基于交互式前景提取与信息熵分水岭的医学图像分割方法技术

本发明专利技术公开了一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，包括以下步骤：对原图像进行标准化处理；利用形态学开运算消除图像中存在的白点噪声及边缘；将图像前景所在的大致位置使用矩形框标注出来，将图像中背景区域剔除；利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，生成完整图像；利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；通过分水岭算法对二值化图像进行图像提取，得到所需图像。本发明专利技术通过交互式前景提取法滤除图像边缘，结合信息熵与分水岭算法，能够将图像进行有效的分割，获得的肝脏CT图像完整，克服了因像素值分布不均、前景子图相互连接与个体间肝脏器官形状各异带来的干扰。状各异带来的干扰。状各异带来的干扰。

【技术实现步骤摘要】
基于交互式前景提取与信息熵分水岭的医学图像分割方法


[0001]本专利技术涉及图像处理领域，特别涉及一种基于交互式前景提取与信息熵分水岭的医学图像分割方法。

技术介绍

[0002]随着医学成像技术、图像模式识别技术的发展，图像分割在医学处理与分析领域起着先导性作用，图像分割主要目的是将医学图像中具有特定意义的部分分割出来，为临床诊断与病理研究提供可靠依据，有效降低了医生机械化的阅片负担，做出更准确的诊断。由于医学图像自身具有复杂性，在分割过程中需要解决个体差异以及像素值分布不均等一系列问题。目前尚未存在一种具有广泛性的医学图像分割理论与方法。
[0003]目前国内外广泛运用的医学图像分割方法有很多种，比如基于区域生长的分割方法。区域生长法是将具有相似性质的像素集合起来构成区域，其具体思路为：首先对目标分割的区域中选取一个种子像素作为生长的起点，然后将种子像素周围领域中具有相似性质的像素合并到种子像素所在的区域中，直到没有可以用来合并的邻近点或区域为止。文献“基于形态学和区域生长法的医学图像分割”提出了基于形态学和区域生长法的医学图像分割，其为了提高分割质量，利用数学形态学的基本运算对生长结果进行修正，填充区域生长后的小孔洞噪声，提高了分割效果。文献“基于区域生长的OCT图像分割算法研究”提出了基于区域生长的OCT图像分割算法的研究，其通过对医学OCT图像性质的分析，提出了一种基于区域生长的改进算法，此算法可以实现此类医用OCT图像的快速自动分割，大幅度提高了图像分割的精度，使过分分割现象大幅度降低，提高了分割效率。
[0004]通常在腹部CT图像中，像素值普遍集中在较低的范围内，腹部器官之间缺乏对比度，同时由于器官病变以及个体之间器官形状大小的差异，使得传统的利用灰度信息值寻找图像边缘的分割方法难以取得较好的分割效果，其处理存在分割不完整或噪声较多的影响。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种算法简单、分割速度快、分割精度高的基于交互式前景提取与信息熵分水岭的医学图像分割方法。
[0006]本专利技术解决上述问题的技术方案是：一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，包括以下步骤：
[0007]步骤一：对原图像进行标准化处理；
[0008]步骤二：利用形态学开运算消除标准化处理后的图像中存在的白点噪声及边缘；
[0009]步骤三：将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，将图像中背景区域剔除；
[0010]步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像；
[0011]步骤五：利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；
[0012]步骤六：通过分水岭算法对二值化图像进行图像提取，得到最终所需图像。
[0013]上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤一中，首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。
[0014]上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤四中，利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。
[0015]上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤五中，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：
[0016]5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：
[0017][0018]5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景中所占的概率，计算公式分别如(2)(3)所示：
[0019][0020][0021]其中，p
i
表示灰度值为i的概率，P
B
表示每个灰度级在背景B中所占概率，P
F
表示每个灰度级在前景F中所占概率，p
T
表示阈值T在整个图像中的概率；
[0022]5-3)计算背景信息熵H
B
与前景信息熵H
F
，计算公式分别如(4)(5)所示。
[0023][0024][0025]遍历穷举阈值取值为0-255，求得使图像有最大信息熵时的最大的阈值T，该阈值就是对灰度图像分割的最佳阈值点。
[0026]上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤六中，对一副灰度图像，把它看作是三维地理图上的地形，灰度值较低的区域看作是山谷，灰度值较高的区域看作是山峰，分水岭算法实现过程就是将图像分成两个不同的集合：分水岭线与积水盆地；分水岭算法具体过程为：
[0027]6-1)首先对图像进行形态学开运算，消除图像内噪声；
[0028]6-2)由于图像内子图是连接在一起的，采用距离变换法将确定性前景提取出来；
[0029]6-3)接着对距离变换得到的图像阈值处理，获取实际图像的确定性前景；
[0030]6-4)在获取确定性前景图像之后，获取确定性背景，对于开运算后的图像进行形态学膨胀处理，所得膨胀图像的背景就是原图像的确定性背景，膨胀图像减去确定性前景图像所获得的就是未知区域；
[0031]6-5)按照确定性背景、确定性前景与未知区域三大类划分整个图像空间，将确定性背景用“1”表示，将确定性前景用正整数从“2”开始依次表示，未知区域则采用“0”表示，对每一类采用不同颜色标注；
[0032]6-6)利用分水岭算法实现对图像的分割，划分出不同类别的区域。
[0033]上述基于交互式前景提取与信息熵分水岭的医学图像分割方法，所述步骤6-2)中，采用距离变换法计算的是图像中非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点距离。
[0034]本专利技术的有益效果在于：本专利技术通过交互式前景提取法滤除图像边缘，结合信息熵与分水岭算法，能够将图像进行有效的分割，获得的肝脏CT图像完整且无较多的杂质干扰，克服了因像素值分布不均、前景子图相互连接与个体间肝脏器官形状各异带来的干扰。
附图说明
[0035]图1为本专利技术的流程图。
[0036]图2为本专利技术实施例中阈值处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，包括以下步骤：步骤一：对原图像进行标准化处理；步骤二：利用形态学开运算消除标准化处理后的图像中存在的白点噪声及边缘；步骤三：将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，将图像中背景区域剔除；步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像；步骤五：利用图像信息熵找到完整图像分割的阈值，并转为二值化图像；步骤六：通过分水岭算法对二值化图像进行图像提取，得到最终所需图像。2.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤一中，首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。3.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤四中，利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。4.根据权利要求3所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤五中，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景...

【专利技术属性】
技术研发人员：陈祖国，唐至强，刘洋龙，卢明，陈超洋，吴亮红，张胥卓，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：