一种基于分类框架的图像二值化方法

1.本发明属于计算机图像处理技术领域，尤其涉及一种基于分类框架的图像二值化方法。


背景技术：

2.二值化是光学相干层析成像(oct)图像分析中的一项基本任务，它已广泛应用于面积的简单量化和更复杂的血管分析。近年来，大量研究集中于视网膜血管和脉络膜毛细血管八角图像的定量分析。oct能够以微米分辨率获得活体组织的图像，已成功应用于医学诊断，如诊断性眼科和其他人体内脏。oct是一种非侵入性成像技术。
3.机器学习方法在生物医学图像处理中得到了长足的发展。这些方法已广泛应用于生物医学图像重建、图像去噪和疾病分类。二值化方法可分为全局阈值和局部阈值两类。
4.1)基于全局阈值的方法简单有效，适用于差异较大的像素点，包括大津法(otsu)和迭代二值化等方法；2)基于局部阈值方法可以获得样本子图像的最佳阈值，包括niblack和k-means等方法。
5.全局阈值方法，如otsu，是一种有效的二值化阈值图像的方法，但不适用于光照对比度较低以及光照不均匀的图像。当图像的对比度很低时，将很难直接区分目标和背景区域，该类方法二值化效果较差。
6.对于低强度、光照不均匀以及复杂场景的图像处理需要有效的二值化阈值方法。
7.综上所述，现有技术存在的问题如下：
8.1)直接将现有的方法，全局阈值二值化和局部阈值二值化方法直接应用于低对比的oct眼睛图像中，获得的二值化效果不理想。
9.2)上述二值化方法不能对大量样本特征训练学习有效的参数，不能获得有效的自适应阈值。
10.3)现有技术没有对oct眼睛图像采用指定区域的方法来提取特征。
11.解决上述算法问题的难度：
12.本发明需要对低对比度下的oct眼睛图像分割出器官和背景区域，图像中存在器官区域和背景区域对比度很低的问题。
13.需要提取器官区域和背景区域的有效特征，以区分两个类别。
14.需要学习较好的模型，来判别器官区域和背景区域。
15.解决上述算法问题的意义：
16.在计算机图像处理领域，二值化技术是数字图像处理中重要的一个步骤，可以将图像中感兴趣区域分割出来。然而对于感兴趣区域和背景区域对比度很低的小样本场景，现有的二值化方法不能取得理想的效果。基于指定小区域划分的方法能够从少量样本中提取较多的特征。基于支持向量机的分类框架能够根据提取的特征来训练模型中的参数，并能够获得待测图像中各区域的自适应的阈值。


