一种基于多统计信息的变分分割方法技术

本发明专利技术公开了一种基于多统计信息的变分分割方法，该方法包括以下步骤：S1，将目标二值图对齐到基准的二值图上；S2，获取对齐后图像的形状矩阵M＝{φ1,φ2,…,φn}，进行主成分分析，得到分析形状模式变化量；S3，利用主成分分析结果对手动分割二值图进行形状表达；S4，在手动分割二值图上计算平均累积分布函数；S5，选取相邻手动分割二值图，计算局部统计信息拟合能量和全局统计信息拟合能量；S6，根据S4和S5中获得的数据，分割图像；S7，执行步骤S3～S6，直至所有手动分割二值图选取完为止。本发明专利技术有效地将图像中的目标和背景分离，得到分割图像，降低了图像欠分割、过分割和溢出等现象，并且计算冗余量低，保证图像分割的质量。

A variational segmentation method based on multiple statistical information

The invention discloses a variational segmentation method based on multiple statistical information. The method comprises the following steps: S1, aligning the target two value map to the two value map of the benchmark, and S2, obtaining the shape matrix M of the aligned image = M, {1. Phi, n}, principal component analysis, analysis of shape variation pattern; S3, using principal component analysis results of manual segmentation two value image shape expression; S4, the manual segmentation two value calculation of average cumulative distribution function on the map; S5, select the adjacent manual segmentation two value image and calculate the local statistics fitting energy and the global statistical information fitting energy; S6 image segmentation according to the obtained S4 and S5 data; S7, step S3 ~ S6, until all the manual segmentation two value image selected. The invention effectively separations the target and the background in the image, and obtains the segmented image, which reduces the phenomenon of image segmentation, over segmentation and overflow, and has low computation redundancy and ensures the quality of image segmentation.

