分裂，分裂时，用FCM算法将超像素内所有像素再次聚为两类，之后根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新所述超像素分类结果矩阵；步骤5：依据更新后的超像素分类结果矩阵，用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。

【技术特征摘要】
1.一种概率密度加权测地距离的脑部MR图像分割方法，其特征在于，包括：步骤1：读入若干幅模拟脑数据库图像，对其进行直方图统计，得出白质、灰质或者脑脊液最集中分布区间的样本值；步骤2：从所述模拟脑数据库图像中随机选取一幅图像作为待处理图像，利用得到的所述最集中分布区间的样本值作为先验知识对待处理图像上的每个像素点进行概率密度估计，得到概率密度函数；步骤3：基于得到的所述概率密度函数对待处理图像进行超像素分割，并记录下超像素分类结果矩阵；步骤4：对分割后的超像素进行扫描，根据超像素颜色标准差筛选出不符合标准的超像素进行分裂，分裂时，用FCM算法将超像素内所有像素再次聚为两类，之后根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新所述超像素分类结果矩阵；步骤5：依据更新后的超像素分类结果矩阵，用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。2.根据权利要求1所述的概率密度加权测地距离的脑部MR图像分割方法，其特征在于，所述步骤1进一步为：读入若干幅模拟脑部MR图像，先对其用K-means算法进行初始分类，然后将灰度值归一化后分成N个区间，对其白质、灰质或者脑脊液的灰度值范围进行统计，统计出白质、灰质或者脑脊液最集中分布的K个区间，在此K个区间中，每个区间选取m个灰度值作为样本。3.根据权利要求2所述的概率密度加权测地距离的脑部MR图像分割方法，其特征在于，所述步骤2包括：步骤21：按照公式(1)分别计算出待处理图像中每个像素点的K个概率估计模型：其中，x是图像中每个像素点的灰度值，xi是第k(k＝1,2,...,K)个区间作为先验值的m个灰度值样本，h是带宽(控制参数)；步骤22：将得到的K个概率估计模型按公式(2)计算出混合概率密度函数，得到每个像素点的概率密度估计值，即每个像素点属于白质、灰质或者脑脊液的可能性：其中，p(k)为每个概率估计模型对数据点的影响因子，在0～1之间；步骤23：对得到的混合概率密度函数进行归一化，得到概率密度函数：其中，wmax和wmin是P(x)的最大值和最小值。4.根据权利要求3所述的概率密度加权测地距离的脑部MR图像分割方法，其特征在于，所述步骤3包括：步骤31：初始化种子点，先在图像上均匀分布n/2个种子点，然后用自适应六边形法插入其他种子点，用公式(4)计算每个种子点六边形的复杂度，找到复杂度最大的六边形，把它分成六个重叠的小六边形，在复杂度最大的小六边形里插入一个新的种子点，依次迭代，直到采样n个聚类中心，复杂度定义为：其中，Hi是种子点si的六边形区域，N是图像I的像素点数量，M是大括号中满足条件的像素点p的数量，α是控制参数，是图像上像素点p的梯度，Gσ是带有标准差σ的高斯函数，ω是一个调节参数，防止是零的情况；步骤32：扰乱种子点，将每个种子点移动到其局部3*3区域的最低梯度位置，并记录其X、Y坐标信息作为新的种子点；步骤33：用公式(5)计算基于概率密度的种子点敏感梯度：PSSG(si,G(t))＝||Sp(si,G(t))||(5)其中，Sp是测地路径上用sobel算子计算的Pw(x)的梯度；步骤34：采用FMM算法计算基于概率密度加权测地距离，并进行边界扩散，产生一系列具有相似属性的像素点组成超像素块；本步骤中，A：测地距离通过如下方法计算得到：从种子点si到任一个像素点p概率密度加权测地距离的一个描述为：从种子点si开始沿着一条最短的路径到达像素点p，路径上每点乘以一个权重函数W(si,G(t))的最小弧长积分，其定义为：

【专利技术属性】
技术研发人员：赵赟晶，周元峰，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37