技术实现要素：

17.针对现有算法存在的问题，本发明提出了一种基于分类框架的图像二值化方法，该方法可以克服图像中对比度受限的问题，并能够利用小样本学习分类模型。主成分分析方法可以学习特征向量子空间，它可以获得每个小区域的有效特征。支持向量机模型可以学习到一个有效的分类器，可以自适应地获得任意区域的阈值。
18.本发明是这样实现的，一种基于分类框架的图像二值化方法，包含如下步骤:
19.步骤一：选取指定单纯小区域子图并打标签，在训练样本中，对每一幅oct眼睛样本图像手工选取器官小区域和背景小区域，将仅包含器官的小区域(前景)和仅包含背景的小区域分别存放在两个对应的文件夹roi和background中；
20.步骤二：倍减区域拼接特征提取，采用n-邻域目标区域和双重区域提取特征的方法，分别从两个文件夹中每个子图像采用两个阶段的方式提取gabor特征，第一阶段采用n-邻域目标区域对子图像进行划分并提取gabor特征，第二阶段对n-邻域目标区域间隔选取像素点减小一半的尺寸，如原来区域大小为n＝10*10个像素，则倍减后尺寸变为5*5，如果减半后为小数则向上取为整数，并提取特征，最后将两次提取的gabor特征拼接为一个特征向量；
21.步骤三：特征降维并学习映射子空间，提取的gabor特征维度高达3000维，为了减少维度冗余和提取有效成分，利用主成分分析pca技术对提取的gabor特征进行降维，并得到特征映射子空间s；
22.步骤四：训练支持向量机，获得给定一个训练集的最佳分离超平面，并对背景和前景进行分类；
23.步骤五：n-邻域目标区域分类，根据n-邻域目标区域的判断结果对待测样本图像区域赋值；
24.步骤六：2-方向定长填充和形态学腐蚀算法处理，在得到初步的二值化图像后，存在roi区域内部孔洞和不连续等问题，采用2-方向定长填充和形态学腐蚀对二值化后的图像进一步处理。
25.优选的，所述步骤二中提取的gabor特征像素大小为10*10；对应的gabor提取公式如下：
[0026][0027]
z＝2πi(μxcosθ+μysinθ)，
ꢀꢀꢀ
(2)
[0028]
其中，σ表示gabor模板的标准差，θ表示gabor滤波的方向，μ表示采样频率。将提取的仅包含器官的10*10像素区域的特征标记为1，将提取的仅包含背景的10*10像素区域的特征标记为-1。
[0029]
优选的，所述步骤三中提取的gabor特征维度达到3000维；所述特征映射子空间计算公式如下：
[0030]
s＝f(x)，
ꢀꢀꢀ
(3)
[0031]
其中，s表示训练集中的投影子空间，f(x)是计算主成分分析pca的函数。
[0032]
优选的，所述步骤四具体步骤如下：给定一个训练集d＝{(x1，y1)，(x2，y2)，...，(xi，yi)，...}，yi∈{-1，+1}，xi是第i个n-邻域目标区域的特征，yi是第i个n-邻域目标区域
的标签，其关系可以表示如下：
[0033]
yi＝w
t
xi+b，
ꢀꢀꢀ
(4)
[0034]
其中w＝(w1；w1；
…
；wd)是决定了超平面方向的法向量，b是表示超平面与坐标原点之间距离的位移值；
[0035]
利用训练集d找到样本和超平面之间最小的样本，并最大化支持向量样本与超平面之间的距离，得到参数w和b，与(w，b)相关的目标可以写成如下：
[0036][0037]
利用公式(5)将从训练集中获得最佳分离超平面，通过公式(6)对背景和前景进行分类，
[0038][0039]
如果yi＝1，则表示该n-邻域目标区域被分类为roi；否则，当前n-邻域目标区域将被分类为背景。
[0040]
优选的，所述步骤五中n-邻域目标区域分类和赋值具体步骤如下：
[0041]
1)先对待测样本图像按照训练样本中n-邻域目标区域大小进行划分各区域；
[0042]
2)利用公式3学习到的特征映射子空间和公式5分类模型对待测样本各n-邻域目标区域进行分类，
[0043]
3)按照公式6对结果进行重新赋值，当前n-邻域目标区域的判断结果为1时，则赋值为255，否则，当前n-邻域目标区域的判断结果为-1时，则赋值为0。
[0044]
优选的，所述2-方向定长填充和形态学腐蚀算法处理具体步骤如下：
[0045]
1)利用2-方向定长填充算法对初步二值化的图像孔洞和断开区域进行填充或连接，分别采用向右水平方向和向下垂直方向进行检测孔洞或断开区域，若当前为前景区域的边缘点，并在指定长度范围内存在与前景一致的像素点，则对该方向的所有像素点赋值为前景像素值；而对超出指定长度的孔洞或断开区域不处理；
[0046]
2)利用腐蚀算法对2-方向定长填充后的图像进行边缘去除，以使连通区域达到一定尺寸，得到最终的二值化图像。
[0047]
综上所述，本发明的优点和积极效果如下：
[0048]
本发明解决了低对比度oct眼睛二值化问题和首次提出基于n-邻域目标区域的分类框架的二值化技术。该技术能够从小样本数据集中选取训练数据，并能够学习不同区域的自适应阈值。在oct眼睛数据集上取得了理想的二值化效果。
附图说明
[0049]
图1为本发明实施例提供的基于分类框架的光学相干层析成像的数字图像二值化方法流程图。
[0050]
图2是本发明实施例提供的roi和背景选取并打标签的流程图。
[0051]
图3是本发明实施例提供的原图像和二值化图像，左图为oct眼睛原图像，右图为二值化结果图像。
具体实施方式
[0052]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
针对现有二值化方法存在的问题，本发明提供了一种基于分类框架的图像二值化方法，下面结合附图对本发明做详细的描述。
[0054]
如图1和图2所示，本发明实施例提供的基于分类框架的光学相干层析成像的数字图像二值化方法包括：
