对于面向生物医学图像交互式分割算法研究

精品文档 对于面向生物医学图像交互式分割算法研究对于面向生物医学图像的交互式分割算法研究摘 要：结合阈值法和区域生长算法，提出一种面向生物医学图像的交互式分割算法。利用阈值法对图像中用户选取的感兴趣区域进行预分割，通过阈值分割得到的目标区域确定区域生长算法的种子像素与相似性准则，获得最终分割结果。实验结果表明，该算法简单快速、对生物医学图像可取得良好的分割效果。 关键词：生物医学图像;图像分割;交互式技术;阈值法;区域生长 1、概述 生物医学图像分割是近年来图像处理领域的研究热点。 基于生物医学图像的分割技术，可对生物医学图像的内容进行分析，帮助医务人员诊断和制定治疗方案，同时由于生物医学图像具有分辨率低、噪声大、图像特性差异大的特点，为该类图像的分割带来了困难，因此生物医学图像的分割技术具有重要的研究意义。依据不同生物医学图像间特性差异较大的特点，本文着重研究交互式分割算法，即由使用者给出图像中包含目标的感兴趣区域，再利用算法对该区域进行分割。 取阈值是最简单的图像分割方法1-4，即确定阈值后将灰度值大于阈值的像素划分为一类，灰度值小于阈值的像素为另一类，这2 类像素将分别对应于图像中的目标或背景区域。 该算法重点在于阈值的选取，经典算法包括Otsu 的最大类间方差法2和Kapur 的熵极值法3。 在2 种算法的基础上衍生出其他一些算法，如基于Otsu准则和图像熵的阈值选取方法4，基于区域生长5-8的分割算法是图像处理领域中另一种常用的技术，其基本思想是先对每个需要分割的区域找一个或多个种子像素作为生长起点，然后将种子像素周围邻域中与种子像素有相似性质的像素合并到种子像素所在区域中，再将这些新像素当作新的种子像素重复进行上述过程，直到没有满足条件的像素被包括进来5。该算法的重点在于种子像素的选取和像素相似性判定准则的确定，如文献6使用区域平均灰度和局部梯度变化率来判定相似性，文献7利用灰度值和新像素与种子像素间的距离来定义相似性，文献8对图像进行分水岭变换后再确定相似性。本文提出一种简单有效的面向生物医学图像的交互式分割算法。 2、面向生物医学图像的交互式分割算法 2.1 交互式分割交互式分割是由用户给出图像中感兴趣区域的大致范围，并标记出目标区域中的典型像素，从而提供部分先验信息，然后分割算法再根据这些信息对图像进行分割。交互式分割只要人工提供少量信息，就能适应不同的图像特性和需求，提高分割准确率，同时可以有效降低计算复杂度。 2.2 阈值分割阈值分割方法的关键是依据图像的本身性质选取合适的阈值，阈值的选择主要有统计学方法和信息论方法等，其中，统计学方法是通过对图像灰度分布一维或二维直方图的分析处理，选取最佳分割阈值，经典算法为最大类间方差算法2，该算法在双峰灰度直方图的模型基础上，依据目标和背景2 类数据间的方差极大准则确定区域分割门限。 在本文交互式分割算法中，当用户选取感兴趣区域后，算法首先计算感兴趣区域的局部直方图，并使用文献2算法得到最优阈值Th ，然后计算典型目标像素的平均灰度值Ir ，并作为阈值分割的参考灰度值。如果ThIr ，则将灰度值大于等于Th 的像素作为目标区域，反之将灰度值小于Th 的像素作为目标区域。 阈值法分割快速，但由于未考虑图像中的空间信息，因此对噪声和灰度不均匀性很敏感。目标区域中会出现小孔洞，并且目标区域边界上的毛刺现象很明显。 2.3 区域生长算法基于种子的区域生长算法5的基本思想是将具有相似性质的像素集合起来构成区域，具体做法是先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似性准则来判定)合并到种子像素所在区域中。再将这些新像素当作新的种子像素继续进行上述过程，直到没有满足条件的像素，这样一个区域生成了。 种子像素的选取方法、相似性判别准则的设定以及区域生长策略将影响算法的性能。 区域生长算法具体如下： F=SRG(I, G, seeds, TI, TG)(1)产生初始目标模板矩阵F，令seeds 列表中所包含像素的值为1，其余像素的值为0，令n 为seeds 列表中所包含像素的个数;(2)执行1)n0=n;2)扫描图像中的所有像素如果像素(i,j)不是目标像素，即F(i,j)=0，同时临近目标区域，即其邻域N8(i,j)中含有目标像素，则执行;如果I(i, j) -m TI 且G G(i, j) T ，则认为该像素属于目标区域，即令F(i,j)=1;更新区域均值m=(mn+I(I,j)/(n+1)和像素个数n=n+1;(3)如果n0 对于基本区域生长算法，其要点在于种子像素的选取和像素相似性判别准则的选取。