[發(fā)明專利]一種基于區(qū)域相關(guān)信息熵的圖像分割質(zhì)量評價方法

無效

• 申請?zhí)枺?/td>: 201310305475.7
• 申請日: 2013-07-19
• 公開（公告）號: CN103390274A
• 公開（公告）日: 2013-11-13
• 發(fā)明（設(shè)計）人: 郝家勝;陳樺
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

技術(shù)領(lǐng)域

本發(fā)明屬于圖像分割技術(shù)領(lǐng)域，更為具體地講，涉及一種基于區(qū)域相關(guān)信息熵的圖像分割質(zhì)量評價方法。

背景技術(shù)

圖像分割貫穿于整個圖像分析領(lǐng)域，其結(jié)果的好壞對后續(xù)應(yīng)用產(chǎn)生重要的影響。尤其是在醫(yī)學(xué)圖像應(yīng)用中，圖像分割的結(jié)果是組織體積測量、器官三維重建、手術(shù)導(dǎo)航等臨床應(yīng)用的先決條件，因此對分割結(jié)果進(jìn)行準(zhǔn)確有效地評價是醫(yī)學(xué)圖像分割中的一項有意義的任務(wù)。另外，圖像分割質(zhì)量評價還可以達(dá)到優(yōu)化分割的目的，而且對研究新的分割技術(shù)也具有指導(dǎo)意義。

圖像分割質(zhì)量評價方法主要有主觀評價法、分析評價法和實驗評價法三類。其中，主觀評價法具有較大的局限性。例如不同人的同一組織和器官的解剖結(jié)構(gòu)的形態(tài)、體積和空間位置存在較大差異，而且很多組織（例如腦灰質(zhì)和白質(zhì)）之間本來就沒有清晰的界限。分析評價法通過對分割算法直接從原理上進(jìn)行評估，可以免除一些實驗因素的影響，但并非所有的算法性能都能夠通過分析而得到，而且也不能對分割結(jié)果做出直接的評價。因此，通過對具體分割結(jié)果的分析來評價分割方法的實驗評價法是具有實際意義的。

實驗評價法大致可以分為偏差法和優(yōu)度法兩類。偏差法需要首先提供一個理想分割圖象作為參考標(biāo)準(zhǔn)，依此來計算實際分割結(jié)果與理想分割圖像的差別，這種差別可以是基于錯誤分割的像素數(shù)，也可以是基于錯誤分割像素點的位置，或者是基于分割結(jié)果區(qū)域數(shù)的差別等等。但在醫(yī)學(xué)圖像領(lǐng)域，可供比較的圖像樣本很難統(tǒng)一認(rèn)定，因此，這類方法在運用上有很大的局限性。優(yōu)度法一般是直接以分割結(jié)果中的某些圖像特征為依據(jù)來評價分割質(zhì)量，這些特征可以是區(qū)域?qū)Ρ榷然騾^(qū)域一致性等。然而，對于復(fù)雜的醫(yī)學(xué)圖像分割應(yīng)用，這些傳統(tǒng)的評價準(zhǔn)則或者難以應(yīng)用，或者往往不能給出合理的評價。

圖像分割的本質(zhì)是同質(zhì)性區(qū)域的合并和異質(zhì)性區(qū)域的分離，這個過程的目的是對圖像中感興趣區(qū)域進(jìn)行詳細(xì)、深入的研究，而忽略其他無關(guān)的區(qū)域。在最優(yōu)情況下，每個區(qū)域被完全的分離，從而精確的提取出感興趣區(qū)域。此時，各區(qū)域間的信息相關(guān)性最小。也就說，各區(qū)域間相關(guān)性越小，說明分割質(zhì)量越高。一般地，這個相關(guān)性不會為零，因為這些區(qū)域之間總是存在一定的相關(guān)性，尤其是醫(yī)學(xué)圖像各組織器官之間更是互相關(guān)聯(lián)。這個相關(guān)性測度能否成功應(yīng)用的前提是區(qū)域間的信息相關(guān)程度的準(zhǔn)確度量。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，從圖像分割區(qū)域之間的異質(zhì)性角度，引入了非線性相關(guān)信息熵作為區(qū)域間異質(zhì)性評價測度，提供一種基于區(qū)域相關(guān)信息熵的圖像分割質(zhì)量評價方法，為不同圖像分割方法生成的不同分割結(jié)果的質(zhì)量提供一種客觀定量的評價依據(jù)。

為實現(xiàn)上述發(fā)明目的，本發(fā)明基于區(qū)域相關(guān)信息熵的圖像分割質(zhì)量評價方法，其特征在于，包括以下步驟：

S1：采用待評價分割算法T₁和參考分割算法T₂分別將目標(biāo)圖像I進(jìn)行分割，得到不同的分割結(jié)果Θ_i,i＝1,2，每個分割結(jié)果得到的區(qū)域個數(shù)記為M_i，分割結(jié)果j＝1,2,…,M_i，Ω⁽ⁱ⁾_j為分割結(jié)果Θ_i的區(qū)域；

S2：對于每個分割結(jié)果Θ_i中的M_i個區(qū)域區(qū)域中的像素用灰度值保持原值，將目標(biāo)圖像I中區(qū)域外的像素灰度值全部記為0，得到對應(yīng)的擴展灰度圖像；將每個區(qū)域?qū)?yīng)的擴展灰度圖像以行優(yōu)先法展開為一維離散隨機變量變量取值個數(shù)均為N，N為目標(biāo)圖像I的像素數(shù)量；計算兩兩隨機變量和之間的非線性相關(guān)系數(shù)j,k＝1,2,…,M_i,j≠k，隨機變量與其自身的非線性相關(guān)系數(shù)

S3：利用步驟S2中每個分割結(jié)果Θ_i的所有非線性相關(guān)系數(shù)構(gòu)造分割結(jié)果Θ_i的非線性相關(guān)矩陣R_i：