基于医学组织器官自身特性的模糊聚类医学图像分割方法技术

本发明专利技术公开了一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，属于图像处理技术领域。所述方法包括：提取给定医学图像的灰度特征，得到医学图像的特征信息集；基于滤波技术对医学图像进行预处理；计算滤波后医学图像的特征直方图；对医学图像中的医学组织器官进行预分割；对医学组织器官的聚类中心和像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；通过迭代过程对能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；输出最终的医学图像分割结果。本发明专利技术既能较好地实现医学图像的分割，又能提高分割算法的运行效率。

Fuzzy clustering medical image segmentation method based on the characteristics of medical tissues and organs

The invention discloses a fuzzy clustering medical image segmentation method based on the characteristics of medical tissues and organs, belonging to the technical field of image processing. The method includes: extracting gray feature given medical images, get the characteristic information of medical image sets; filtering technology to preprocess the medical image based on histogram calculation; image filtering; pre segmentation of medical images in medical organs; membership medical organs of clustering center and pixel initialize the energy function of medical image segmentation based on the definition of the energy function is minimized; through the iterative process in the iterative process, the results of the current segmentation is modified, and based on the modified segmentation results to update membership clustering centers on the medical organ and the medical image pixel output; the final segmentation result. The invention not only can realize the segmentation of medical image, but also can improve the operation efficiency of the segmentation algorithm.

【技术实现步骤摘要】
基于医学组织器官自身特性的模糊聚类医学图像分割方法
本专利技术涉及图像处理
，特别是指一种基于医学组织器官自身特性的模糊聚类医学图像分割方法。
技术介绍
医疗影像仪器为医疗诊断提供了丰富的图像信息。有效利用这些医学图像信息，可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应医学组织器官进行动态模拟并分析病变部位的结构和发生过程，提高疾病诊断的准确性。利用医学图像提供的信息时，首先要做的工作是对医学图像进行分割，将医学图像分割为不同的医学组织或器官，通过分析不同医学组织器官的形状、灰度等特性，对医生辅助诊断、治疗提供必要的帮助。在医学图像中，存在难以处理的部分容积效应现象(partialvolumeeffect，PVE)和强度不一致现象(intensityinhomogeneity，IIH)，这主要是由医学图像的成像原理组成的。为了确定病灶位置的需要，医生需要从不同的方向观察不同位置的医学图像切片。形成的医学图像中，每一个像素的灰度值是其邻域中多个像素灰度值的共同反映，往往涉及多个组织或器官。因而，在传统的基于K-means的医学图像分割中，直接把某一个像素分类到某一特定的医学组织器官，无法取得较好的分割效果。同时，由于部分容积效应现象的存在，使隶属于同一医学组织器官的像素灰度特征不同，即强度不一致现象。目前有效处理这两种现象的图像分割方法是模糊C-均值方法(fuzzyC-means，FCM)。在基于FCM方法的医学图像分割中，像素以不同的隶属度同时隶属于多个医学组织器官，从而可以在分割过程中从原医学图像保留尽可能多的信息，因而FCM方法可以取得较好的分割效果。FCM方法是通过最小化像素与聚类中心的加权距离函数实现医学图像分割，其中加权距离函数定义为：其中C是预定义的医学组织器官的数目，n是医学图像中像素的数目，uij是第j个像素隶属于第i个医学组织器官的隶属度，m＞1是模糊因子，dij＝|xj-vi|是像素与聚类中心之间的欧氏距离，vi是第i个聚类中心。同时，像素的隶属度uij需要满足约束条件最小化(10)式的目标函数通常采用拉格朗日算子法。传统的FCM方法应用于医学图像分割时存在两个明显的缺点：(1)分割结果受初始化聚类中心的影响，随机化的聚类中心初始化容易使加权距离函数陷入局部最小值，无法取得理想的分割结果；(2)聚类中心的计算涉及图像中的所有像素，当应用到医学图像分割时，某一医学组织器官的强度由医学图像中所有像素来决定，这显然是不合理的，同时由于所有像素参与计算，也降低了分割算法的运行效率。
技术实现思路
本专利技术提供一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，其既能较好地实现医学图像的分割，又能提高分割算法的运行效率。为解决上述技术问题，本专利技术提供技术方案如下：一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，包括：步骤1：提取给定医学图像的灰度特征，得到医学图像的特征信息集；步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；步骤4：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；步骤8：输出最终的医学图像分割结果。本专利技术具有以下有益效果：本专利技术的基于医学组织器官自身特性的模糊聚类医学图像分割方法，首先提取医学图像中像素的灰度特征，基于滤波技术对给定医学图像进行预处理，计算滤波后医学图像的特征直方图，基于特征直方图对医学图像进行预分割，将医学图像粗略分割为相应的医学组织器官。基于粗略的分割，对医学组织器官隶属的聚类中心初始化，并定义相应的能量函数。在能量函数最小化的过程中，更新当前分割的医学组织器官，在能量函数最小化后，最终实现医学图像的分割。本专利技术在医学图像的分割过程中仅利用医学组织器官的自身特性，具体地，医学组织器官的聚类中心由隶属于该组织器官的像素决定，与其他器官组织无关；在计算聚类中心和能量函数的过程中，只考虑与相应的医学组织器官相关的像素，减少了计算量，可以从一定程度上提高算法的效率；本专利技术的医学图像分割方法可以较好地适用于灰度图像的分割。附图说明图1为本专利技术的基于医学组织器官自身特性的模糊聚类医学图像分割方法的流程示意图；图2为本专利技术的基于医学组织器官自身特性的模糊聚类医学图像分割方法的原理示意图；图3为本专利技术应用于医学图像的分割结果；图4为本专利技术应用于灰度图像的分割结果。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基于医学组织器官自身特性的模糊聚类医学图像分割方法，如图1-图4所示，包括：步骤1：提取给定医学图像的灰度特征，得到医学图像的特征信息集；本步骤中，特征信息集为：X＝{x1，x2，...，xn}，xi＝{xi1，xi2，...，xis}(1)其中，X是给定医学图像的特征信息集，xi为医学图像的像素点，n为医学图像中像素点的个数，s为像素点xi的维数。本步骤提取像素的灰度特征，为后续的医学图像分割做好准备工作。步骤2：利用医学图像的特征信息和邻域信息，基于滤波技术对医学图像进行预处理；优选的，本步骤中，利用公式(2)对给定医学图像进行处理：其中Nj代表第j个元素的邻域像素组成的集合，NR代表集合Nj的势，α是像素与邻域像素之间的平衡因子，xj和x′j分别代表滤波前后第j个像素的灰度特征值，xr代表Nj中第r个像素的灰度特征值。本专利技术中，基于此方法对给定医学图像进行处理，可以有效提高算法的鲁棒性。步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；本步骤中，计算出滤波后医学图像的特征直方图(表示为fh)，可以极大地提高算法的运行效率。为了有效提高算法的效率，减少参与运算的像素数目，本专利技术方法采取了预分割策略。为了有效避免阈值分割为获取阈值而采取的反复迭代，本专利技术方法采取了如下的处理策略，如步骤4和步骤5：步骤4：基于滤波后医学图像的特征直方图，对医学图像中的医学组织器官进行预分割；进一步的，本步骤包括：步骤41：分以下三种情况计算出图像特征直方图上的极大值的集合LM：如果fh(0)＞fh(1)，则0∈LM；如果fh(i)＞fh(i-1)且fh(i)＞fh(i+1)，则i∈LM，其中0＜i＜255；如果fh(255)＞fh(254)，则255∈LM；步骤42：按公式(3)计算LM中每一个极大值关联的像素数：其中||·||表示集合的势；步骤43：从LM中删除具有最小g(i)值的极大值i，如果LM中极大值的数目大于C，则利用公式(3)计算剩余极大值关联的像素数，重复本步骤，如果LM中极大值的数目等于C，则执行下一步骤；步骤44：基于剩余的C个极大值，以相邻两个极大值之间本文档来自技高网...

