（计算机软件与理论专业论文）医学彩色图像序列分割的研究.pdf

中山大学硕十学位论文 摘要 医学彩色图像序列分割的研究 计算机软件与理论 硕士生：徐礼锋 指导教师：王若梅副教授 摘要 随着图像数据采集技术和设备的发展，获取高清晰的人体彩色图像切片已成为可能。因 而人们希望能够充分利用彩色纹理图像所包含的信息，进行人体组织与器官的三位重建。在 此过程中，图像分割是一个至关重要的环节。然而医学彩色图像十分复杂，到目前为止，对 于医学彩色图像的分割还没有一种比较成熟的方法。因此。研究针对彩色图像序列的准确、 快速分割方法对虚拟现实、远程手术和手术导航等领域的发展具有很重要的意义。 本文通过对酗像分割基础理论的研究，提出一种综合利用l i v e w i r e 算法、广义霍夫变 换和活动轮廓模型的医学彩色图像序列分割方法，解决了传统方法不能有效进行高清晰彩色 图像分割的问题。首先结合图像梯度方向信息重新定义了l i v e w i r e 算法中的代价函数用 改进的代价函数对图像中的一张或多张切片进行准确分割：然后根据上张切片图像物体形状 的信息，用广义霍夫变换确定在当前切片中同一物体的人致轮廓和位置，再以此轮廓作为初 始值，通过活动轮廓模型检测出物体的局部形变，从而获得此切片的准确分割；重复以上过 程就可毗获得所有切片的分割结果。在活动轮廓模型的能量函数中，引入了边缘特征统计的 估计模型，可以充分利用已分割切片的图像信息，使得活动轮廓收敛到期望的目标边缘；通 过广义霍夫变换基本消除了切片间的错位对活动轮廓模型形变的影响，从而保证了分割结果 的可靠性。 试验表明，本文给i 山的分割方法仅需较少的人1 交互，就能快速准确的从医学彩色图像 序列中分割出感兴趣的目标。 关键词：彩色图像序列，图像分割，l i v e w i r e 算法，活动轮廓模型，广义霍大变换 中山大学硕士学位论文a b s t r a c t r e s e a r c ho ns e g m e n t a t i o no fc o l o rm e d i c a li m a g es e r i e s c o m p u t e rs o f t w a r ea n dt h e o r y n a m e ：l i f e n gx u s u p e r v i s o r ：r u o m e iw a n g a st h ed e v e l o p m e n to ft e c h n o l o g ya n dt h ee q u i p m e n to fo b t a i n i n gi m a g ed a t a ，i ti sa l r e a d y p o s s i b l et oo b t a i nh i g hp r e c i s ec o l o ri m a g es l i c e so fh u m a nb o d y s oi ti se x p e c t e dt or e c o n s t r u c t 3 - dh u m a nt i s s u ea n do r g a nb yt a k i n ga d v a n t a g eo ft h ei n f o r m a t i o ni n c l u d e di nt e x t u r e dc o l o r i m a g e i nt h i sp r o c e s s ，s e g m e n t a t i o ni sav e r yi m p o r t a n tp h a s e b u tt h e r ei s n tar i p em e t h o df o r t h es e g m e n t a t i o no fc o l o rm e d i c a li m a g eb e c a u s eo ft h es t r u c t u r eo fw h i c hi sv e r yc o m p l i c a t e d t h e r e f o r e ，i ti ss i g n i f i c a n tf o rm e d i c a lf i e l d ss u c ha sv i r t u a lr e a l i t y , t e l e s u r g i c a ls y s t e m , s u r g i c a l n a v i g a t i o na n de t e t h a tar e l i a b l ea n de f f i c i e n ta l g o r i t h mb ef o u n df o ro b j e c ts e g m e n t a t i o ni nc o l o r m e d i c a li m a g e t h i sp a p e rp r e s e n t sas e g m e n t a t i o nm e t h o df o rc o l o rm e d i c a li m a g es e r i e sb yu n i f y i n g l i v e - w i r ea l g o r