一种基于标签块和像素空间加权的二值化分割方法技术

本发明专利技术提供了一种基于标签块和像素空间加权的二值化分割方法，属于计算机图像处理领域。在训练阶段，首先从训练样本中人工选取背景和目标子图，然后利用标签块的方式分别对提取的特征标记为目标和背景，形成矩阵特征进行学习。计算每个元素在当前块中的像素空间权重。最后，利用标签块的特征训练因子幂指数类条件概率分类模型。对待测样本进行二值分割测试时，利用块的形式对测试集中的图像进行遍历，通过训练后的分类模型，计算得到每个块的二值分割值，最后将图像每一块进行二值分割处理。本发明专利技术能够将小鼠OCT眼睛图像中的目标提取出来，取得了较好的效果。取得了较好的效果。取得了较好的效果。

【技术实现步骤摘要】
一种基于标签块和像素空间加权的二值化分割方法


[0001]本专利技术涉及一种基于标签块和像素空间加权的二值化分割方法，属于计算机图像处理


技术介绍

[0002]二值化是OCT分析活体视网膜图像的基础技术之一。近年来，大量的研究主要集中在OCT图像的定量分析，包括生物医学图像去噪、图像重建和疾病分割。利用二值化方法对医学图像的ROI进行了分割，为图像分析和图像理解提供了依据。
[0003]图像分割方法主要有两类：传统的基于统计的模型和深度学习方法。阈值二值化算法广泛应用于图像二值化。其基本思想是基于统计或学习算法从局部区域或全局图像中获取阈值。OTSU和MinError是全局阈值的典型统计算法。基于学习的阈值方法可以获得对整个图像的自适应阈值，可以获得更好的图像二值化性能。当前现有技术中主要针对普通光照下的二值分割，在一定程度上取得了较好的图像二值分割性能。然而，图像存在一些局限性，如低强度和低对比度。