【技术保护点】
一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，包括：步骤1：提取给定医学图像的灰度特征，得到医学图像的特征信息集；步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；步骤4：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；步骤8：输出最终的医学图像分割结果。

【技术特征摘要】
1.一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，包括：步骤1：提取给定医学图像的灰度特征，得到医学图像的特征信息集；步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；步骤4：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；步骤8：输出最终的医学图像分割结果。2.根据权利要求1所述的基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，所述步骤1中，所述特征信息集为：X＝{x1，x2，...，xn}，xi＝{xi1，xi2，...，xis}(1)其中，X是给定医学图像的特征信息集，xi为医学图像的像素点，n为医学图像中像素点的个数，s为像素点xi的维数。3.根据权利要求2所述的基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，所述步骤2中，利用公式(2)对所述给定医学图像进行处理：其中Nj代表第j个元素的邻域像素组成的集合，NR代表集合Nj的势，α是像素与邻域像素之间的平衡因子，xj和x′j分别代表滤波前后第j个像素的灰度特征值，xr代表Nj中第r个像素的灰度特征值。4.根据权利要求3所述的基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，所述步骤3中，特征直方图为fh；所述步骤4包括：步骤41：分以下三种情况计算出图像特征直方图上的极大值的集合LM：如果fh(0)＞fh(1)，则0∈LM；如果fh(i)＞fh(i-1)且fh(i)＞fh(i+1)，则i∈LM，其中0＜i＜255；如果fh(255)＞fh(254)，则255∈LM；步骤42：按公式(3)计算LM中每一个极大值关联的像素数：其中||·||表示集合的势；步骤43：从LM中删除具...

【专利技术属性】
技术研发人员：唐新亭，张小峰，孙玉娟，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东,37