基于三维改进型脉冲耦合神经网络的三维图像分割方法技术

本发明专利技术涉及一种基于三维改进型脉冲耦合神经网络的三维图像分割方法。它是将改进型的脉冲耦合神经网络（ＩＰＣＮＮ－Ｉｍｐｒｏｖｅ？ｐｕｌｓｅ？ｃｏｕｐｌｅｄ？ｎｅｕｒａｌ？ｎｅｔｗｏｒｋ）从二维平面扩展到三维空间，利用ＩＰＣＮＮ分割算法原理以及图像序列的空间关系进行二值分割，再采用形态学平滑处理感兴趣区域的边缘，最后用体绘制的方法重建感兴趣区域。本方法在保证分割质量的前提下，加快了运行的速度，达到较理想的分割效果。

【技术实现步骤摘要】

本专利技术涉及 一 种基于三维的改进型脉冲耦合神经网络(Three Dimension Improved PulseCoupled Neural Network, 3D IPCNN)的三维图像分割方法。
技术介绍
图像分割是图像处理和计算机视觉等领域最重要的研究领域。 一方面，图像分割 是目标表达的基础，对特征的测量有重要影响；另一方面，其基于分割的目标表达、特征提 取和参数测量可以将原始图像信息转化为更抽象更紧凑的形式，使得更高层次的图像分析 和理解成为可能。因此，图像分割也是图像分析和图像识别中前期处理的一个重要步骤。 目前，图像分割算法主要可以分为三类基于区域的分割、基于边界的分割和结合 特定理论工具的分割技术。三维图像数据处理方法在许多方面与二维方法类似，因此大多 数方法可以由二维方法推广而来。 一般可以有二维逐层处理和直接三维处理两种前者直 接快速，便于人机交互，但并未考虑三维空间性质；后者充分考虑空间性质，但处理的计算 代价高。 基于区域的分割方法是根据区域中图像灰度统计特性或连续性来进行的。主要 有阈值化方法，区域跟踪算法，聚类分割算法等。这些方法的缺点是对噪声比较敏感，如何 提高算法的鲁棒性仍是区域分割中极具挑战性的课题。基于边缘检测的分割方法，通过检 测边界上相邻像素特征值的突变性来获得不同区域的边缘。传统边缘检测算法如微分算子 边缘检测和曲面拟合边缘检测算法。微分算子进行边缘检测简单方便但是抑制噪声能力较 差，而曲面拟合算子计算量较大。 随着各学科的新理论和方法的提出，结合这些特定理论的一些新的图像分割技术 也应运而生，如神经网络、数学形态学、变形模型等，并取得了一定的进展。其中变形模型是 近年来研究的热点，变形模型实现过程利用了图像灰度幅值的不连续性，从广义上讲，仍属 于边缘检测的方法。它将对感兴趣区域的先验知识与图像约束联系起来，使曲线在演化过 程中能够保持连续性和平滑，对边界和噪声的鲁棒性都较强。变形模型以一种动态的方式 和图像数据关联起来，能量函数充当了先验模型和数据图像之间的吻合度的一种能量，而 曲线或曲线变形的目的就是提高先验模型和图像数据之间的吻合度，这是通过最小能量函 数实现的。但是这类模型用于图像分割还有许多需要解决的问题，比如进一步的理论分析， 有效的数值计算方法及三维分割的运算速度。 脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种不同于传统人 工神经网络的新型神经网络。它是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现 象提出的数学模型。在PCNN中，具有相似输入的神经元同时发生脉冲，能够弥补输入数据 的空间不连贯和幅度上的微小变化，从而较完整地保留图像的区域信息，这对图像分割无 疑是非常有利的。但是，目前的PCNN模式是针对二维图像处理，建立是二维模型，对于三维 的图像，只能采用二维分层的方式对图像序列逐帧进行处理，这就大大降低了图像处理的 效率。
技术实现思路
