一种基于自适应参数改进SNIC的医学图像分割方法技术

本发明专利技术公开一种基于自适应参数改进SNIC的医学图像分割方法。提取原图像纹理特征获得特征图，再将原图像降尺度处理；设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建像素元素e

【技术实现步骤摘要】
一种基于自适应参数改进SNIC的医学图像分割方法
本专利技术属于图像分割领域，具体涉及一种基于自适应参数改进SNIC的医学图像分割方法。
技术介绍
图像的分割在在各个图像处理领域中都起着很重要的作用，是图像处理领域的热点问题。对于医学图像来说，不论是目标的检测和分类，还是图像的三维重建，都需要图像分割技术作为基础。图像的自动分割代替了人工手动分割，节省了人力物力，所以在计算机辅助诊断系统中，图像分割技术有着重要作用。目前，在医学图像分割的研究领域有了很大的发展，学者们提出了许多医学图像的分割的理论和方法，有基于传统的阈值、区域增长、水平集和活动轮廓等算法的方法，如一种基于CV模型和DRLSE模型的分割算法，对于边界模糊并且灰度不均匀甲状腺超声图像有较好的分割效果。近年来，有一种新的结合传统基于区域的水平集算法和深度学习的框架，可以准确预测分割椎骨的形状，并在多个数据集上进行了实验，取得了很好的结果，相比于其他技术，在处理骨折病例方面有更好的效果。有以统计区域增长和自适应图割为基础的肺部分割算法，首先通过智能二值化和形态学操作确定初始区域，然后运用该算法进行分割，能够在较低的算法复杂度下，获得较高的分割精度。也有基于其他理论如仿生学优化和统计学的医学图像分割方法，例如一种隐马尔可夫随机场和布谷鸟算法相结合的MRI图像分割方法，与同类算法相比获得了更好的分割结果。也有基于鲸鱼优化算法(WOA)的MRI图像肝脏分割方法。该方法使用WOA算法将图像根据设定的类别数目聚类并进行分割。在70组MRI图像进行测试，实验结果的总体SSIM和SI性能指标分别达到了96.75％和97.5％。以上许多图像分割算法研究在分割精度上都取得了较好的结果，但是大部分算法在速度上还有一定的提升空间。
技术实现思路
本专利技术提供一种基于自适应参数改进SNIC的医学图像分割方法，利用尺度变换方法减少算法运行中的计算量来达到节约计算成本，降低处理的时间和空间复杂度的目的，同时利用纹理信息和自适应参数保证分割精度；可以有效减少超像素分割医学图像所需的时间，提高医学图像分割的精度。本专利技术通过以下技术方案实现：步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素ei＝{xi,ci,ti,k,di,k＝0}初始化优先队列Q；步骤4：从优先队列Q中最先取出Q内所有元素中di,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为标签k；步骤5：计算标签k的超像素中所有像素均值来更新超像素中心，计算并更新自适应参数m；步骤6：对该像素的4或8邻域中没被标记的像素计算di,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；步骤7：当优先队列Q不为空时，转为步骤4；当优先队列Q为空时，转为步骤8；步骤8：将标记图L根据KNN算法恢复到原尺度大小后获得最终超像素分割结果。进一步的，使用降尺度方法和K最邻近算法，即每个样本都能用它最接近的K个邻近值来代表的思想，对SNIC算法进行改进，首先在去掉奇数行和奇数列的像素后保留1/4的像素数的降尺度图像上进行超像素分割，再根据降尺度图像的分割标记图，利用KNN算法思想将标记图恢复为原尺度，从而获得原图上的分割结果，实现原图像中像素点所属超像素标签的分类，完成原图像的超像素分割。进一步的，所述步骤5具体为，对于每个超像素块，每加入一个新像素时计算所用参数m为最大灰度距离255与每个像素加入时与超像素中心的灰度距离的平均值之差，参数m计算公式为：因为超像素内部像素趋于一致性，通过上述公式得到的值的分布基本处于200到255之间，差距较小；使用Gamma变换的方法对其进行变换，变换后公式为：其中cj和ck分别为加入的像素和超像素中心的像素值，n为超像素内像素的数目，γ为Gamma变换参数。进一步的，所述步骤1纹理特征能够反映组织结构的特点，LBP特征提取算法适合医学图像这种局部纹理差异大，灰度分布不规则的图像；LBP特征值的计算公式为：其中(xc,yc)是中心像素，ic和ip分别是中心像素和邻域像素的灰度值，s是一个函数，所述s为公式(7)，其中dt公式为：其中tj和tk分别代表由LBP算法提取出的第j个候选像素和第k个聚类中心的纹理值，t代表纹理距离的归一化因子。本专利技术的有益效果是：本专利技术通过降尺度方法减少计算量；在传统SNIC算法中融入纹理信息，改进了提高了对纹理复杂区域的分割精度；提出一种自适应参数省去了人工选择参数的过程，使得算法能根据局部区域的特点动态设定适应的参数值，改进了整体的分割效果。在图像分割数据集和医学图像上的分割实验数据表明本专利技术算法与常用的SLIC算法和传统SNIC算法相比，耗时更少，分割准确度更高，具有可行性和很好的实用性。基于最短距离的优先队列分配像素标签，有效地提高了聚类效率。SNIC算法采用非迭代模式，具有方法简单、内存耗费低、速度快的优点。与其他超像素算法相比SNIC具有无需后续区域连通操作，无需多次迭代，更少的像素访问和距离计算，内存需求更低等优势。附图说明图1本专利技术从降尺度到原尺度分类示意图。图2本专利技术的在降尺度分割结果和恢复到原尺度结果示意图,其中(a)降尺度的小图，(b)原尺度的大图，(c)降尺度分割结果的小图，(d)恢复到原尺度结果的大图。图3本专利技术的不同超像素数目分割效果对比图，其中，(a)超像素数目K＝50时的分割效果图，(b)超像素数目K＝500时的分割效果图。图4本专利技术的不同算法分割时间对比图。图5为本专利技术的算法不同超像素数目下分割性能结果比较图，其中，(a)边界召回率比较图，(b)欠分割错误率比较图，(c)可达分割准确率比较图，(d)分割时间比较图。图6为椎骨CT图像分割图，其中，(a)椎骨CT的原图，(b)椎骨CT的真值图，(c)椎骨CT的SLIC算法示意图，(d)椎骨CT的SNIC算法示意图，(e)椎骨CT的改进SNIC算法图。图7为肝脏CT图像分割图，其中，(a)肝脏CT的原图，(b)肝脏CT的真值图，(c)肝脏CT的SLIC算法示意图，(d)肝脏CT的SNIC算法示意图，(e)肝脏CT的改进SNIC算法图。图8本专利技术的自适应参数图，其中，(a)椎骨自适应参数图，(b)肝脏自适应参数图。图9本专利技术的自适应参数统计直方图，其中，(a)椎骨自适应参数统计直方图，(b)肝脏自适应参数统计直方图。图10为SNIC和本专利技术方法分割结果对比图，其中，(a)SNIC算法分割结果对比图，(b)改进SNIC算法分割结果对比图。图11本专利技术的评价指标箱线对比图，其中本文档来自技高网...