i t h m ，g e n e r a l i s e dh o u g ht r a n s f o r ma n da c t i v ec o n t o u r f i r s t l y , w ed e f i n et h ec o s t f u n c t i o no fl i v e - w i r ea l g o r i t h mb ya d d i n gg r a d i e n t - d i r e c t i o ni n f o r m a t i o n t h e nt h ei m p r o v e d l i v e - w i r ea l g o r i t h mi sa p p l i e dt oo b t a i na c c u r a t es e g m e n t e dr e s u l to fo n eo rm o r es l i c ei nac o l o r m e d i c a li m a g es e r i e s n e x t ，t h er o u g hc o n t o u ra n dt h el o c a t i o no ft h eo b j e c ti nt h ec u r r e n ts l i c ei s d e t e c t e db yg e n e r a l i z e dh o u g ht r a n s f o r m ( o h i ob a s e do nt h es h a p ei n f o r m a t i o no ft h eo b j 。c ti n t h ep r e v i o u ss l i c e a st h el o c a lc o n t o u rd e f o r m a t i o no ft h eo b j e c ti st r a c e db ys n a k em o d e lw i t h t h i si n i t i a lc o n t o u r , w eg e tt h ea c c u r a t es e g m e n t a t i o no ft h ec u r r e n ts l i c e r e p e a t e di t ，a l ls l i c e w o u l db ep r o c e s s e d i nt h ee n e r g yf a c t i o n , ae s t i m a t e dm o d e lb a s e db o u n d a r yc h a r a c t e r i s t i c p a r a m e t e ri n t r o d u c e dt om a k ef u l lu s eo ft h ei m a g ei n f o r m a t i o no ft h ep r o c e s s e ds l i c e t h i sm o d e l m a k e st h ea c t i v ec o n t o u ri n o v et ot h ee x p e c t e do b j tb o u n d a r y t h eg t t ta v o i d st h ei n f l u e n c eo n a c t i v ec o n t o u rd e f o r m a t i o nb e c a u s eo ft h ed e v i a t i o no ft h eo b j e c tb o u n d a r yb e t w e e nt h et w o a d j a c e n ts f i c e s ，s ot h i sa l g o r i t h mi n s u r e st h er e l i a b i l i t yo ft h es e g m e n t a t i o np r o c e s s e x p e r i m e n ts h o w st h a tt h em e t h o di nt h i sp a p e rc a no b t a i nt h eb o u n d a r yo ft h ed e s i r e do b j e c t f r o mas e r i e so fc o l o rm e d i c a li m a m sq u i c k l ya n dr e l i a b l yw i t ho n l yl i t t e ru s e ri n t e r v e n t i o n k e yw o r d s ：c o l o ri m a g es e r i e s ；i m a g es e g m e n t a t i o n ；l i v e - w i r ea l g o r i t h m ；a c t i v ec o n t o u r m o d e ；g e n e r a l i s e dh o u g ht r a n s f o r m l 中山大学硕七学位论文引言 引言 随着计算机技术的迅猛发展，使得数字化的虚拟现实得以实现。