[0055]
步骤一、选取指定单纯小区域子图并打标签，在选取的少量训练样本中，对每一幅oct眼睛样本图像手工选取器官小区域和背景小区域，小区域大小在23*53像素到109*95像素之间，并将仅包含器官的子图放在单独的文件夹roi中，将仅包含背景的子图放在单独的文件夹background中。
[0056]
步骤二、倍减区域拼接特征提取，采用n-邻域目标区域和双重区域提取特征的方法，分别从两个文件夹中每个子图像采用两个阶段的方式提取gabor特征，第一阶段采用n-邻域目标区域对子图像进行划分并提取gabor特征，第二阶段对n-邻域目标区域间隔选取像素点减小一半的尺寸，如第一阶段的区域大小为n＝10*10个像素，则倍减后尺寸变为5*5个像素，如果减半后为小数则向上取为整数，并提取特征，最后将两次提取的gabor特征拼接为一个特征向量；对应的gabor提取公式如下：
[0057][0058]
z＝2πi(μxcosθ+μysinθ)，
ꢀꢀꢀ
(2)
[0059]
其中，σ表示gabor模板的标准差，θ表示gabor滤波的方向，μ表示采样频率。将提取的仅包含器官的10*10像素区域和倍减5*5像素区域的拼接特征标记为1，将提取的仅包含背景的10*10像素区域和倍减5*5像素区域的拼接标记为-1。
[0060]
步骤三、特征降维并学习映射子空间，对10*10像素区域和倍减5*5像素区域提取的gabor特征维度达到3000维，维度较高，特征数据较为稀疏，利用主成分分析pca技术对提取的gabor特征进行降维，并得到特征特征映射子空间s，计算公式如下。
[0061]
s＝f(x)，
ꢀꢀꢀ
(3)
[0062]
其中，s表示训练集中的投影子空间，f(x)是计算主成分分析pca的函数。
[0063]
步骤四、支持向量机已被广泛应用于模式识别和分类中。基本思想是将输入向量投影到新的特征空间中，从而可以从训练样本中获得最佳分类超平面。给定一个训练集d＝{(x1，y1)，(x2，y2)，...，(xi，yi)，...}，yi∈{-1，+1}，在训练模型中，xi是第i个，10-邻域目标区域，这里设置n＝10，的特征。yi是第i个10-邻域目标区域的标签，其关系可以表示如下：
[0064]
yi＝w
t
xi+b，
ꢀꢀꢀ
(4)
[0065]
其中w＝(w1；w2；...；wd)是法向量，它决定了超平面的方向。b是位移值，表示超平面与坐标原点之间的距离。分类超平面可以识别属于不同类别的样本。
[0066]
目标是找到样本和超平面之间最小的样本。然后，我们可以最大化支持向量样本
与超平面之间的距离，得到参数w和b。转化为对偶问题，与(w，b)相关的目标可以写成如下：
[0067][0068]
利用公式(5)将从训练集中获得最佳分离超平面，通过公式(6)对背景和前景进行分类。
[0069][0070]
如果yi＝1，则表示该10-邻域目标区域被分类为roi；否则，当前10-邻域目标区域将被分类为背景。
[0071]
步骤五、10-邻域目标区域分类。首先对待测样本图像按照训练样本中10-邻域目标区域大小进行划分各区域，然后利用公式(3)学习到的特征映射子空间和公式(5)分类模型对待测样本各10-邻域目标区域进行分类，按照公式(6)对结果进行重新赋值，当前10-邻域目标区域的判断结果为1时，则赋值为255，否则，当前10-邻域目标区域的判断结果为-1时，则赋值为0。
[0072]
步骤六、2-方向定长填充和形态学腐蚀算法处理。在得到初步的二值化图像后，存在roi区域内部孔洞和不连续等问题，采用2-方向定长填充和形态学腐蚀算法对二值化后的图像进一步处理。首先，利用2-方向定长填充算法对初步二值化的图像中的孔洞进行水平方向和垂直方向上的一定范围内缺失的像素点进行填充，对邻域断点进行水平方向和垂直方向上的连通；然后，利用腐蚀算法对2-方向定长填充后的图像进行边缘去除，以使连通区域达到一定尺寸。进而得到最终的二值化图像。
[0073]
实施例：
[0074]
为了验证本算法二值化的优越性，将基于分类框架的光学相干层析成像的数字图像二值化算法与现有的3种算法iteration、otsu和k-means进行对比，这些方法包含了基于局部和全局的二值化方法，均在oct眼睛数据集上进行了验证，oct眼睛数据集和实验代码可以从以下网址获得https：//mip2019.github.io/spsvm。实验结果为表1所示。
[0075]
表1不同算法在测试图像上的f1-score(精确度/召回率)(％)。最佳结果用粗体标出。
[0076][0077][0078]
f1-score也称为f-measure，是精度(precision)和召回率(recall)的加权平均值。它是一种较为常用的评价标准，用于评价分类模型的质量。f1-score可以提供精确性和召回率的评估。f1-score越高，模型越有效。
[0079]
f1-score、精确度和召回率的定量比较如表1所示。可以看出，本发明的方法在测试样本上获得了最高的f1-score、召回率和精确度值。本发明的召回率超过90％。这意味着
本发明的方法比对比方法更多的roi领域。本发明的分类框架有两个优点：1)本发明的框架基于特定的n-邻域目标区域小区域，可以生成一定数量的数据样本。2)本发明的分类框架基于机器学习方法，可以从训练图像中学习自适应的模型参数。利用训练好的支持向量机分类模型，对测试图像提取自适应阈值。
[0080]
通过以上实验结果可以得到如下结论：本发明基于分类框架的二值化方法优于对比方法，适用于低对比度oct眼睛图像的二值化处理，表明了本发明方法的优越性。
[0081]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。