[發明專利]一種基于概率模型和改進EM算法的圖像分割方法

在審

• 申請號: 201710145520.5
• 申請日: 2017-03-13
• 公開（公告）號: CN106952265A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 劉剛;張騰;何妍妍
• 申請（專利權）人: 上海電力學院
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/143
• 代理公司: 上海科盛知識產權代理有限公司31225
• 代理人: 宣慧蘭

技術領域

本發明涉及圖像處理領域，尤其是涉及一種基于概率模型和改進EM算法的圖像分割方法。

背景技術

醫學圖像的分割是當前圖像分割方法研究領域一個非常活躍的部分，對相關疾病的臨床診斷和研究具有重要意義。

在醫學圖像分割領域，瘢痕的分割目前大多是以手動分割和半自動分割為主。手動分割是讓醫生利用手工描繪出斑痕部分的邊界，然后提取出其結構的區域信息，這是一個工作量非常大，其分割結果與醫生的主觀因素有很大的關系，它的精確度也不容易得到保證。半自動分割是由計算機完成分割，具有較快的分割速度，但需要加入專家的先驗知識才能得到較好地分割結果，且需要人工干預。

全自動分割由計算機獨立完成，且無需人工干預，分割結果的可重現性，是瘢痕分割領域的具有前景的方法。

現有的圖像分割方法大多是單一的，沒有將算法有效的結合起來。由于EM算法對其似然函數的初始值很敏感，尤其是對均值，所選均值的好壞在很大程度上決定分割結果的精確與否。利用高斯混合模型建立分割圖像像素點的模型時，單個的高斯模型的協方差出現奇異性，導致利用EM算法進行參數估計，分割圖像的效果不好。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種適用于醫學圖像分割、提高分割精度和分割速度的基于概率模型和改進EM算法的圖像分割方法。

本發明的目的可以通過以下技術方案來實現：

一種基于概率模型和改進EM算法的圖像分割方法，該方法包括以下步驟：

1)將待分割的圖像加入高斯白噪聲；

2)采用k-means算法對加入高斯白噪聲后的圖像進行粗分割，并獲取粗分割后圖像的均值；

3)根據圖像粗分割后得到圖形的灰度值建立混合高斯模型；

4)先將粗分割后圖像的均值作為混合高斯模型的初始值，再采用改進的EM算法對粗分割后圖像進行細分割，最終完成圖像的分割。

所述的步驟2)中，加入的高斯白噪聲的方差由大到小變化。

所述的步驟3)中，混合高斯模型為：

其中，p(x)為混合高斯模型的概率密度函數，x為圖像上一點的灰度值，K為混合高斯模型中單個高斯模型的個數，π_k為第k個單個高斯模型所占的比例，即混合比例系數，ψ(x|μ_k,Σ_k)為單個高斯模型，μ_k為圖像上點灰度值的均值，Σ_k為單個高斯模型的協方差。

所述的步驟4)具體包括以下步驟：

41)初始化參數Σ_k和π_k，并將粗分割后圖像的均值作為混合高斯模型的初始值μ_k；

42)根據初始化的值獲取log似然函數的初始值；

43)進行EM算法中的E步：估計隱含變量Z的后驗概率；

44)根據隱含變量Z的后驗概率進行參數估計，獲取參數μ_k、Σ_k和π_k的過程值

45)根據似然函數的對數值進行收斂判定，若不收斂則返回步驟44)，繼續進行參數估計，若收斂，則最終獲得參數μ_k、Σ_k和π_k的最終值，完成細分割。

所述的步驟42)中，似然函數lnp(X|π,μ,Σ)的計算式為：

其中，N為像素點的總數。

與現有技術相比，本發明具有以下優點：

本發明克服了在使用高斯混合模型對圖像上像素點建模時所出現的奇異性問題；當在參數估計過程中出現奇異性問題時，通過改進的EM算法有效地避免了奇異性問題對分割結果的影響，使得分割結果更加精確；同時通過k-means算法來初始化改進EM算法的參數，使其能夠更好更快地收斂，提高了EM算法的運行速度和最終圖像的分割效果，在醫學圖像分割領域能夠對圖像自動分割，提高了分割精度和分割速度。

附圖說明

圖1為本發明的方法流程圖。

具體實施方式

下面結合附圖和具體實施例對本發明進行詳細說明。

實施例

如圖1所示，本實施例提供一種基于概率模型和改進的EM算法的圖像分割方法，對瘢痕圖像進行特定組織的分割結果，包括圖像預處理階段和圖像分割階段，具體步驟如下：