在医学、生 物学以及军事、航天、体育、汽车、艺术等相关领域，提出了对数字化可视人体 多层次的巨大需求。美国早在1 9 8 9 年发起了“可视人计划”，到目前已经取得了 一系列的成功，其成果在医学领域已经得到了一定的应用。“可视人计划”的应 用前景非常广阔，如：虚拟手术仿真、手术导航、人造器官的研究、设计和创新 手术器械等，可以带来巨大的社会经济效益，因而已吸引了世界各国的研究机构 对此展开深入研究。我国于2 0 0 1 年也提出“虚拟人”研究项目。然而，我国的 “虚拟人”正处在起步阶段，还面临着许多困难。 “虚拟人”项目的基础是基于切片图像序列的人体组织与器官的三维重建。 人体组织与器官的三维成像技术在现代临床医学中起着越来越重要的作用，运用 计算机图形学和图像处理技术，将计算机断层( c o m p u t e r i z e dt o m o g r a p h y ) 像、 核磁共振成像( m a g n e t i cr e s o n a n c ei m a g i n g ) 以及超声( u l t r a s o n o g r a p h y ) 等成像设 备得到的人体断层二维图像序列，在计算机中重建成三维图像，并在屏幕上形象 逼真地显示人体器官的立体视图，通过人机交互，医生可以方便对重建的图像进 行诸如旋转、缩放等操作，以使医生能够更充分地了解病灶的性质及其周围组织 的三维结构关系，从而帮助医生做出准确的诊断和制定正确的手术方案。然而上 述人体数据( 如c t 、m r j 、x 光片) 的二维图像序列仅仅是灰度图像，它们所 包含的信息量少、很难满足医学分析和进行真实手术模拟的需求。随着数据获取 技术和设备的发展，获取高清晰的人体彩色图像切片已成为可能。因而人们希望 能够充分利用彩色纹理图像所包含的信息，进行人体组织与器官的三维重建。在 此过程中，图像分割是一个至关重要的环节，然而医学彩色图像十分复杂，到目 前为止，对于医学彩色图像的分割还没有一种比较成熟的方法。因此，研究彩色 序列图像的准确、快速分割方法对虚拟现实、远程手术和手术导航等领域的发展 具有很重要的意义。 本课题是广东省自然科学基金重点项e l ，目标是致力于研究有关医学彩色切 中山大学硕士学位论文医学彩色图像序列分割的研究 片图像序列的准确、快速分割，基于分割信息的人体组织及器官的三维重建等算 法、理论的建立和研究。课题研究重心正是虚拟人课题从可视化走向实用化的关 键，是目前计算机图形学、医学、力学的前沿课题和热点问题，拥有深厚的理论 和应用背景。 本文结构安排：第1 章介绍医学图像分割的概念、发展现状，以及总结不同 的分割方法。第2 章针对彩色图像分割，首先讨论了彩色图像中彩色空间选取以 及彩色图像梯度表示的问题，然后给出基于l i v e w i r e 分割算法和活动轮廓模型 的分割策略。第3 章详细讨论了l i v e w i r e 分割算法以及利用l i v e w i r e 算法准确 分割医学彩色图像存在的问题，并给出了结合图像梯度方向信息的代价函数来改 善分割效果。第4 章具体分析利用活动轮廓模型来自动分割序列图像：提出基于 边缘特征统计的s n a k e 能量函数，以充分利用已分割切片中获得的图像信息；并 将广义霍夫变换引入到序列分割过程中，在每一切片分割之前先进行一次配准操 作，通过查找目标的位置来提高分割效率和精度。第5 章主要给出分割的结果并 进行评价分析。 2 中山大学硕士学位论文第1 章绪论 第1 章绪论 医学图像处理的主要研究方向有图像分割、图像配准、结构分析、运动分析 等，而其中医学图像分割的研究具有更重要的意义。结构分析、运动分析、三维 可视化等后续操作，以及图像引导手术、肿瘤放射治疗、治疗评估等应用研究都 假设己对图像做了准确的分割，或者说都是以图像分割为基础的，这与计算机视 觉中出现的情况类似。医学图像分割是正常组织和病变组织的三维重建、定量分 析等后续操作的基础，也是临床医学应用的瓶颈，分割的准确性对医生判断疾病 的真实情况并做出正确的诊断计划至关重要。 由于医学图像具有极其繁杂的多样性和复杂性，加上目前医学影像设备成像 技术上的特点，使得医学图像存在一定的噪声，图像中目标物体部分边缘也可能 局部不清晰，这使得医学图像的分割更加困难。因此，目前在图像分割方面仍然 没有可以通用的理论和方法。从指导思想上看，图像分割方法可以分为两种体系： 以计算机为单一执行者的自动分割方法和人机结合的交互式分割方法。自动分割 方法的指导思想是指由计算机自主完成目标的分割任务，而不需要人的参与。但 是，目前计算机自主分割的结果不能令人满意，准确性不能满足医学图像的应用 要求；而对人机交互过于依赖又是实际应用不能接受的。因而，目前对自动分割 方法的研究继续关注的同时对交互式分割方法的研究也成了医学图像分割的研 究重点1 1 ，2 1 。 1 - 1 医学图像分割的目标 医学图像分割技术是医学图像处理和分析中的关键技术。图像分割是指根据 区域内的相似性以及区域间的不同把图像分割成若干区域，从而提取特定区域的 过程。从图像中把感兴趣的目标物体分离出来，是图像分析与识别首要解决的问 题，也是制约医学图像处理中其它相关技术发展和应用的瓶颈【3 l 。