【技术保护点】
1.一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，所述医学图像分割方法具体包括以下步骤：/n步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；/n步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；/n步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素e

【技术特征摘要】
1.一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，所述医学图像分割方法具体包括以下步骤：
步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；
步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；
步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素ei＝{xi,ci,ti,k,di,k＝0}，初始化优先队列Q；
步骤4：从优先队列Q中最先取出Q内所有元素中di,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为标签k；
步骤5：计算标签k的超像素中所有像素均值来更新超像素中心，计算并更新自适应参数m；
步骤6：对该像素的4或8邻域中没被标记的像素计算di,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；
步骤7：当优先队列Q不为空时，转为步骤4；当优先队列Q为空时，转为步骤8；
步骤8：将标记图L根据KNN算法恢复到原尺度大小后获得最终超像素分割结果。


2.根据权利要求1所述一种基于自适应参数改进SNIC的医学图像分割方法，其特征在于，使用降尺度方法和K最邻近算法，即每个样本都能用它最接近的K个邻近值来代表的思想，对SNIC算法进行改进，首先在去掉奇数行和奇数列的像素后保留1/4的像素数的降尺度图像上进行超像素分割，再根据降尺度图像的分割标记图，利用KNN算法思想将...

【专利技术属性】
技术研发人员：李冰，刘侠，张思勤，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23