The invention discloses a medical image segmentation method based on improved fuzzy connectivity and a plurality of sub-points: 1) pre-processing, making the region to be segmented clearer by the correlation operation of black hat and white hat in the image concept; 2) multiple sub-points input, allowing manual selection of one or more seed points to obtain the initial seed point. Set, using the relevant information extracted by the initial seed point set and its surrounding pixels, a complete seed point set is obtained by using the joint region growing method; 3) Fuzzy connectivity is calculated, the target region information is extracted from the complete seed point set, and the fuzzy connectivity value is calculated for the whole image to obtain the fuzzy connectivity matrix; 4) Threshold score; Cut, according to the distribution of different fuzzy connectivity values of each pixel in the image, find the best threshold, and finally get the target area. The proposed method effectively overcomes the problems of weak representation of selected regions manually and incomplete segmentation in the presence of multiple non-adjacent target regions.
【技术实现步骤摘要】
基于改进模糊连接度及多种子点的医学图像分割方法
本专利技术涉及图像处理
,具体涉及一种基于改进模糊连接度及多种子点的医学图像分割方法。
技术介绍
图像分割是图像处理过程的第一步,也是最关键的步骤之一,其效果的好坏直接决定了后续工作的最终质量。近年来,图像分割领域的成果层出不穷,涌现出了一批有效的算法,如阈值分割、区域增长、聚类、神经网络等。在医学图像处理领域,图像分割更是不可或缺的一部分,但是由于人体构造以及各种人为和机器因素的影响,医学图像不可避免地有着模糊和不均匀的特点。近年来,研究人员提出了许多方法来实现分割。模糊连接度算法是一种基于区域的分割方法,最初由Udupa提出,其构建了模糊连接度和相对模糊连接度的概念以及模糊链接理论的框架,并进行了改进和扩充。这些工作奠定了模糊连接度的理论基础,并且在医学图像的分割中取得了很好的效果。在模糊连接度框架的基础上,众多学者提出了自己的改进方法。从众多成果来看,改进主要是从以下两个方面入手:第一,是从模糊连接度本身的计算方法来着手进行优化。Ciesielski等人提出了一个关于模糊连接度的优化的计算方法,并应用到了医学图像的分割方面,且在之后针对之前的算法只能应用于单目标区域的不足,提出了改进的针对多目标的算法,即应用多种子点来进行计算。潘建江等人通过对算法中的不足进行分析,指明了使用原生的模糊连接度计算方法会导致对于渐变区域分割效果不好的问题,并提出了一种改进的方法,但是算法基于单种子点,对于目标区域的代表性不足,而且在遇到目标区域为细长条的情况时会导致目标区域的分割不完整的问题。第二,是进行算法的扩展, ...
【技术保护点】
1.一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,所述方法包括以下步骤:S1、图像的预处理,通过进行图像学概念中有关黑帽和白帽的相关运算,使得待分割区域更为清晰,并为之后的处理步骤打好基础;S2、多种子点输入,允许用户通过手工选取一个或多个种子点,从而获取初始种子点集,接着,利用初始种子点集及其周围像素所提取的相关信息,采用联合区域增长的方法,得到完备种子点集;S3、模糊连接度计算,根据得到的完备种子点集,提取目标区域信息,对整幅图像进行模糊连接度值的计算,并最终得到表示每一像素点的模糊连接度大小的模糊连接度矩阵;S4、阈值分割,根据图像上每个像素点不同的模糊连接度值的分布情况,找到最佳阈值,并最终获取目标区域。
【技术特征摘要】
1.一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,所述方法包括以下步骤:S1、图像的预处理,通过进行图像学概念中有关黑帽和白帽的相关运算,使得待分割区域更为清晰,并为之后的处理步骤打好基础;S2、多种子点输入,允许用户通过手工选取一个或多个种子点,从而获取初始种子点集,接着,利用初始种子点集及其周围像素所提取的相关信息,采用联合区域增长的方法,得到完备种子点集;S3、模糊连接度计算,根据得到的完备种子点集,提取目标区域信息,对整幅图像进行模糊连接度值的计算,并最终得到表示每一像素点的模糊连接度大小的模糊连接度矩阵;S4、阈值分割,根据图像上每个像素点不同的模糊连接度值的分布情况,找到最佳阈值,并最终获取目标区域。2.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,所述步骤S1的具体过程为:假设Io表示原图像,SE表示用来计算的结构元素,Iw表示白帽运算结果,Ib表示黑帽运算结果,Ir表示图像的预处理结果,Iw和Ib的计算公式如下所示:Iw=Io-open(Io,SE)Ib=close(Io,SE)-Io在得到白帽和黑帽运算结果后,与原图像合并得到图像的预处理结果:Ir=Io+Iw-Ib。3.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,所述步骤S2的具体过程为:首先,选取一个或多个种子点,选取的种子点连续或者分离,并将其加入到初始种子点集中,根据所有初始种子点周围一定范围内的像素集,即初始种子像素集计算出其相应的平均灰度值μ和标准差α,并将此初始种子像素集的邻域中与此初始种子像素集具有相同或相似性质的像素合并到初始种子像素集所在的区域中,将得到的新的像素集当作新的初始种子像素集,更新平均灰度值μ和标准差α,重复进行上面的过程,直到再没有满足条件的像素能够被添加进来,得到完备种子点集。4.根据权利要求3所述的一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,所述与此初始种子像素集具有相同或相似性质的像素指:该像素的灰度值在[μ-lα,μ+lα]范围内,l为相对系数。5.根据权利要求1所述的一种基于改进模糊连接度及多种子点的医学图像分割方法,其特征在于,步骤S3中所述模糊连接度值的计算具体如下:首先定义模糊空间元素的亲和度概念,定义任意两像素间的模糊亲和度函数计算公式如下:μκ(c,d)=μα(c,d)[ω1h1(f(c),f(d))+ω2h2(f(c),f(d)...
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。