技术实现思路

[0004]本专利技术目的是提供了一种基于标签块和像素空间加权的二值化分割方法，解决了小样本和低对比度问题，获得了具有竞争力的整体性能。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：
[0006]步骤一：处理原始图像，分为训练样本和测试样本，选取训练样本中目标子图像和背景背景子图像，子图像的大小必须大于标签块的大小，将训练样本的目标子图像和背景子图像分别放在不同的文件夹中；
[0007]步骤二：特征提取并构建标签块；分别从存放目标子图像和背景子图像的文件夹中用标签块进行遍历，形成特征矩阵，将提取的目标子图像特征标签块记为a，提取的背景子图像特征标签块记为
[0008]步骤三：利用训练样本训练像素空间加权的因子幂指数分类模型，所述模型如下：
[0009][0010]其中，表示一个子图像的特征向量，d表示每个标签块的特征向量维数，j∈{1,d}；C
k
表示类的数量，k＝{1,2}，为因子幂指数类条件概率函数；P(Y＝C
k
)表示类先验概率，其计算公式如下：
[0011][0012]其中，为对应类的样本数量，N表示训练样本标签块个数；
[0013]所述因子幂指数类条件概率公式如下：
[0014][0015]其中，D表示一个常数，^表示幂指数运算，λ表示一个可以微调的参数，取值范围为[0,1]，m
j
表示所有标签块对应维度的像素的均值，表示像素空间权重函数；
[0016]所述空间权重函数公式如下：
[0017][0018]其中，B为一个常数，R(.,r)表示对待运算的数值开r次方；
[0019]步骤四：标签块分类；将测试样本的图像按照训练样本中标签块大小进行遍历，计算标签块遍历的每块图像属于某一类的概率，并得到具有最大概率的输出，对每个标签块进行赋值，具体计算公式如下：
[0020][0021]若y＝a，则标签块为目标；若则标签块为背景，最终得到二值化图像。
[0022]优选的，子图像选取的公式为：
[0023]CM(R)＝rand((x,y)w,h)
(L)
[0024]CM(B)＝rand((x,y)w,h)
[0025]其中，CM表示特征子图块，CM(R)表示目标子图像，CM(B)表示背景子图像，rand表示随机，(x,y)表示子图的左上角坐标，w表示子图的宽度，h表示子图的长度，L表示子图的亮度，L＝1lm/(w*h)，其中lm表示亮度单位流明。
[0026]优选的，对于训练样本，用标签块的方式从子图像中提取特征；对于测试样本，用标签块滑动整个图像的方法进行提取特征。
[0027]优选的，所述D取值为1.5，B取值为1.3，R(.,r)取值为5。
[0028]本专利技术的优点在于：本专利技术通过标签块从每个图像中提取大量的样本，解决了小样本问题，并且本专利技术得到了目标的精确边缘结构，获得了具有竞争力的整体性能。
附图说明
[0029]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0030]图1为本专利技术实施流程图。
[0031]图2是本专利技术所有比较方法的真实情况和结果。
[0032]图3是本专利技术LFPS与其他比较方法的目视比较。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0034]以小鼠全眼分割为例，详细阐述本专利技术的内容。
[0035]设是小鼠眼睛的标签块集合，Y＝{Y1,Y2}是标签集合，N为训练样本的标签块个数。训练集是T＝{(X1,y1),...,(X
i
,y
i
),...,(X
N
,y
N
)},其中y
i
是第i个标签块X
i
的标签。y
i
是第i类，i∈{1,2}。为一个特征向量，其中d为每个标签块的特征向量维数。
[0036]步骤一：将小鼠全眼图像分为训练样本和测试样本，从测试样本中手动选取目标和背景的子图像，选取子图像的公式为：
[0037]CM(R)＝rand((x,y)w,h)
(L)
[0038]CM(B)＝rand((x,y)w,h)
[0039]其中CM表示特征子图块，CM(R)表示目标子图块，CM(B)表示背景子图块，rand表示随机，(x,y)表示子图的左上角坐标，w表示子图的宽度，h表示子图的长度，L表示子图的亮度，L＝1lm/(w*h)，其中lm表示亮度单位流明。
[0040]将目标子图像放在一个命名为ROI的文件夹中，背景子图像放在一个命名为BackGround的文件夹中。
[0041]步骤二：特征提取并构建标签块。分别从ROI和BackGround文件夹中用8*8(像素)大小的块进行遍历，形成特征矩阵。将提取的ROI特征标签块记为1，提取的BackGround特征标签块记为2。对于训练样本，采用标签块的方式从子图像中提取特征。对于测试样本，采用8*8(像素)大小的块滑动整个图像的方法进行提取特征。
[0042]步骤三：训练像素空间加权的因子幂指数分类模型。该分类算法，属于监督学习，加入了强独立性假设，即假设特征是独立的。因此，在本专利中，利用像素空间加权的因子幂指数分类方法对OCT在体小鼠眼图像进行二值化。
[0043]则将基于像素空间加权的因子幂指数的分类定义为：
[0044][0045]其中C
k
为类的数量，k＝{1,2}。PM()为因子幂指数类条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于标签块和像素空间加权的二值化分割方法，其特征在于，包括以下步骤：步骤一：处理原始图像，分为训练样本和测试样本，选取训练样本中目标子图像和背景背景子图像，子图像的大小必须大于标签块的大小，将训练样本的目标子图像和背景子图像分别放在不同的文件夹中；步骤二：特征提取并构建标签块；分别从存放目标子图像和背景子图像的文件夹中用标签块进行遍历，形成特征矩阵，将提取的目标子图像特征标签块记为a，提取的背景子图像特征标签块记为步骤三：利用训练样本训练像素空间加权的因子幂指数分类模型，所述模型如下：其中，表示一个子图像的特征向量，d表示每个标签块的特征向量维数，j∈{1,d}；Ck表示类的数量，k＝{1,2}，为因子幂指数类条件概率函数；P(Y＝C
k
)表示类先验概率，其计算公式如下：其中，为对应类的样本数量，N表示训练样本标签块个数；所述因子幂指数类条件概率公式如下：其中，D表示一个常数，^表示幂指数运算，λ表示一个可以微调的参数，取值范围为[0,1]，m
j
表示所有标签块对应维度的像素的均值，表示像素空间权重函数；所述空间权重函数公式如下：其中，B为一个常数，R(.,r)表示对待运...

【专利技术属性】
技术研发人员：马飞，王升波，李颖，孟静，赵景秀，张元科，程荣花，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：