【技术实现步骤摘要】
一种基于多统计信息的变分分割方法
本专利技术涉及一种医学图像处理
，特别是涉及一种基于多统计信息的变分分割方法。
技术介绍
医学图像分割是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础。使用计算机技术进行器官分割，三维可视化，使得医生能够制定出更加细致和合理的手术计划，因而具有重要的临床使用价值。所谓图像分割就是根据某种均匀性(或一致性)的原则将图像分成若干个有意义的部分,使得每部分都符合某种一致性的要求。经过多年的发展，研究专家们提出了较多的器官提取方法，主要方法有区域生长方法、基于边缘的方法、基于几何和图模型的、基于阈值的方法以及混合方法。由于器官CT图像存在边缘模糊、噪声大、灰度分布不均匀等特点,一般分割算法效果不甚理想.水平集方法是当今图像分割领域一种非常流行和被广泛应用的算法。它的基本思想是建立模型的能量函数,在模型内部控制力和外部图像力的共同作用下使曲线或曲面演化,并使该能量函数最小化,从而收敛到待分割区域的边缘。这样,图像数据、初始形状和目标轮廓就可以统一于一致的数学模型中。水平集方法的迭代演化过程不依赖具体参数,演化曲线或曲面可以隐式地表达为高维函数的零水平集,因此可以自动处理感兴趣区域的拓扑结构变化。但是水平集方法也有其缺点,经常出现欠分割、过分割和溢出现象是本领域技术人员亟须解决技术问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于多统计信息的变分分割方法。为了实现本专利技术的上述目的，本专利技术提供了一种基于多统计信息的变分分割方法，该方法包括以下步骤：S1，获取目标切片图并转换为目标二值图，将目标二值图对齐到基准的二值图上；S2，获取对齐后图像的形状矩阵M＝{φ1,φ2,…,φn}，进行主成分分析，得到分析形状模式变化量，所述n为目标二值图的个数；S3，选取待分割目标切片图，手动分割该待分割目标切片图的目标，得到手动分割二值图，利用主成分分析结果对该手动分割二值图进行形状表达；S4，在手动分割二值图上计算平均累积分布函数；S5，选取相邻手动分割二值图，计算局部统计信息拟合能量和全局统计信息拟合能量；S6，根据S4和S5中获得的数据，分割图像；S7，将相邻手动分割二值图作为手动分割二值图，选取下一相邻手动分割二值图作为相邻手动分割二值图；执行步骤S3～S6，直至所有手动分割二值图选取完为止。在本专利技术的一种优选实施方式中，在步骤S1中，对齐方法为：设I0(x,y)是基准的二值图，图像区域用Ω表示，φi(x,y)是第i个二值图的符号距离函数，表示图像轮廓；当区域重合度最大时对齐轮廓，即通过最小化如下能量函数得到：F(c1,c2,XT)＝∫Ω[(I0(x,y)-c1)2H(φi(XT))+(I0(x,y)-c2)2(1-H(φi(XT)))]dxdy，c1表示逼近目标区域Ω1的平均灰度，c2表示逼近背景区域Ω2的平均灰度，分割区域Ω1和Ω2满足Ω＝Ω1∪Ω2且H是Heaviside函数；XT是刚性变换，其参数向量为{sx,sy,θ,tx,ty}，即水平和垂直方向的尺度参数sx、sy和平移参数tx、ty以及旋转参数θ；定义尺度变换矩阵Rs、旋转矩阵Rθ和空间变换向量T，形状的刚性变换矩阵形式：即空间变换的水平集函数写为：φi(XT)＝φi(sx(xcosθ+ysinθ)+tx,sy(-xsinθ+ycosθ)+ty)，利用梯度下降法，将一个形状对齐到基准的二值图上。在本专利技术的一种优选实施方式中，在步骤S2中，主成分分析方法为：设M＝{φ1,φ2,…,φn}是对齐的形状矩阵，通过求其协方差矩阵，得到形状空间的主要变化量和其变化主方向，即特征值Λ＝{λ1,λ2,…λn}(λ1≥λ2≥…≥λn)和特征向量U＝{u1,u2,…un}，通过前p个主要变化量，表示形状空间的任何一个变化形态：α＝{α1,α2,…,αp}称为形状系数向量，p为不大于n的正整数，为平均形状。在本专利技术的一种优选实施方式中，在步骤S3中，二值图的形状表达为：c+表示目标区域Ω1的灰度值，c-表示背景区域Ω2的灰度值，Ω表示图像区域,满足Ω＝Ω1∪Ω2且J(x)表示手动分割二值切片图像，H是Heaviside函数，表示经过刚性变换的平均形状，ui(XT)表示经过刚性变换的特征向量；利用梯度下降法求解K(α,XT)的α和XT的最优解。在本专利技术的一种优选实施方式中，在步骤S4中，平均累积分布函数计算方法为：首先基于每个像素(x,y)邻域N(x,y)，构建局部统计特征f(x,y)，该局部统计特征f(x,y)通过邻域灰度中值MED(x,y)，四分位距IQR(x,y)和平均绝对离差MAD(x,y)计算得到：f(x,y)＝MED(x,y)+τ1IQR(x,y)+τ2MAD(x,y)，τ1、τ2是非负局部统计特征的权重参数；其次在局部统计特征f(x,y)上计算局部累积分布函数Fx,y(l)：z是体素；l∈[0,L]，L是对应图像的灰度级，||表示集合中像素的个数；再次在选取的单张目标区域的指定区域Ωs上计算目标在该区域内的平均累积分布函数G(l)：Ωs∈Ω1，Ω1表示目标区域，Ω2表示背景区域，满足Ω＝Ω1∪Ω2且平均累积分布函数可以充分统计指定区域Ωs器官的灰度特性。有助于后续局部增强统计特征的计算，抑制图像噪声，从而起着增强图像的作用。在本专利技术的一种优选实施方式中，在步骤S5中，局部统计信息拟合能量的计算方法为：计算每个像素的Fx,y(l)与G(l)之间的Wasserstein距离W(Fx,y,G)，得到局部增强统计特征F(x,y)：L是对应图像的灰度级，Fx,y(l)是局部累计分布函数，G(l)是平均累积分布函数，||||表示L2范数，基于局部增强统计特征，构造利用局部统计信息的拟合能量：f1为目标区域Ω1的代表性特征，f2为背景区域Ω2的代表性特征，满足Ω＝Ω1∪Ω2且v1为目标区域Ω1的局部能量权重参数，v2为背景区域Ω2的局部能量权重参数。局部统计信息有利于更好地边缘表达。在本专利技术的一种优选实施方式中，在步骤S5中，全局统计信息拟合能量计算方法为：假设将图像I(x,y)分为2个区域，通过高斯分布函数和最大似然估计，构造基于全局统计信息的拟合能量：λ1表示目标区域Ω1的全局能量的权重参数，λ2表示背景区域Ω2的全局能量的权重参数，满足Ω＝Ω1∪Ω2且A1表示目标区域Ω1的像素个数，A2表示背景区域Ω2的像素个数，I(x,y)为原始待分割图像。图像的全局统计信息有利于目标地整体提取。在本专利技术的一种优选实施方式中，在步骤S6中，分割图像的计算方法为：w1是平衡全局拟合能量的权重参数，w2是平衡局拟合能量的权重参数；采用梯度下降法求解关于f1，f2,α和XT的最优值，综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术有效地将图像中的目标和背景分离，得到分割图像，降低了图像欠分割、过分割和溢出等现象，并且计算冗余量低，保证图像分割的质量，在人体器官的相关数字医学研究中有着重要的理论和实际意义。附图说明图1是本专利技术流程示意框图。图2中(a)(b)(c)是本专利技术以肝脏为例，利用区域重合度最大方法对齐的轮廓结果示意图。图3中(a)(b)是本专利技术以肝脏为例，目标区域高斯全本文档来自技高网...