从医学研究和 临床应用的角度来看 4 1 ，图像分割的目的是对原始的2 d 或3 d 图像划分成不同 叶l 山大学硕士学位论文医学彩色图像序列分割的研究 性质( 如灰度、纹理等) 的区域，从而把感兴趣的区域提取并显示出来，并使它 尽可能地接近解剖结果，为临床诊疗和病理学研究提供可靠的依据。 医学图像分割在临床诊断、病理分析以及治疗方面具有重要意义，具体表现 在以下几个方面： ( 1 ) 图像分割的结果常用于生物医学图像的分析，如不同形式图像的配准、 融合，解剖结构的测量，获取先验知识用于图像重建以及心脏运动的跟踪等i 7 1 。 ( 2 ) 用于测量人体器官、组织或病灶的体积。通过对这些体积在治疗前后的 定量测量和分析，可以帮助医生进行诊断、预后和制定或修改对病人的治疗方案。 ( 3 ) 为医学图像的三维重建提供重建数据。医学图像的三维重建的目的是便 于可视化，外科手术方案的制定和仿真，病理研究，药物疗效的评估，解剖参考 以及放疗计划中的三维定位等 4 】。 ( 4 ) 图像分割结果可用于在不丢失有用信息的前提下进行数据的压缩和传 输。这对于提高在p a c s 、远程放射学和i n t e r a c t 中的图像传输速度是至关重要 的。 ( 5 ) 分割后的图像与噪声的关系减弱，因此具有降噪功能，便于图像的理解【”。 1 2 医学图像分割技术的发展 医学图像分割技术的发展是一个从人工分割到半自动分割和自动分割的逐 步发展过程。早期的图像分割完全是靠人工完成的。完全的人工分割方法是在原 始图像上用手工直接画出期望的边界i “。例如，当医学专家检查病人脑图像时， 有时要对数以百计的脑切片图像进行边界的人工描绘工作，根据边界的人工描绘 结果“构思”病灶与其周围组织的三维结构及其空间关系，并以此作为制定治疗 计划的基础。这种方法费时费力，分割结果完全依赖于分割者的解剖知识和经验， 而且分割结果难以再现。半自动的分割方法( 又称为人机交互分割技术) 是随着计 算机技术的发展而产生的，通过人机交互的形式，它把操作者的知识和计算机的 数据处理能力有机地结合起来，从而完成对医学图像的交互分割。分割过程中绝 大部分的分割工作是由计算机完成的，人在分割过程中对计算机的分割进行监 督、指导和干预。一般情况下，分割过程是在经验丰富的临床医生的指导下进行。 在分割过程中，操作者根据自己的l | 缶床经验、解剖知识以及计算机的分割情况， 4 中山大学硕士学位论文 第1 章绪论 随时对分割算法进行修正，使计算机的分割过程按照操作者预想的分割结果进 行。与人工方法相比，半自动的分割方法大大减少了人为因素的影响，而且分割 速度快，分割精度高，但操作者的知识和经验仍然是图像分割过程的一个重要组 成部分。近年来，图像分割领域中也涌现出一些自动的分割技术，一些新兴技术 如模糊技术和人工智能技术被引用到图像分割中。自动分割方法能完全脱离人为 干预，由计算机实现医学图像分割的全过程。但是目前自动分割方法的运算量较 大，分割的结果也不能令人满意，在临床应用上很有限。 从目前图像分割技术在临床上的应用情况来看，自动分割方法并没有完全取 代人工分割方法和半自动分割方法1 6 j 。在许多医院，图像分割仍然是由人工完成。 这是由于医学图像常表现为对比度低，组织特性的可变性及不同软组织之间或软 组织与病灶之间边界的模糊性、以及形状结构和微细结构( 血管、神经1 分布的复 杂性等，给研制自动分割技术造成了极大的困难。在实际应用中，为获得理想的 分割效果，常常需要对分割过程进行人工干预。虽然目前已经提出许多自动分割 方法，但是目前大部分自动方法仍然停留在实验阶段，真正能用于临床的还为数 不多。尽管如此，研究实用的自动分割方法并最终取代繁琐的人工分割和主观性 很强的半自动分割一直是人们追求的目标，也是近年来图像分割方法的研究重 点。 自六十年代以来，人们研制开发出众多的图像分割方法，许多方法最初都是 采用单一的图像分割技术，如单纯利用各种微分算子进于亍边界探测的基于边界的 分割技术，利用区域生长或区域分裂的基于区域的分割技术，利用概率统计理论 的分割技术等。随着c t 、m r i 和p e t 成像模式的产生和普及应用，单一的分割 技术已难以胜任对新的成像模式产生的复杂的医学图像的分割任务。为此，人们 提出了集成( i n t e g r a t i n g ) 分割技术的概念，即把两个或两个以上的单一技术结合在 一起，使它们扬长避短，互为补充。实际应用表明，集成分割技术比单一技术能 够达到更理想的分割效果，是图像分割技术发展的一个重要方向。 随着人工智能在图像分割中的应用，基于知识的分割技术和基于人工神经网 络的分割技术也成了近年来图像分割技术的研究热点。 中山大学硕十学位论文医学彩色图像序列分割的研究 1 3 医学图像分割方法概述 根据使用知识的特点与层次，图像分割技术可分为基于图像数据的分割与基 于模型的分割两大类。基于图像数据的分割是直接对图像数据进行分析，以得到 结果。此类分割方法的隐含前提是：认为图像本身含有可以把物体和背景分开的 信息。分割过程不依赖于有关物体的先验知识。常见的基于图像数据的分割包括 基于边缘检测的分割、基于区域的分割、边缘与区域相结合的分割等。