一种面向双光子钙成像视频数据的自适应图像分割方法技术

本发明专利技术公开了一种面向双光子钙成像视频数据的自适应图像分割方法。从双光子钙成像视频中选取第k帧到第n帧构建训练样本；根据训练样本构建初始化的单模态背景模型；对上述单模态背景模型的持续实时更新；利用实时更新的单模态背景模型对实时输入的图像进行分割检测。本发明专利技术解决了缺少针对双光子钙成像视频数据特性而专门设计背景建模进而图像分割方法的问题，克服了一些现有方法无法适应与利用双光子钙成像视频数据特性的问题，有效保证了处理的准确性和运算效率。

【技术实现步骤摘要】
一种面向双光子钙成像视频数据的自适应图像分割方法
本专利技术涉及视频数据挖掘
的一种图像处理方法，尤其涉及一种面向双光子钙成像视频数据的自适应图像分割方法。
技术介绍
双光子钙成像视频通常具有高分辨率、高帧数、高数位深度的特性。以美国艾伦脑科学研究院开源提供的小鼠脑神经双光子钙成像视频为例，单个视频中总帧数超过10万帧，每帧图像分辨率为512×512像素点，视频的数据容量超过56GB。如此巨量的数据，再加上视频中记录的脑神经元数量大、活动规律复杂，根本无法采用人工方法进行数据挖掘，因此必须研究设计一套高效的自动化数据挖掘方案。自适应图像分割方法就是一种可用于双光子钙成像视频自动化数据挖掘的技术。通过对双光子钙成像视频数据样本进行学习，先构建出视频的背景模型，再通过比较指定图像帧与背景模型的差异，即可快速准确地分割出指定图像帧中所有的活跃性神经元，进而实现对神经元活动状态的全自动实时监测，特别是实现对神经元异常状态的检测。然而，专门针对双光子钙成像视频的数据特性而设计的自适应图像分割方法目前还较少。现有方法主要可以分为两大类。一类方法是来源于传统的针对单幅静态图像的图像分割方法，这种方法的问题在于：将具有时间连贯性的视频图像序列视为孤立无关的单幅图像进行处理，仅仅利用了单幅图像内部的空间信息，而完全丢失了视频图像序列的时间维度信息，因此无法充分挖掘并利用双光子钙成像视频中脑神经元的隐含动态性信息。另一类方法是来源于传统的智能视频监控领域的图像分割方法，这些方法的问题在于：缺少对双光子钙成像视频数据特性的适应与利用。仍以艾伦脑科学研究院的小鼠脑神经双光子钙成像视频为例，其视频数据均为16位深度(即像素值的值域为0～65535)，而目前所有智能视频监控领域的视频数据只有8位深度(即像素值的值域为0～255)。大多数基于8位数据深度的图像分割方法，要么根本无法处理16位深度数据，要么会出现运算性能坍塌问题。此外，智能视频图像分割方法中通常使用多模态背景模型框架，而上述双光子钙成像视频的背景模型均为单模态，如果强行使用多模态背景模型框架，不仅会造成显著的运算效率损失，还可能造成对活跃性神经元的检测灵敏度下降。综上所述，如果盲目移植了不匹配的自适应图像分割方法，不仅无法真正有效地实现对双光子钙成像视频的数据挖掘，而且严重的还会造成对实验结果的误判。因此，目前在面向双光子钙成像视频的自动化数据挖掘领域，亟需针对双光子钙成像视频数据特性而专门设计有效、高效的自适应图像分割方法。
技术实现思路
针对现有
存在的问题，本专利技术提供一种面向双光子钙成像视频数据的自适应图像分割方法。该方法是根据双光子钙成像视频数据特性而专门设计的，不仅针对此类视频的背景特性进行了背景模型框架优化，而且所设计的在线更新模式也完全满足处理16位深度视频数据的准确性、实时性及精度等各种性能要求。本专利技术方法，包括以下步骤：S1：从双光子钙成像视频中选取第k帧到第n帧构建训练样本；S2：根据训练样本构建初始化的单模态背景模型；S3：对上述单模态背景模型的持续实时更新；S4：利用实时更新的单模态背景模型对实时输入的图像进行分割检测。所述的双光子钙成像视频可以是由脑神经元经双光子荧光钙成像采集获得。所述步骤S1包括以下步骤：S11：选取双光子钙成像视频中的第k帧到第n帧，作为训练样本；S12：对训练样本进行图像增强处理，具体对训练样本中所有像素点的值进行以下公式的图像增强变换：其中，V代表双光子钙成像视频中像素值的值域上限值，I(x,y)为原始的图像中像素点(x,y)的像素值，J(x,y)为图像增强后的图像中像素点(x,y)的像素值；MAX表示训练样本中的全局最大图像像素值，MIN表示训练样本中的全局最小图像像素值。所述步骤S2包括以下步骤：S21：对视频中的每一个像素点(x,y)，计算生成像素点(x,y)位置上的初始化的单模态背景模型的中心值，方法如下：(1)对视频四周边缘上的每一个像素点(x,y)，计算其在训练样本所有帧图像内的所有像素值J(x,y)k，J(x,y)k+1，...，J(x,y)n的中位数，J(x,y)k表示第k幅图像的像素点(x,y)的像素值，将该中位数作为像素点(x,y)位置上的初始化单模态背景模型中心值C(x,y)n；(2)对视频中非四周边缘位置上的每一个像素点(x,y)，计算以该像素点为中心在训练样本所有幅图像内的3×3邻域内的所有像素值的中位数与众数，每幅图像的3×3邻域内共九个像素点，在训练样本共有n-k+1幅图像，共计有9×(n-k+1)个像素值，将该中位数作为像素点(x,y)位置上的初始化的单模态背景模型额中心值C(x,y)n；S22：对视频中的每一个像素点(x,y)，计算生成像素点(x,y)位置上的初始化的单模态背景模型的半径值，计算方法如下：其中，M和N分别为视频一帧图像的高与宽，Rn是像素点位置上的初始化单模态背景模型的半径值，Rn与像素点位置无关，即所有像素点的Rn是相同的，z表示图像的序数，z＝k,...,n-1；具体实施中，可以将Rn的下标n代表为第n幅图像时的半径值，这个值是由k～n幅图像数据累积计算所得。初始化模型的半径就是看(累积到)第n幅图像时的Rn，求出了Rn后，就可以在n+1帧时用Rn去迭代更新背景模型半径Rn+1。也就是说，k～n帧内，背景模型半径不需要用迭代的方法计算获得。从n+1帧开始，才使用迭代的方法计算背景模型半径。S23：视频中每一个像素点(x,y)位置上的初始化的单模态背景模型结构如下：初始化的单模态背景模型是一个以C(x,y)n为中心值、Rn为半径的值域范围，表示为[C(x,y)n-Rn,C(x,y)n+Rn]；S24：计算生成单模态背景模型的学习率，方法如下：在训练样本范围内，对视频中所有像素点的像素值从θ1灰阶跃迁为θ2灰阶的概率进行计算，生成视频中所有像素点共享的第n帧时的单模态背景模型学习率F(θ1,θ2)n，共享是指同一幅视频帧内所有像素点的单模态背景模型的学习率都相同其中θ1,θ2∈[0,V]，其中θ1表示像素值跃迁前的灰阶等级，θ2表示像素值跃迁后的灰阶等级，V代表双光子钙成像视频中像素值的值域上限值同公式1。所述步骤S3包括以下步骤：S31：对单模态背景模型的中心值进行持续更新，方法如下：在新读入n+1帧图像时，对图像内的每一个像素点(x,y)，更新该像素点(x,y)位置上的单模态背景模型中心值：C(x,y)n+1＝C(x,y)n+[J(x,y)n+1-C(x,y)n]×F(θ1,θ2)n其中，C(x,y)n+1是像素点(x,y)在n+1帧图像时的单模态背景模型中心值，C(x,y)n和F(θ1,θ2)n分别是像素点(x,y)在n帧图像时的单模态背景模型中心值和背景模型学习率，J(x,y)n+1则是(x,y)在n+1帧图像本文档来自技高网...

