硬管内窥镜视野区域分割方法及装置制造方法及图纸

硬管内窥镜视野区域分割方法及装置，能够精确提取硬管内窥镜图像中的圆形视野区域，并有效处理边界溢光或明显暗区对分割结果的影响。方法包括：(1)提取基于活动轮廓模型的圆形视野区域；(2)结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项。先验模型和局部区域自适应阈值积分能量项。先验模型和局部区域自适应阈值积分能量项。

【技术实现步骤摘要】
硬管内窥镜视野区域分割方法及装置


[0001]本专利技术涉及医学图像处理的
，尤其涉及一种硬管内窥镜视野区域分割方法，以及硬管内窥镜视野区域分割装置，适用于内窥镜手术导航和图像分析。

技术介绍

[0002]内窥镜检查作为一种微创技术，被广泛用于人体各个部位的疾病筛查和手术。近年来，基于内窥镜影像的分析已越加普遍，如手术阶段划分、工具探测(添加参考文献)等。由于内窥镜相机固有的结构特性等，CCD所捕获的视频图像中的有效区域仅包含中间的圆形区域，其余部分的像素非常暗，不包含任何有用的信息。不幸的是，这些暗区通常不是均匀的纯黑色区域，而会受到强烈的噪声干扰，如溢光等。在视频影像分析任务中，这些不含任何有效信息的区域将会严重影响分析结果。此外，在视频编码存储的过程中，对这些无用区域的编码也会大大增加视频的空间占用。因此，通过提取内窥镜视野区域的图像，可有效提高其后续分析应用的精度和效率。