基于模型 的分割是在有关物体的先验知识基础上建立要分割物体的模型，然后进行分割。 常见的基于模型的分割包括基于活动轮廓( s n a k e s ) 模型、组合优化模型、目标几 何与统计模型的分割方法。 1 3 1 基于边缘的分割方法 基于边缘的分割方法可以说是人们最早研究的方法。由于目标边缘上的像素 灰度值往往变化比较剧烈，通过图像的梯度信息就可以检测图像中的边缘点，再 按一定策略连接成轮廓，从而构成分割区域。边缘检测技术可以按照处理顺序分 为串行边缘检测和并行边缘检测。在串行边缘检测技术当中，当前像素是否属于 欲检测的边缘取决于先前像素的检测结果；而在并行边缘检测技术中，一个像素 是否属于检测的边缘只与当前像素及其相邻像素有关。这样同时对图像中的所有 像素进行检测，因而称为并行边缘检测技术【“。 最简单的边缘检测方法是并行微分算子法。它利用相邻像素值不连续的性 质，采用一阶或二阶导数来检测边缘点，如r o b e r t s 算子，s o b e l 算子，p r e w i t t 梯度算予和l a p l a c i a n 二阶差分算子等。近年来还提出了基于局部图像函数的方 法、基于边界曲线拟合的方法、串行边界查找等。 边缘检测的难点在于其抗噪性和检测精度的矛盾，若提高检测精度，则噪声 产生的伪边缘会导致不合理的轮廓：若提高抗噪性，则会产生轮廓漏检和位置偏 差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信 息的结合方案，以较好地兼顾抗噪性和检测精度，但仍不能从根本上克服此矛盾。 此外，基于低层信息的轮廓跟踪也是一个难题。 1 3 2 基于区域的分割方法 基于区域的分割，是根据图像数据的特征将图像空间划分为不同的区域1 1 l 。 6 中山大学硕士学位论文 第1 章绪论 常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变 换得到的特征。它利用了图像的局部空间信息，可有效的克服其它方法存在的图 像分割空间不连续的缺点，但它通常会造成图像的过度分割。区域分割方法主要 有阈值法、区域生长法、聚类法、松弛法等。阈值法通过设定不同的特征阈值， 将像素点分为若干类，其关键之处在于设定合适的阐值。对传统闽值法的改进包 括局部阈值、模糊闽值、随机闽值等方法。聚类法在特征空间对像素点集进行聚 类，包括硬聚类、概率聚类、模糊聚类等。由于缺乏对像素空间拓扑关系的考虑， 往往还需进行后处理才能完成分割。聚类准则是聚类分割的关键。区域生长方法 从若干种子点或种子区域出发，然后按照一定的生长准则在种子周围进行区域的 生长，直到将代表该物体的所有象素点结合成一个区域，其中种子的确定通常在 交互状态下完成的，也可运用一定的方法自动完成。这种方法的关键在于种子点 的位置、生长准则和生长顺序等。松弛法是一种动态调优的标号方法，包括概率 松弛、模糊松弛等。把对应于不同目标的标号分别赋给图像中每个像素，根据相 邻像素之间的相容性，通过迭代调整标号，直到收敛。其关键在于标号相容模型 和迭代方法的收敛性。 l _ 3 3 结合区域和边缘信息的方法 边缘检测能够获得灰度或彩色值的局部变化强度，而区域分割能够检测特征 的相似性与均匀性。边缘与区域信息结合进行分割的主要思想是结合二者的优 点，通过边缘点的限制，避免区域的过分割；同时，通过区域分割补充漏检的边 缘，使轮廓更加完整。但是采用什么方式结合，怎样结合才能发挥各自的优势， 获得较好的分割结果是研究的重点。例如：先进行边缘检测与连接，再比较相邻 区域的特征( 灰度均值、方差等) ，若相近则合并：对原始图像分别进行边缘检测 和区域生长，获得边缘图和区域片段图后，再按一定的准则融合，得到最终分割 结果。 1 3 4 其他分割方法 传统的医学图像分割一直停留在人机交互水平，处理时间长，而且处理结果 受人为因素的影响。因此，如何实现图像的自动分割一直是医学图像处理的研究 重点。近年来，随着一些新兴技术( 如模糊数学、数学形态学、数字形态学、人 7 中山大学硕士学位论文医学彩色图像序列分割的研究 工智能等) 在图像处理中的应用，使图像分割技术取得了显著的进展，一些全新 的图像自动分割技术应运而生，如基于形变模型的分割方法，模糊分割技术，基 于数学形态学的分割，人工神经网络分割技术等。这些技术代表了近年来医学图 像分割的最新研究成果，也是今后若干年医学图像分割技术的研究方向。 其中基于形变模型的分割方法是目前研究最多、应用最广的分割方法，可以 宣称是过去几年计算机视觉领域的成功关键。在基于模型的分割技术中，形变模 型提供一种高效的图像分割方法，它结合了几何学、物理学和近似理论。该类方 法通过使用从图像数据获得的信息( 自底向上) 和目标的位置、大小和形状等先 验知识( 自顶向下) ，可有效地对目标进行分割、匹配和跟踪分析。从物理学角 度看，可将形变模型看成一个在施加外力和内部约束条件下自然反应的弹性物 体。二十世纪九十年代以来，随着医学影像设备的发展，可以获得更高空问分辨 率和软组织分辨率的图像，基于形变模型的方法也开始大量应用于医学图像分 割，并取得了成功。形变模型的主要优点是，能够直接产生闭合的曲线或曲面， 并对噪声和伪边缘有很强的鲁棒性：缺点是对初始轮廓的位置十分敏感，有时还 要求人工选择合适的参数1 2 1 。 