[發(fā)明專利]一種具有抗噪性和偏場校正的醫(yī)學(xué)圖像分割方法

有效

• 申請?zhí)枺?/td>: 201811222618.7
• 申請日: 2018-10-19
• 公開（公告）號: CN109410214B
• 公開（公告）日: 2019-08-27
• 發(fā)明（設(shè)計(jì)）人: 李雪梅;徐紅;葉才增
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T5/00
• 代理公司: 濟(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李健康

本發(fā)明公開了一種具有抗噪性和偏場校正的醫(yī)學(xué)圖像分割方法，該方法包括以下步驟：初始化隸屬度矩陣和多項(xiàng)式擬合曲面的系數(shù)，并設(shè)置聚類個數(shù)、隸屬度權(quán)重因子以及終止閾值；通過目標(biāo)函數(shù)分別對偏場、擬合曲面系數(shù)以及隸屬度求偏導(dǎo)，得到偏場、擬合曲面系數(shù)以及隸屬度的更新計(jì)算公式，通過計(jì)算更新偏場、擬合曲面系數(shù)以及隸屬度求得最優(yōu)解；根據(jù)隸屬度最大的準(zhǔn)則分類標(biāo)記像素點(diǎn)，并將能量損失函數(shù)加入初步分割的圖像中，完成帶偏場的醫(yī)學(xué)圖像的偏場校正和最終分割。本發(fā)明的方法很大程度地消除了偏場帶來的影響，能夠取得令人滿意的分割效果，同時加入了抗噪模糊因子并采用多項(xiàng)式擬合曲面代替聚類中心，能夠更好的抵抗噪聲影響和保持更精確的圖像細(xì)節(jié)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種具有抗噪性和偏場校正的醫(yī)學(xué)數(shù)字圖像分割方法。

背景技術(shù)

圖像是人類視覺的基礎(chǔ)，是自然景物的客觀反映，也是人類信息收集和交流的有效途徑之一，隨著計(jì)算機(jī)、互聯(lián)網(wǎng)等技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)在工業(yè)、醫(yī)療、軍事、交通等行業(yè)中發(fā)揮著日益重要的作用。

為了有效地提取和利用數(shù)字圖像中所包含的信息，需要對圖像進(jìn)行分割。圖像分割是圖像識別和計(jì)算機(jī)視覺至關(guān)重要的預(yù)處理，沒有正確的分割就不可能有正確的識別。其意義是將一副圖像分割成一組互不相交的子區(qū)域，并且在同一區(qū)域內(nèi)部具有相同或相似的特性，這里的特征可以是灰度、顏色、紋理等。圖像分割是模式識別、計(jì)算機(jī)視覺、圖像理解等領(lǐng)域的最重要的基礎(chǔ)環(huán)節(jié)，它是由圖像處理到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺技術(shù)。但是，進(jìn)行分割僅有的依據(jù)是圖像中像素的亮度及顏色，由計(jì)算機(jī)自動處理分割時，將會遇到各種困難。例如，光照不均勻、噪聲的影響、圖像中存在不清晰的部分，以及陰影等，常常發(fā)生分割錯誤。因此圖像分割是需要進(jìn)一步研究的技術(shù)。

模糊C均值(Fuzzy C-means)算法簡稱FCM算法，是一種基于目標(biāo)函數(shù)的模糊聚類算法，主要用于數(shù)據(jù)的聚類分析。該算法理論成熟，應(yīng)用廣泛，是一種優(yōu)秀的聚類算法。該算法由兩部分組成，一是隸屬度，簡單理解就是一種相似程度，是一個樣本相似于不同結(jié)果的程度指標(biāo)。二是某樣本點(diǎn)到各個類中心的距離，簡單理解就是該樣本點(diǎn)到聚類中心的歐式距離。該算法由這兩部分相乘得到目標(biāo)函數(shù)，算法思想是先規(guī)定聚類中心的個數(shù)，如果某個樣本點(diǎn)到聚類中心的距離小，則隸屬度就大，通過求解目標(biāo)函數(shù)，使結(jié)果達(dá)到最小值，算法在迭代求解目標(biāo)函數(shù)最小值的過程逐漸趨于穩(wěn)定，分割效果達(dá)到一個相對較好的聚類分割效果。FCM的目標(biāo)函數(shù)E為：

其中，C是聚類個數(shù)，N是圖像像素總數(shù)，u_ij表示的是第j個像素點(diǎn)相對于第i個聚類中心的模糊隸屬度，m是隸屬度的一個因子，即模糊加權(quán)系數(shù)，m>1，按照聚類有效性問題研究的結(jié)果，m的取值范圍可以限制在1.5≤m≤2.5，所以取m＝2是最簡潔的值，v_i是第i個聚類中心，||x_j-v_i||為第j個像素點(diǎn)與第i個聚類中心之間的歐氏距離。該算法中隸屬度u_ij的取值范圍是[0,1]，表示各像素點(diǎn)隸屬于各聚類中心的程度，并且滿足各像素屬于不同聚類的模糊隸屬度的和為1，即該目標(biāo)函數(shù)能夠滿足最小化約束條件定義如下：

將最小化約束條件代入重新構(gòu)建的目標(biāo)函數(shù)中，得到目標(biāo)函數(shù)取得最小值的必要條件：

其中，λ_j(1≤j≤n)為n個有約束的拉格朗日乘子。將上式同時對u_ij和v_i求導(dǎo)，獲得目標(biāo)函數(shù)最小化必要條件為：

和

根據(jù)上述兩式迭代求解模糊隸屬度u_ij以及聚類中心v_i，最終實(shí)現(xiàn)函數(shù)優(yōu)化并取得最小值。