专利名称：一种基于knn分类算法的mr图像灰度不均匀性校正分割方法
技术领域：
本发明属于图像处理技术领域，涉及MR图像的灰度不均勻性校正算法。
背景技术：
为了提高磁共振(MR)图像的质量和图像分割、配准等处理的精确度，需要在处理 前对磁共振图像的灰度不均勻性进行校正，传统的校正方法主要包括(1)基于滤波的方法因为灰度不均勻场在整个图像区域中是缓慢变化的，所以 可以把灰度不均勻场频谱归为低频谱。因此可以采用低通滤波器来将灰度不均勻场和真实 图像分开。但是在磁共振图像中，真实图像和灰度不均勻场的频谱有重叠的部分，所以这种 方法效果有限。(2)基于统计信息的方法该方法假设局部区域的中值等于这一类型组织的中 值，而灰度不均勻场的存在使之偏移了组织中值，因此，可以利用局部图像的中值和某组织 的中值之差来校正图像。但是这种假设并不是对所有MR图像都合适，有一定的局限性。(3)基于分割的方法这种方法在进行图像分割的同时对图像进行校正，获得不 均勻场。这种方法能够有效利用像素点的信息，进行图像校正，能够自动获得校正图像和分 割图像。例如基于EM (expectation-maximization，期望最大化)的灰度不均勻性校正和分 割方法，该方法对初始值要求较高，需要手动选取各个组织的特征点作为初始值，分割结果 受初始值影响较大；基于FCM(Fuzzy c-means clustering，模糊C均值聚类)的灰度不均勻 性校正和分割方法，该方法引入一个平滑项来确保灰度不均勻场的平滑性，分割结果较好， 但是算法复杂，计算量较大。
发明内容
本发明目的是提供一种基于能量最小和KNN (K-Nearest Neighbor, K最近邻)分 类算法的MR图像灰度不均勻性校正分割方法。该方法属于一种基于分割的方法，可以确保 分割结果不受初始值的影响，不用人工干预，而且在消除灰度不均勻性的同时，大大降低部 分容积效应(partial volume effect)和噪声对分割算法的影响。该方法首先基于曲面拟合原理，采用一组正交归一化的基函数构造灰度不均勻场 模型，然后建立灰度不均勻场模型的能量函数(也就是原始MR图像和灰度不均勻场模型之 间的误差函数)；接下来通过对能量函数最小化的迭代计算，当原始MR图像和灰度不均勻 场模型之间的误差达到最小时，就可以求出灰度不均勻场模型的模型参数；再将灰度不均 勻场模型的模型参数代入灰度不均勻场模型中求出最终经灰度校正的MR图像分割结果。为了方便理解和描述，先介绍本发明所涉及到的一些原理和数学模型(1)灰度不均勻场模型现在广泛使用的模型是将灰度不均勻场简化为一个光滑 的乘性场。以二维图像为例，即I = BJ。其中I为原始图像，B灰度不均勻场，J为未受灰 度不均勻场污染的图像。MR图像的灰度不均勻场在空间上是缓慢变化的，表现在二维空间上就是一个光滑的曲面，可以用一组正交归一化基函数来拟合
权利要求
1. 一种基于KNN分类算法的MR图像灰度不均勻性校正分割方法，包括以下步骤 步骤1 建立灰度不均勻场模型；所述灰度不均勻场模型为
2.根据权利要求1所述的基于KNN分类算法的MR图像灰度不均勻性校正分割方法，其 特征在于，步骤4中对初始未受灰度不均勻场污染的MR图像J(1) (χ, y)进行分类，求出初始 隶属函数U(1) (χ, y)的具体过程包括以下步骤步骤4-1 定义灰度值概率密度函数树妁=+1夂(11^2 ，其中P(q)表示灰度值为q的概率密度，η为MR图像的像素点总数，Κ( ·)为0均值方差为1的高斯核函数，h为窗口宽度；步骤4-2 在W，50]像素宽度范围内确定一个合适的窗口宽度h，使得灰度值概率密度 函数P(q)曲线的波峰数量为4;灰度值概率密度函数ρ (q)曲线的4个波峰对应着MR图像 中脑白质、脑灰质、脑脊液和背景4个区域的最大概率处的灰度值；步骤4-3 采用最大类间方差法确定脑脊液与灰质间的阈值TCG以及灰质与白质间的 阈值TGW;具体方法是a)从步骤4-1和步骤4-2确定的灰度值概率密度函数ρ (q)曲线中 确定一个灰度区间[qmin，qmax]，其中qmin为[5，10]之间的一个灰度值；b)在灰度区间[qmin， QfflaJ内，找出一个灰度值qmral，使得在灰度区间[qmin，qmJ内，利用最大类间方差法求出脑脊 液与灰质间的阈值TCG，在灰度区间[TCG，qmax]内，利用最大类间方差法求出白质与灰质间 的阈值 TGW，且 TGW= qmed ； 步骤4-4 粗分类；利用步骤4-3)所得的阈值TCG与TGW，加上一定的偏差δ，将灰度区间[qmin，QfflaJ分 为4类区域灰度值为[qmin，TCG- δ ]的脑脊液区域Ω工；灰度值为[TCG+ δ，TGff- δ ]的脑 灰质区域Ω2;灰度值为[TGW+δ，qmax]的脑白质区域Ω3;灰度值为[TCG-δ，TCG+ δ ]或 [TGff- δ，TGff+ δ ]的待定区域 Ω 0 ；步骤4-5 采用KNN分类算法对待定区域Qci中的像素点进行分类；最终得到初始隶属函数f/(1)(x，>0 = (uf}(X,U^(χ,u^(χ,u^(χ,^))，其中 t 、 ι 当象素点(Χ,>0属于第i类时4= 当象素点⑶不属于第i类时，i = 1，2，3或4。
3.根据权利要求1所述的基于KNN分类算法的MR图像灰度不均勻性校正分割方法，其 特征在于，步骤7中迭代次数设定值k'设为[10，20]之间。
全文摘要
一种基于KNN分类算法的MR图像灰度不均匀性校正分割方法，属于图像处理领域。本发明首先利用曲面拟合的的知识，用一组正交归一化的基函数构造灰度不均匀场模型，建立能量函数；然后依据能量函数最小化原理求解模型参数，实现灰度不均匀性校正和图像分割。其中解模型参数过程中采用迭代算法，并采用KNN算法求解隶属函数。这样可以在去除灰度不均匀场的同时，大大降低部分容积效应，同时降低了噪声对MR图像灰度不均匀性校正分割的影响。在KNN求解隶属函数时，先用核估计算法得到准确光滑的归一化直方图，然后用最大类间方差法分别求解脑脊液与灰质间的阈值TCG以及灰质与白质间的阈值TGW，利用这两个阈值对算法进行粗分类，最后采用传统的KNN算法对待定点进行精确分类。
文档编号G01R33/565GK102135606SQ201010583560
公开日2011年7月27日 申请日期2010年12月13日 优先权日2010年12月13日
发明者解梅, 赵玮, 高婧婧 申请人:电子科技大学