【技术保护点】
一种基于多统计信息的变分分割方法，其特征在于，包括以下步骤：S1，获取目标切片图并转换为目标二值图，将目标二值图对齐到基准的二值图上；S2，获取对齐后图像的形状矩阵M＝{φ1,φ2,…,φn}，进行主成分分析，得到分析形状模式变化量，所述n为目标二值图的个数；S3，选取待分割目标切片图，手动分割该待分割目标切片图的目标，得到手动分割二值图，利用主成分分析结果对该手动分割二值图进行形状表达；S4，在手动分割二值图上计算平均累积分布函数；S5，选取相邻手动分割二值图，计算局部统计信息拟合能量和全局统计信息拟合能量；S6，根据S4和S5中获得的数据，分割图像；S7，将相邻手动分割二值图作为手动分割二值图，选取下一相邻手动分割二值图作为相邻手动分割二值图；执行步骤S3～S6，直至所有手动分割二值图选取完为止。

【技术特征摘要】
1.一种基于多统计信息的变分分割方法，其特征在于，包括以下步骤：S1，获取目标切片图并转换为目标二值图，将目标二值图对齐到基准的二值图上；S2，获取对齐后图像的形状矩阵M＝{φ1,φ2,…,φn}，进行主成分分析，得到分析形状模式变化量，所述n为目标二值图的个数；S3，选取待分割目标切片图，手动分割该待分割目标切片图的目标，得到手动分割二值图，利用主成分分析结果对该手动分割二值图进行形状表达；S4，在手动分割二值图上计算平均累积分布函数；S5，选取相邻手动分割二值图，计算局部统计信息拟合能量和全局统计信息拟合能量；S6，根据S4和S5中获得的数据，分割图像；S7，将相邻手动分割二值图作为手动分割二值图，选取下一相邻手动分割二值图作为相邻手动分割二值图；执行步骤S3～S6，直至所有手动分割二值图选取完为止。2.根据权利要求1所述的基于多统计信息的变分分割方法，其特征在于，在步骤S1中，对齐方法为：设I0(x,y)是基准的二值图，图像区域用Ω表示，φi(x,y)是第i个二值图的符号距离函数，表示图像轮廓；当区域重合度最大时对齐轮廓，即通过最小化如下能量函数得到：F(c1,c2,XT)＝∫Ω[(I0(x,y)-c1)2H(φi(XT))+(I0(x,y)-c2)2(1-H(φi(XT)))]dxdy，c1表示逼近目标区域Ω1的平均灰度，c2表示逼近背景区域Ω2的平均灰度，分割区域Ω1和Ω2满足且H是Heaviside函数；XT是刚性变换，其参数向量为{sx,sy,θ,tx,ty}，即水平和垂直方向的尺度参数sx、sy和平移参数tx、ty以及旋转参数θ；定义尺度变换矩阵Rs、旋转矩阵Rθ和空间变换向量T，形状的刚性变换矩阵形式：即空间变换的水平集函数写为：φi(XT)＝φi(sx(xcosθ+ysinθ)+tx,sy(-xsinθ+ycosθ)+ty)，利用梯度下降法，将一个形状对齐到基准的二值图上。3.根据权利要求1所述的基于多统计信息的变分分割方法，其特征在于，在步骤S2中，主成分分析方法为：设M＝{φ1,φ2,…,φn}是对齐的形状矩阵，通过求其协方差矩阵，得到形状空间的主要变化量和其变化主方向，即特征值Λ＝{λ1,λ2,…λn}(λ1≥λ2≥…≥λn)和特征向量U＝{u1,u2,…un}，通过前p个主要变化量，表示形状空间的任何一个变化形态：α＝{α1,α2,…,αp}称为形状系数向量，p为不大于n的正整数，为平均形状。4.根据权利要求1所述的基于多统计信息的变分分割方法，其特征在于，在步骤S3中，二值图的形状表达为：1c+表示目标区域Ω1的灰度值，c-表示背景区域Ω2的灰度值，Ω表示图像区域,满足且J(x,y)表示手动分割二值切片图像，H是Heaviside函数，表示经过刚性变换的平均形状，ui(XT)表示经过刚性变换的特征向量；利用梯度下降法求解K(α,XT)的α和XT的最优解。5.根据权利要求1所述的基于多统计信息的变分分割方法，其特征在于，在步骤S4中，平均累积分布函数计算方法为：首先基于每个像素(x,y)邻域N(x,y)，构建局部统计特征f(x,y)，该局部统计特征f(x,y)通过邻域灰度中值MED(x,y)，四分位距IQR(x,y)和平均绝对离差MAD(x,y)计算得到：f(x,y)＝MED(x,y)+τ1IQR(x,y)+τ2MAD(x,y)，τ1、τ2是非负局部统计特征的权重参数；其次在局部统计...

【专利技术属性】
技术研发人员：谢姿，郭李云，伍亚军，
申请(专利权)人：深圳市旭东数字医学影像技术有限公司，
类型：发明
国别省市：广东,44