1 4 本文的研究工作及特点 本文通过图像分割基础理论的研究，提出一种医学彩色图像序列分割的方 法，解决了传统方法不能有效进行高清晰彩色图像分割的问题。首先通过 l i v e w i r e 分割算法对一组序列图像切片的一张或多张进行准确的分割；然后， 利用已经分割图片中目标的边缘线，在相邻待分割切片中，采用广义霍夫变换查 找目标的大概轮廓和位置：再以此轮廓作为初始值，充分利用已分割切片的先验 信息，通过活动轮廓模型对这一切片图像进行自动分割；重复此过程就可以达到 对所有切片中特定目标物体的分割。本文的研究工作主要有以下特点： ( 1 ) 结合图像梯度方向信息重新定义了l i v e 帅e 算法中的代价函数，使其 更适用于噪声相对较大的医学彩色图像的边缘提取，由于新的代价函数采用的是 非线性抑制，所以对曲率较大边缘的目标也有很好的分割效果。 ( 2 ) 提出了一种基于边缘特征统计的主动轮廓模型，以充分利用从已分割切 片中得到的图像信息，从而保证分割的结果更加逼近目标物体的边缘。 中山大学硕士学位论文第1 章绪论 r 3 1 因医学彩色图像的获取过程中，由于仪器的误差或者一些人为因素，而 导致采集的不同切片之间产生比较大的错位，而这种错位对活动轮廓模型的分割 结果有着很大的影响。本文将广义霍夫变换应用到序列分割过程中，基本消除了 切片间的错位对分割结果的影响。 ( 4 ) 序列分割过程中，采用与外部光源强度无关的色彩模型来表达切片图 像，从而达到减小因不同切片的采集过程中光源强度不一致而导致的分割误差。 9 中山大学硕士学位论文医学彩色图像序列分割的研究 第2 章医学彩色图像分割策略 大多数针对灰度图像的分割方法都可以扩展到彩色图像的分割，如直方图阈 值法、区域生长法、边缘检测法、模糊集合法和神经网络法等。这些传统的分割 算法虽然在分割灰度图像效果较好，但用于彩色图像的分割往往达不到理想的效 果，主要是因为人类可以辨别几千中颜色色调和亮度，却只能辨别几十种灰度层 次，也就是说，彩色图像中不同的色彩可能表现为相同的灰度。在彩色图像中， 色彩的描述是在彩色空间中( 也称彩色模型或彩色系统) 进行的。彩色空间的用 途是在某些标准下用通常可接受的方式简化彩色规范1 1 0 l 。位于彩色系统中的每种 颜色都由单个点来表示，用一些基于灰度特征的图像信息来表达彩色图像信息就 不怎么合适，而图像分割很多是在分析图像信息基础上进行的，所以对彩色图像 的分割方法也应该做出调整。 2 1 图像分割中彩色空间的选择 不同的彩色空间适用于不同的应用场合，因此需要有不同的彩色空间。一些 设备因为硬件上的限制决定了它使用的彩色空间类型。大部分彩色空间，特别是 计算机图形学上使用的彩色空间是非线性的，即彩色空间中的相同颜色差在不同 的位置有着不同的视觉差别，有些彩色空间用起来直观，有些彩色空间是依赖于 设备的，有些彩色空间则与设各无关。我们能从r g b 表示法通过线性或非线性 变换得到任何一种彩色表示法。对彩色图像进行分割时，选择合适的彩色空间来 表达图像的颜色对分割效果有着很大的影响。一些彩色空间如r g b ，h i s ，1 1 1 2 1 3 等在彩色图像分割中都用到，但它们中任何一种都不能取代其他彩色表示法。在 彩色图像分割中选择最好的彩色空间仍是难点之一。 2 1 1r g b 向量空间分割 r g b 模型是应用最多的一种彩色空间模型，其中r 表示红色分量，g 代表 1 0 中山大学硕士学位论文 第2 章医学彩色图像分割策略 绿色分量，占表示蓝色分量。每一种颜色在空间的位置是由三个彩色分量坐标 ( r ，g ，b ) 决定的，色彩空间中每一个彩色点可以用一个从r g b 坐标系统原点延 伸的向量c 来表示。 c - 【c r ，。g ，。丑r ( 2 - 1 ) 在基于区域的图像分割中，像素间的相似性度量是一个很重要的概念，在 r g b 向量空间中，一种最简单的度量方式是欧氏距离。令a 和b 代表r g b 空间 中的任一点，如果它们之间的距离小于特定的阈值d n ，就可以说a 和b 是相似 的，a 和b 间的欧氏距离【1 0 】由下式给出： d ( a ，b ) l i a - b 0 ； ( a b ) r ( a - b 津( 2 - 2 ) = k b r ) 2 + ( a g b g ) 2 + ( a 四一b b ) 2 f r1 1 有了像素间的相似性度量，就可以对彩色图像进行聚类分割，这是彩色图像 分割中常用的方法之一。 边缘检测对于图像的分割是一个重要的工具，而边缘检测算法中一个很重要 的概念就是图像梯度。对于灰度图像，梯度的计算很简单，但r g b 彩色空间是 向量空间，如果直接将计算灰度图像梯度的方法应用到r g b 空间，分别计算每 个分量的梯度，然后形成彩色图像，有时就会得到错误的结果。所以彩色图像的 梯度必须重新定义。对于向量梯度的定义有很多的方法，这里主要采用从标量梯 度概念扩展到向量的方法【1 0 1 。 令c 代表r g b 彩色空间中的任意向量，定义其在任意点( 石，y ) 处的梯度，首 先引入如下向量： o ra g o b u 罩r + g + b 越积 o x (23)oro go b 、- ， v | 可万g + 可b 式中r g 和b 是r g b 彩色空间沿r ，g ，b 轴的单位向量。 