本文算法利用阈值法得到目标区域的种子像素，即对感兴趣区域进行阈值分割后，得到目标像素的典型灰度值和方差，即目标像素灰度直方图的均值0 I 和0 ，然后以感兴趣区域中灰度值满足条件0 0.25 的像素以及用户初始选取的典型目标像素作为种子像素。 算法使用的相似性判别准则为如果该式成立，则意味着与目标区域相邻的像素(i, j)的灰度与目标区域的灰度均值接近，并且该处的梯度幅值较小，即图像在该像素处较为平滑，因此该像素可划分到目标区域中。本文算法以阈值分割得到的目标像素的灰度值方差0 确定灰度相似性判别阈值TI ，即TI = 2 0。梯度相似性判别阈值TG 是利用Otsu 准则对感兴趣区域内的梯度幅值G 取阈值得到。在确定了种子像素和相似性判别阈值后即可调用区域生长算法得到分割结果。 本文算法具体如下： F=interactiveSRG(I)(1)用户选取感兴趣区域M;(2)用户选取目标区域典型像素seeds0，计算它们的平均灰度值Ir;(3)计算局部灰度直方图HMI，并由Otsu 算法得到最佳分割阈值Th;(4)如果ThIr，则认为灰度值大于等于Th 的像素是目标像素，反之则认为灰度值小于Th 的像素是目标像素;(5)由阈值分割结果估计的目标像素灰度值均值I0 和方差0，将感兴趣区域M中灰度值满足0 0 I(i, j) - I 0.25? 的像素作为种子像素加入seeds 列表中(seeds0 也并入seeds 中);(6)计算区域生长算法中的灰度相似性判别阈值TI=20;(7)计算感兴趣区域内的梯度幅值矩阵G，统计其直方图HMG，并由Otsu 算法得到梯度幅值的最佳分割阈值TG;(8)执行表2 给出的区域生长算法F=SRG(I, G, seeds, TI, TG);(9)根据目标区域模板F，输出分割结果。 3、实验 本节给出图像的分割结果。为人工选取的感兴趣区域，分别是Otsu 阈值分割和本文算法的分割结果。采用本文算法后产生的目标区域边界的毛刺明显较阈值分割少，边缘相对较为平滑。由于本文算法利用阈值法对图像进行了预分割，因此获取了较多的目标区域种子像素，也提高了算法的速度和效率。 4、结束语 鉴于梯度方向对光照具有较好的不变性，本文提出一种改进的利用梯度方向码的快速旋转不变模板匹配方法，在不降低匹配准确性的前提下，显着减少了运算量，因此，本算法可用于图像制导、视觉导航等对实时性要求高的场合。 参考文献 1 周振环, 赵 明. 基于不变矩景象匹配算法J. 计算机工程,2007, 33(22): 203-205. 2 Lee S W, Kim W Y. Rotation-invariant Template Matching UsingProjection MethodJ. Proc. of KITE, 1996, 19(1): 475-476. 3 Choi M S, Kim W Y. A Novel Two Stage Template MatchingMethod for Rotation and Illumination InvarianceJ. PatternRecognition, 2002, 35(1): 119-129. 4 Tsai Du-ming, Chiang Cheng-huei. Rotation-invariant PatternMatching Using Wavelet DecompositionJ. Pattern RecognitionLetters, 2002, 23(1-3): 191-201. 5 雷 鸣, 张广军. 一种新颖的抗旋转快速图像匹配算法J. 光电子激光, 2009, 20(3): 397-401. 6 Ullah F, Kaneko S. Using Orientation Codes for Rotation-invariantTemplate MatchingJ. Pattern Recognition, 2004, 37(2): 201-209. 7 Porkili F. Integral Histogram: A