[發(fā)明專利]一種基于KNN分類算法的MR圖像灰度不均勻性校正分割方法

有效

• 申請?zhí)枺?/td>: 201010583560.6
• 申請日: 2010-12-13
• 公開（公告）號: CN102135606A
• 公開（公告）日: 2011-07-27
• 發(fā)明（設(shè)計）人: 解梅;高婧婧;趙瑋
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G01R33/565
• 分類號: G01R33/565
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 葛啟函

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及MR圖像的灰度不均勻性校正算法。

背景技術(shù)

為了提高磁共振(MR)圖像的質(zhì)量和圖像分割、配準等處理的精確度，需要在處理前對磁共振圖像的灰度不均勻性進行校正，傳統(tǒng)的校正方法主要包括：

(1)基于濾波的方法：因為灰度不均勻場在整個圖像區(qū)域中是緩慢變化的，所以可以把灰度不均勻場頻譜歸為低頻譜。因此可以采用低通濾波器來將灰度不均勻場和真實圖像分開。但是在磁共振圖像中，真實圖像和灰度不均勻場的頻譜有重疊的部分，所以這種方法效果有限。

(2)基于統(tǒng)計信息的方法：該方法假設(shè)局部區(qū)域的中值等于這一類型組織的中值，而灰度不均勻場的存在使之偏移了組織中值，因此，可以利用局部圖像的中值和某組織的中值之差來校正圖像。但是這種假設(shè)并不是對所有MR圖像都合適，有一定的局限性。

(3)基于分割的方法：這種方法在進行圖像分割的同時對圖像進行校正，獲得不均勻場。這種方法能夠有效利用像素點的信息，進行圖像校正，能夠自動獲得校正圖像和分割圖像。例如基于EM(expectation-maximization，期望最大化)的灰度不均勻性校正和分割方法，該方法對初始值要求較高，需要手動選取各個組織的特征點作為初始值，分割結(jié)果受初始值影響較大；基于FCM(Fuzzy?c-means?clustering，模糊C均值聚類)的灰度不均勻性校正和分割方法，該方法引入一個平滑項來確保灰度不均勻場的平滑性，分割結(jié)果較好，但是算法復(fù)雜，計算量較大。

發(fā)明內(nèi)容

本發(fā)明目的是提供一種基于能量最小和KNN(K-Nearest?Neighbor，K最近鄰)分類算法的MR圖像灰度不均勻性校正分割方法。該方法屬于一種基于分割的方法，可以確保分割結(jié)果不受初始值的影響，不用人工干預(yù)，而且在消除灰度不均勻性的同時，大大降低部分容積效應(yīng)(partial?volume?effect)和噪聲對分割算法的影響。

該方法首先基于曲面擬合原理，采用一組正交歸一化的基函數(shù)構(gòu)造灰度不均勻場模型，然后建立灰度不均勻場模型的能量函數(shù)(也就是原始MR圖像和灰度不均勻場模型之間的誤?差函數(shù))；接下來通過對能量函數(shù)最小化的迭代計算，當原始MR圖像和灰度不均勻場模型之間的誤差達到最小時，就可以求出灰度不均勻場模型的模型參數(shù)；再將灰度不均勻場模型的模型參數(shù)代入灰度不均勻場模型中求出最終經(jīng)灰度校正的MR圖像分割結(jié)果。

為了方便理解和描述，先介紹本發(fā)明所涉及到的一些原理和數(shù)學(xué)模型：

(1)灰度不均勻場模型：現(xiàn)在廣泛使用的模型是將灰度不均勻場簡化為一個光滑的乘性場。以二維圖像為例，即：I＝BJ。其中I為原始圖像，B灰度不均勻場，J為未受灰度不均勻場污染的圖像。MR圖像的灰度不均勻場在空間上是緩慢變化的，表現(xiàn)在二維空間上就是一個光滑的曲面，可以用一組正交歸一化基函數(shù)來擬合：

B(x,y)=Σk=1Nwkgk(x,y)]]>

對于J，同一組織的灰度值應(yīng)該是恒定的，腦可以大致分為白質(zhì)、灰質(zhì)、腦脊液和背景4類，因此J為分段線性函數(shù)，由4個灰度值組成。