技术实现思路

[0003]为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种硬管内窥镜视野区域分割方法，其能够精确提取硬管内窥镜图像中的圆形视野区域，并有效处理边界溢光或明显暗区对分割结果的影响。
[0004]本专利技术的技术方案是：这种硬管内窥镜视野区域分割方法，其包括以下步骤：
[0005](1)提取基于活动轮廓模型的圆形视野区域；
[0006](2)结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项；所述步骤(1)中，利用简化的Chan
‑
Vese模型对圆形区域和其他区域进行分割，保留模型中前景和背景的拟合项，表示为公式(1)：
[0007]E
CV
(c1，c2，φ)＝λ1∫
Ω
|I
σ
‑
c1|2H(φ)dΩ+λ2∫
Ω
|I
σ
‑
c2|2(1
‑
H(φ))dΩ
ꢀꢀ
(1)
[0008]其中，I
σ
为原图经过均值为0、方差为σ的高斯模糊后的图像，φ为定义在该曲线上的水平集函数，H(φ)为Heaviside函数，c1和c2分别为轮廓C内部和外部的像素均值，在每次迭代中按照公式(2)更新：
[0009][0010]本专利技术通过提取基于活动轮廓模型的圆形视野区域，结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项，从而能够精确提取硬管内窥镜图像中的圆形视野区域，并有效处理边界溢光或明显暗区对分割结果的影响。
[0011]还提供了硬管内窥镜视野区域分割装置，其包括：
[0012]提取模块，其配置来提取基于活动轮廓模型的圆形视野区域；
[0013]添加模块，其配置来结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项；
[0014]其中，提取模块利用简化的Chan
‑
Vese模型对圆形区域和其他区域进行分割，保留模型中前景和背景的拟合项，表示为公式(1)：
[0015]E
CV
(c1，c2，φ)＝λ1∫
Ω
|I
σ
‑
c1|2H(φ)dΩ+λ2∫
Ω
|I
σ
‑
c2|2(1
‑
H(φ))dΩ
ꢀꢀ
(1)
[0016]其中，I
σ
为原图经过均值为0、方差为σ的高斯模糊后的图像，φ为定义在该曲线上的水平集函数，H(φ)为Heaviside函数，c1和c2分别为轮廓C内部和外部的像素均值，在每次迭代中按照公式(2)更新：
[0017]附图说明
[0018]图1是根据本专利技术的硬管内窥镜视野区域分割方法的流程图。
具体实施方式
[0019]如图1所示，这种硬管内窥镜视野区域分割方法，其包括以下步骤：
[0020](1)提取基于活动轮廓模型的圆形视野区域；
[0021](2)结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项；
[0022]内窥镜图像中间的圆形区域为实际捕获到的图像数据，其余的区域为无有效信息的黑色背景。所述步骤(1)中，利用简化的Chan
‑
Vese模型对圆形区域和其他区域进行分割，保留模型中前景和背景的拟合项，表示为公式(1)：
[0023]E
CV
(c1，c2，φ)＝λ1∫
Ω
|I
σ
‑
c1|2H(φ)dΩ+λ2∫
Ω
|I
σ
‑
c2|2(1
‑
H(φ))dΩ
ꢀꢀ
(1)
[0024]其中，I
σ
为原图经过均值为0、方差为σ的高斯模糊后的图像，φ为定义在该曲线上的水平集函数，H(φ)为Heaviside函数，c1和c2分别为轮廓C内部和外部的像素均值，在每次迭代中按照公式(2)更新：
[0025][0026]本专利技术通过提取基于活动轮廓模型的圆形视野区域，结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项，从而能够精确提取硬管内窥镜图像中的圆形视野区域，并有效处理边界溢光或明
显暗区对分割结果的影响。
[0027]优选地，所述步骤(1)中，为加速算法收敛，将参数λ1和λ2设置为根据迭代次数不断更新的自适应值。考虑一种简单的情况，设定图像由强度为分段恒定的两个区域组成，它们的面积分别为S1和S2，为了保证能量函数中第一项与第二项之间的平衡，将λ1和λ2分别定义为轮廓C内部和外部区域所占的比例，则表示为公式(3)：
[0028][0029]将Heaviside函数代入公式(3)，得到公式(4)：
[0030][0031]优选地，所述步骤(2)中，能量函数E
CV
关于φ的梯度下降方程为公式(5)：
[0032][0033]其中，δ(φ)为Dirac函数，是Heaviside函数的广义导数；
[0034]引入形状先验模型来约束水平集函数的收敛方向，利用符号距离函数(Signed Distance Function，SDF)作为水平集函数来表示形状：
[0035][0036]则平面中的任何形状对象都可以用一个唯一的符号距离函数来表示，由于形状对于平移、旋转和缩放保持不变，因此可以通过几个参数来定义两个相似形状之间的关系。定义ψ0为初始化圆形形状的符号距离函数，ψ为每次迭代中更新的变换后的符号距离函数，则存在一个三元组(a，b，r)，使得：
[0037][0038]其中，(x，y)为轮廓上的点，(a本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.硬管内窥镜视野区域分割方法，其特征在于：其包括以下步骤：(1)提取基于活动轮廓模型的圆形视野区域；(2)结合内窥镜视野的形状特征和区域特征，在活动轮廓模型的基础上添加圆形形状先验模型和局部区域自适应阈值积分能量项；所述步骤(1)中，利用简化的Chan
‑
Vese模型对圆形区域和其他区域进行分割，保留模型中前景和背景的拟合项，表示为公式(1)：E
CV
(c1,c2,φ)＝λ1∫
Ω
|I
σ
‑
c1|2H(φ)dΩ+λ2∫
Ω
|I
σ
‑
c2|2(1
‑
H(φ))dΩ
ꢀꢀꢀꢀ
(1)其中，I
σ
为原图经过均值为0、方差为σ的高斯模糊后的图像，φ为定义在该曲线上的水平集函数，H(φ)为Heaviside函数，c1和c2分别为轮廓C内部和外部的像素均值，表示图像I
σ
中的闭合区域，在每次迭代中按照公式(2)更新：2.根据权利要求1所述的硬管内窥镜视野区域分割方法，其特征在于：所述步骤(1)中，设定图像由强度为分段恒定的两个区域组成，它们的面积分别为S1和S2，为了保证能量函数中第一项与第二项之间的平衡，将λ1和λ2分别定义为轮廓C内部和外部区域所占的比例，则表示为公式(3)：将Heaviside函数代入公式(3)，得到公式(4)：3.根据权利要求2所述的硬管内窥镜视野区域分割方法，其特征在于：所述步骤(2)中，能量函数E
CV
关于φ的梯度下降方程为公式(5)：其中，δ(φ)为Dirac函数，是Heaviside函数的广义导数；引入形状先验模型来约束水平集函数的收敛方向，利用符号距离函数作为水平集函数来表示形状：
定义ψ0为初始化圆形形状的符号距离函数，ψ为每次迭代中更新的变换后的符号距离函数，则存在一个三元组(a,b,r)，使得：其中，(x,y)为轮廓上的点，(a,b)为变换中心，r为尺度因子。4.根据权利要求3所述的硬管内窥镜视野区域分割方法，其特征在于：所述步骤(2)中，与形状差异有关的能量项为公式(8)：E
shape
(φ,ψ)＝∫
Ω
(H(φ)
‑
H(ψ)2)dΩ
ꢀꢀꢀꢀ
(8)则能量函数E
shape
关于φ的梯度下降方程为公式(9)：5.根据权利要求4所述的硬管...

【专利技术属性】
技术研发人员：范敬凡，李文杰，杨健，艾丹妮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：