[發明專利]基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法

在審

• 申請號: 202111457331.4
• 申請日: 2021-12-02
• 公開（公告）號: CN114140476A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 王佳熙;王孝天;左鴻滔
• 申請（專利權）人: 成都大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/12;G06T7/13;G06T7/136
• 代理公司: 重慶忠言智匯專利代理事務所(普通合伙) 50290
• 代理人: 張麗昆

本發明涉及一種基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法，屬于圖像處理領域。本發明分為粗分割和細分割兩部分，以區域生長模型作為粗分割，并提出了基于平均絕對離差的閾值公式，該公式可以根據圖像特征自動生成合理的閾值，并能處理灰度不均勻或對比度低的圖像；以LRCV模型作為細分割，并提出了自適應雙勢阱函數，動態地調整系數使得分割初期擴散速率增大，后期擴散速率減小，并且降低零勢阱附近的擴散速率，使得零水平集侵入被分割目標內部的可能性降低，從而提高分割精度。有效地解決了LRCV模型初始輪廓敏感的問題。對于灰度不均或低對比度的CT圖像，相較于傳統的主動輪廓模型具有更加精確的分割結果。

技術領域

本發明屬于圖像處理領域，涉及基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法。

背景技術

計算機斷層成像(Computed Tomography，CT)是通過射線掃描物體來獲得投影數據，并用其重建出物體的斷層圖像。圖像分割是將圖像劃分成若干各具特性的不相交的區域，并根據這些區域上圖像的某種特性提取和分離出感興趣的目標區域。圖像分割作為圖像處理到圖像分析與理解的關鍵步驟，能否從CT圖像中準確、高效地提取出感興趣目標，對后續處理(如缺陷檢測、尺寸測量及逆向制造等)至關重要。因此，研究如何提高圖像分割的精確度具有較大的實際意義。

現有技術中，由Chan和Vese提出的Chan-Vese(CV)模型是經典的活動輪廓模型，CV模型具有分割速度快、初始輪廓不敏感的優點，但分割灰度不均的圖像時效果欠佳。在2008年，Li和Kao等人提出由區域可縮放擬合(Region Scalable Fitting,RSF)能量驅動的活動輪廓模型，RSF模型能有效分割灰度不均的圖像，但初始輪廓較為敏感，且在每次迭代中需要執行四次卷積運算，因此RSF模型需要較長的分割時間。在2010年，Li和Xu等人提出距離保持水平集演化(Distance Regularized Level Set Evolution,DRLSE)模型，DRLSE模型采用基于雙勢阱函數的懲罰項，避免周期性初始化水平集函數，大幅提高水平集演化速度，但其雙勢阱函數在零勢阱的演化速度達到最大，使得水平集急速地演化，導致零水平集侵入被分割目標內部，最終可能導致DRLSE模型分割不夠理想。在2012年，Liu和Peng提出局部區域型Chan-Vese(Local Region Chan-Vese,LRCV)模型，LRCV模型能有效分割灰度不均的圖像，且每次迭代只需執行兩次卷積運算，所以分割速度比RSF模型稍快，但由于其只考慮局部特征，因此初始輪廓較為敏感，進而導致分割精度降低。

因此，為了提高LRCV模型對CT圖像的分割精度，本發明提出基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法。

發明內容

有鑒于此，本發明的目的在于提供一種基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法。將區域生長和主動輪廓相結合，該發明分為粗分割和細分割兩部分，以區域生長模型作為粗分割，以LRCV模型作為細分割，有效地解決了LRCV對初始輪廓敏感的問題，進而提高LRCV模型對CT圖像的分割精度。

為達到上述目的，本發明提供如下技術方案：

基于新型閾值公式和自適應雙勢阱函數的CT圖像分割方法，該方法包括以下步驟：

S1：計算圖像統計量和閾值；

S2：確定種子點和生長準則；

S3：利用廣度優先搜索進行遍歷；

S4：以區域生長的結果作為初始輪廓；

S5：求解能量泛函對應的Euler-Lagrange方程得到水平集函數演化方程；

S6：利用有限差分法進行水平集函數迭代；

S7：輸出分割結果。

可選的，所述S1具體包含以下步驟：