本专利技术的目的在于针对现有三维图像分割中存在的速度慢效率低的问题，将二维 PCNN模型扩展成三维空间的模型，提供一种基于三维改进型脉冲耦合神经网络的三维图像 分割方法。该方法能够在保持分割效果的基础上，加快运行的速度，达到较理想的处理效 果。 为达到上述目的，本专利技术的构思是将IPCNN模型从二维平面扩展到三维空间，以体元(volume)为基本单位，对读入的切片序列进行整体分割方法的设计，然后经过数学形态学处理得到边缘更加光滑的感兴趣区域。 根据上述专利技术构思，本专利技术采用下述技术方案 —种，其操作步骤为 (1)读取图像学列。 (2)对读取的图像序列采用3D IPCNN分割算法进行整体分割，得到二值图像序 列。(3)采用数学形态学方法平滑感兴趣区域的边缘部分。(4)用体绘制的方法重建感兴趣区域。 基于3D IPCNN模型的图像序列整体分割，其步骤如下 ①将IPCNN模型从二维平面(i， j)扩展到三维空间(i， j， k)，根据情况选择连接 域的范围:6， 18或26邻域； ②设置参数联结权系数W，连接系数P，动态阈值中的系数a和9。； ③将像素Iijk作为外部剌激输入； ④将图像序列读入到三维矩阵，第一次迭代开始对每一体元(volume)依次用3D IPCNN分割算法处理，其中每个体素根据自身及其邻域体素的灰度特点由阈值判定输出为 点火或抑制，一次迭代完成后得到二值图像序列；重复上述循环，第n次迭代完成后，得到最佳二值输出。本专利技术与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点 (1) 3D IPCNN分割算法对图像序列做整体分割，考虑了 PCNN模型的神经生理学背 景，与其他方法相比，是一种结合视觉特性的更自然的图像处理方式。 (2) 3D IPCNN分割算法对图像序列做整体分割，考虑了人体组织的三维空间连通 性，使之后的重建效果可以更加真实。 (3) 3D IPCNN分割算法对图像序列做整体分割，考虑了三维图像处理实时性的问 题，相对于其他二维分层处理算法，大大提高了图像处理的效率。附图说明 图1为本专利技术的分割方法程序框图。 图2为本专利技术中的3D IPCNN分割算法模型框图。 图3为本专利技术3D IPCNN整体分割方法分别与手工分割方法、分层IPCNN分割方法 及3D Otsu算法对肺部CT图像序列分割结果的比较。图中，(a)为肺部CT图像序列的某一帧；(b)为手动方法分割结果；(C)为分层IPCNN方法分割的结果；(d)为3D Otsu算法的分割结果；(e)为3D IPCNN整体分割的结果, 图4为本专利技术3D IPCNN整体分割后，用体绘制方法重建出的肺部区域。具体实施例方式本专利技术的优选实施例结合附图详述如下 实施例一 参考图l，，其操作步骤 为列。(1) 读取图像序列。(2) 对读取的图像序列采用3D IPCNN分个算法进行整体分割，得到二值图像序(3) 采用数学形态学方法平滑感兴趣区域的边缘部分。(4) 用体绘制地方法重建感兴趣区域。 实施例二 本实施例基本上与实施例一相同，特别之处是参见图2，将IPCNN分割算法模型由二维扩展到三维，3D IPCNN分割算法模型由接受域、调制部分和脉冲产生三部分组成c <formula>formula see original document page 5</formula>其原理数学方程描述为 (1)<formula>formula see original document page 5</formula> 式中Fijk是第(i， j， k)个神经元的第n次反馈输入量；Iijk为外部剌激输入， 即图像的像素灰度值；Lijk为线性连接输入量；Wijk^为内部连接矩阵；13为突触间连接 强度常数；Uijk为内部活动项；Yijk为第(i， j，k)个神经元的输出；9 ijk为神经元 内部活动项U能否激发脉冲所需的动态门限；a， e。均为动态阈值参数。内部活动项将来 自输入域和连接域的信号进行相乘调制得到内部活动信号U。在第n时刻，脉冲发生器将 Uijk与前一时刻神经元产生的动态阈值9 ijk进行比较，若大于阈值，脉冲发生器打 开本文档来自技高网...

【技术保护点】
一种基于三维改进型脉冲耦合神经网络的三维图像分割方法，其特征在于操作步骤为：（１）读取图像序列；（２）对读取的图像序列采用三维改进型脉冲耦合神经网络分割算法进行整体分割，得到二值图像序列；（３）采用数学形态学方法平滑处理感兴趣区域的边缘部分；（４）用体绘制的方法重建感兴趣区域。

【技术特征摘要】

【专利技术属性】
技术研发人员：常谦，施俊，
申请(专利权)人：上海大学，
类型：发明
国别省市：31[中国|上海]