【技术保护点】
1.一种面向双光子钙成像视频数据的自适应图像分割方法，其特征在于方法包括以下步骤：/nS1：从双光子钙成像视频中选取第k帧到第n帧构建训练样本；/nS2：根据训练样本构建初始化的单模态背景模型；/nS3：对上述单模态背景模型的持续实时更新；/nS4：利用实时更新的单模态背景模型对实时输入的图像进行分割检测。/n

【技术特征摘要】
1.一种面向双光子钙成像视频数据的自适应图像分割方法，其特征在于方法包括以下步骤：
S1：从双光子钙成像视频中选取第k帧到第n帧构建训练样本；
S2：根据训练样本构建初始化的单模态背景模型；
S3：对上述单模态背景模型的持续实时更新；
S4：利用实时更新的单模态背景模型对实时输入的图像进行分割检测。


2.根据权利要求1所述的一种面向双光子钙成像视频数据的自适应图像分割方法，其特征在于：所述步骤S1包括以下步骤：
S11：选取双光子钙成像视频中的第k帧到第n帧，作为训练样本；
S12：对训练样本进行图像增强处理，具体对训练样本中所有像素点的值进行以下公式的图像增强变换：



其中，V代表双光子钙成像视频中像素值的值域上限值，I(x,y)为原始的图像中像素点(x,y)的像素值，J(x,y)为图像增强后的图像中像素点(x,y)的像素值；MAX表示训练样本中的全局最大图像像素值，MIN表示训练样本中的全局最小图像像素值。


3.根据权利要求1所述的一种面向双光子钙成像视频数据的自适应图像分割方法，其特征在于：所述步骤S2包括以下步骤：
S21：对视频中的每一个像素点(x,y)，计算生成像素点(x,y)位置上的初始化的单模态背景模型的中心值，方法如下：
(1)对视频四周边缘上的每一个像素点(x,y)，计算其在训练样本所有帧图像内的所有像素值J(x,y)k，J(x,y)k+1，...，J(x,y)n的中位数，J(x,y)k表示第k幅图像的像素点(x,y)的像素值，将该中位数作为像素点(x,y)位置上的初始化单模态背景模型中心值C(x,y)n；
(2)对视频中非四周边缘位置上的每一个像素点(x,y)，计算以该像素点为中心在训练样本所有幅图像内的3×3邻域内的所有像素值的中位数与众数，将该中位数作为像素点(x,y)位置上的初始化的单模态背景模型额中心值C(x,y)n；
S22：对视频中的每一个像素点(x,y)，计算生成像素点(x,y)位置上的初始化的单模态背景模型的半径值，计算方法如下：



其中，M和N分别为视频一帧图像的高与宽，Rn是像素点位置上的初始化单模态背景模型的半径值，z表示图像的序数；
S23：视频中每一个像素点(x,y)位置上的初始化的单模态背景模型结构如下：初始化的单模态背景模型是一个以C(x,y)n为中心值、Rn为半径的值域范围，表示为[C(x,y)n-Rn,C(x,y)n+Rn]；
S24：计...

【专利技术属性】
技术研发人员：龚薇，斯科，张睿，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33