数量占。，g 拶和g 掣定义为这些向量的点乘，如下所示： 中山大学硕士学位论文 医学彩色图像序列分割的研究 g 。一u 。u u r u = 矧2 + 吲2 + 吲2 占拶= v ，v = v r v = 例2 + 吲2 + 陶2 c z q g 母一u v - u r v - 罢詈+ 詈詈+ 詈警 r ，g 和b 及由此而来的g 是x 和y 的函数。利用该表示法，c ( x ，y ) 最大变 化率方向可以由角度给出： 口= l a r c t a = n ig 。2 9 x g y 坩 c z - s ， 点0 ，y ) 在o 方向上变化率的值( 即梯度的幅值) 由下式给出： ，p ) 一f 三k 。+ g 彬) + 国x x - g y y ) c o s 船+ 2 9 x ys i n 2 0 耳2 ( 2 6 ) 因为t a n a t a n ( a 玎) ，如果口。是式( 2 - 5 ) 的一个解，贝j o o 耳2 也是其解。 因此f p ) - ， + 石) ，f 仅需对0 值在半开区间【0 ，万) 计算。因此在每点o ，y ) ， 存在着两个正交的方向，沿着它们之一，最大，沿其他方向其值最4 - , 1 1 0 1 。 在r g b 向量进空间行彩色分割一般可以得到比较好的结果。但r 、g 、b 三分量之间有很强的相关性，处理它们之间的关系比较复杂，对各分量分别处理 并不能总是凑效。 2 1 2h s i 彩色空间分割 h s i 系统是图像处理中常用的一种色彩空间，相比r g b 模型，它更接近人 类视觉。h s i 系统从它的亮度信息分离出图像的彩色，彩色信息由色度( h ) 和饱 和度( s ) 来代，亮度( i ) 描述的是一幅图像的光亮度。h s i 色彩系统能很好地代表人 的视觉感受，因为人们的视觉系统能很容易区别色调的不同，而难于感受亮度或 饱和度的不同。另外在h s i 空间中彩色图像的每一个均匀性彩色区域都对应一个 相对一致的色调( h ) ，这说明色调能够被用来独立于阴影的彩色区域的分割。 医学彩色图像的每一个像素点都是由r g b 三基色表示，如果希望在单独的 平面上执行图像分割，就可以转换到h s i 空间。因为在色调图像中描述彩色是很 方便的。典型的情况是，为了在色调图像中分离出感* 趣的特征区，饱和度被用 做一个模板图像。在彩色图像分割中强度图像不常使用，因为它不携带彩色信息。 中山大学硕士学位论文第2 章医学彩色图像分割策略 通过非线性变换可以由r g b 模型得到h s i 空间的表示： 一 ( r + g + b ) s 一1 一元三i m i n ( r ，g ，口) 】 ( r + g 七b 、 仃疗 口“ 1 3 6 0 0b g 其中 叫苦等 ( 2 7 ) ( 2 8 ) ( 2 - 9 ) h s i 至咧中颜色距离的度量同样司以用欧氏距离来衡量： 联i ，j ) 。、m t j ) 2 + 僻c o s h i s jc o s h j ) 。+ s i n h i s js i n h j ) 2 ( 2 一l o ) 类似上面的做法，本文对h s i 彩色空间中像素点的颜色梯度进行定义。设图 像中的一点坐标为o ，y ) ，其h s i 颜色向量定义为f ( x ，y ) 一( j 毛y ，s 。，y ，h 。，y ) ，颜 色梯度值记为v r ( x ，y ) ，则定义： 妒叫笥+ 严7 譬嘣1 ) 4 - ( 业雩型) p r 2 1 2 ) 变，色调和饱和度对人 视觉的影响有相应的变化，即亮度值越极小化，不同色度和饱和度的颜色差异就 越小( ，值越高，颜色越接近白色；，值越低，颜色越接近黑色) ；而当亮度，为 0 5 时，不同色调的颜色有最显著的差异。 于是 ，y ) 处颜色梯度可以记为： 厂一 v f 0 ，y ) 一、v l o ，y ) + v f y ，) ，) ( 2 - 1 3 ) 或者直接定义为： v f ( x ，) ，) - 【v k 0 ，) ，) + v f y ( 工，y ) 2 ( 2 1 4 ) 虽然h s i 空间在彩色图像分割中得到广泛的应用，但其缺点是存在奇异性， 具体地讲，当某一像素点的r 、g 、b 分量取值相近时，这个像素的色调是不确 中山大学硕士学位论文 医学彩色图像序列分割的研究 定的，在奇异点附近，即使r 、g 、b 的值有很小变化也会引起变换值( 主要是色 调分量h ) 有很大波动，而且变换后的分布呈伪模式。当亮度很高( ，9 0 ) 或很 低( ，c1 0 ) 时，色调分量也将失去意义。另外，饱和度的定义通常为r g b 分量 的线性组合，当尺+ g + 口的数值较小时，色调的变化也较大。 2 1 。3 正则化的r g b 空间 在对医学彩色序列图像进行分割时，为了获得更好的分割效果，通常会在分 割下一张切片时会利用到上一张的分割结果，而不同切片上的光照强度可能会不 同，这对我i j n 用前一张切片得到的图像信息很不利。要使不同图像切片的色彩 不依赖于亮度的变化，一个有效的方法是通过光谱分布分析得到均一的亮度变 换，这样就提出了规格化的r g b 彩色空间，记为r g b 彩色空间，从r g b 彩色模 型到r g b 模型的转换可以作如下定义【”1 ： r=jf：j；五，一jf：；五，a志(2-15)g7 。j r i 丽，j i ：而6 。j i ：1 i j l i ，g ，b 三个分量由r g b 加权百分比决定，代表真实的彩色信息，也独立 于图像的亮度分量，这是规格化r g b 彩色系统的优点之一。而且由于其色彩值 局限于狭小集合中因此它代表彩色平面更方便。规格化r g b 的一个明显缺陷是 如果在低亮度下，规格化的彩色通常很杂乱，这是由于从r g b 空间到规格化r g b 空间是非线性变化。 2 1 4k l 变换 o h t a 1 4 1 等人在1 9 8 0 年提出了动态k - l 变换方法，将基本彩色特征r g b 转 换成三个正交的彩色特征 ，1 2 ，1 3 ，并指出在图像分割中，最有效的颜色特征是 1 1 ，其次是，2 ，只用1 1 和1 2 作为特征对大多数图像已可以得到较好的分割效果。 k - l 变换具体描述为： ，1 ：1 。- w i 。r 足, g g , ，b b ，t r 1 32w 3 i r , g , b 1 1 4 f 2 1 6 ) 巾山大学硕士学位论文第2 章医学彩色图像分割策略 w l 。咚j 1 ， w 2 一皓，0 ， w 3 - t - ；， 联立上两式，可得： ( 2 - 1 7 ) j 1 ；氓+ g + b ) ，2 * j ( r b ) ( 2 - 1 8 ) 1 3 ；1 ( 2 g r 一日、 显然，j l ，2 ，j 3 由r g b 空间通过线性变换得到。由于单色图 包含原彩色 图像的大多数特征信息，因而在一般情况下仅处理，就可以了。 2 1 5 变换彩色空间的比较 非线性彩色转化法如h i s 和规格彩色空间一般都具有不可避免的奇异性，在 值的分配上存在伪模式。所以线性空间如，l ，2 ，3 胜过非线性空间，但线性彩色空 间的主要问题是三个分量的高度相关性，这使得三个分量相互依赖并与亮度有极 强的关联，于是线性空间非常难于区别强光照射、阴影和遮蔽等情况。除此之外， 如果采用线性彩色空间，图像分割必须在三维空间执行，每次只能用一个分量， 因此很难结合使用这些分量的内在信息。然而非线性彩色空间没有这样的问题。 在h i s 空间，色调常被用来在一维空间分割，只要饱和度不是很低，这里某些类 型的强光照射，阴影和遮蔽能被抵消。在彩色图像分割过程中，无论采取何种分 割方法，都与彩色特征和颜色坐标的选择有关，试验结果表明【1 4 l ，没有一种分类 方法对所有的彩色空间都是有效的，同样也不可能有单一的彩色空间对所有的分 割方法都是有效的。 在医学彩色图像中，图像的获取都是在充足的光照强度下采集的，并且光照 强度对每一点来说具有均匀性，图像中也不存在阴影和遮蔽等一些特殊情况，所 以对医学彩色图像的分割选取，1 ，2 ，3 这样的非线性空间很多时候是合适的。但由 于医学彩色图像序列的采集过程中，由于可能会受到一些外界环境以及人为因素 的影响，不同切片间的光照强度不是总能保持完全一致，而序列分割往往会利用 到相邻切片间的联系，光照强度的不一致必然会影响到对分割的结果，如果在正 则化的r g b 空间中进行处理就可以消除这种影响。因此在医学彩色图像分割中， 1 4 1 2 一 上31一r 中山大学硕士学位论文 医学彩色图像序列分割的研究 需要根据图像本身的质量及使用的分割方法来选择合适的彩色空间进行处理。 2 2 彩色图像的梯度向量角 前面讨论了不同彩色空间中的梯度的表示方法，但并没有定义梯度向量，也 没有给出梯度向量角的概念，公式( 2 5 1 给出的角度定义不能表示图像梯度向量角 的概念，因为0 的值只在区间【0 ，玎4 ) 。梯度向量角在图像分割中往往起着比较 重要的作用，例如用广义霍夫变换提取任意物体的边缘时，梯度方向角是必不可 少的一个参量。 彩色图像的每一个颜色值是由向量来表达的，所以一般意义上的梯度向量角 是没有意义的。一种简单的做法是仅以彩色空间中的某个分量来计算其梯度角的 值，来表示图像的梯度向量角，如式( 2 - 1 9 ) 就是用k - l 变换空间中1 1 分量计算得 到的梯度角： a 。，y ) - a r c t a n0 i 0 1 1 ( 2 - 1 9 ) 这样表达的梯度角一般情况下也能满足图像处理的要求，但有时是也会出现 问题。对于上式中的梯度角，当图像某一区域的，分量完全相同时，即使图像像 素问有明显的差异( 1 2 ，1 3 分量不同) ，则梯度角也会不存在，所以式( 2 1 9 ) 的定 义有时是不可靠的。因此，对梯度角的定义要综合考虑。以下定义是基于k - l 变换空间上的： a ( x ，y ) 一 a r c t a n i 百0 1 1 面0 1 1 ) v i fi o i l - 。n 材警一。； a r c _ 一i 可0 1 2 i 0 1 2 ) 出f ，i 8 1 2 ，, 0 a n d 軎- o ( 2 - 2 0 ) a r c t a n ( 。妙l s 。缸1 3 ) 。嘶e 刑妇 本文后面的试验表明了以上的定义能很好的解决一些实际中的问题。 2 3 医学彩色图像序列的分割策略 目前，医学图像的分割方法很多，但大多数方