入到融合区域R，R = R+v index，更新L，并 且对L中的节点按照Node_diff (V1)由小到大排序；计算能量函数Energy的值；
[0147] (3-4-4)如果 Energy < Energy'，设置 index = 1，转到（3-4-2);否则，融合失 败，对融合后的状态进行还原，即令R = V，L = L' ,Energy = Energy'，设置index = index+1 ;如果index小于等于L中节点个数K，则转到（3-4-3)，如果index大于L中节点 个数K，R即为分割结果。
[0148] 本实施例的图3(a)，图4(a)的最终分割结果分别如图3(f)、图4(f)所示，图 3(g)、图4(g)为医生手工勾勒的占位性病变区域边缘。比较图3(f)和图3(g)、图4(f)和 图4(g)发现，本实施例的分割结果与医生勾勒的结果吻合，本发明具有良好的超声图像自 动分割效果。
[0149] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1. 一种基于能量约束的区域增长超声图像自动分割方法，其特征在于，包括以下步 骤： (1) 对原始超声图像进行预处理，生成超像素； (2) 对预处理后的超声图像进行种子点自动选取，具体为： (2-1)用一个22维的特征向量yv表示超像素v，vGV，V为图像的超像素集合，yv = {T_a，T_d，T_h}，其中，T_a为超像素的平均亮度、T_d为超像素的亮度方差、T_h为超像素的 亮度分布；T_a为一维向量，T_d为一维向量，T_h为20维向量； (2-2)构造背景字典：选择图像边缘四周的超像素作为背景候选超像素，并将背景候 选超像素中亮度最大的10%和最小的10%超像素去掉，余下的背景候选超像素作为背 景超像素，以背景超像素的特征yb作为列向量组合成背景字典矩阵D，即D=[ybl，yb2，… ，ybm]，m为背景超像素个数； (2-3)利用步骤（2-2)中得到的背景字典进行稀疏重建，得到显著图； (2-4)选择种子点：利用大津法对步骤（2-3)中得到的显著图进行二值化，将最大的连 续区域作为感兴趣区域，该感兴趣区域的重心超像素则为种子点； (3) 利用步骤⑵中得到的种子点作为区域增长的起点，在能量函数下进行约束增长， 达到约束条件则停止增长得到最终分割结果，具体为： (3-1)以整幅图像中的每个超像素作为节点将图像表示为无向图G= (V;E)，表示节 点集合，即超像素集合，表示边集合，若两个超像素相邻则边存在，否则不存在边，每条边 eij(eijGE)都有一个非负权值w(Vi，Vj)来表示超像素间的联系，如下式所示：w(Vi，')表示边权值，分别为图像中的任意超像素点，I(vJ、I(')分别表示超像 素Vp'的平均亮度，i，jG[〇,N)，N表示图像中所包含超像素的总数； 将图像的超像素点分为3部分，融合区域R的超像素与融合区域相连的邻近区域L的超像素Vl以及背景区域B的超像素vb; (3-2)点差异度、内部差异度与边缘对比度的定义 点差异度Node_diff(vj:表示邻近区域L中的节点Vi与融合区域R的差异度，计算公 式如下：其中，为连接超像素vpv1?的边，w(e&)为边权值； 内部差异度Int_dif:表示融合区域R内所有节点的差异程度，计算公式如下：MST(R;E)代表融合区域R的最小生成树，e表示属于最小生成树的一条边，w(e)为边e的权值； 边缘对比度Edge_dif:表示邻近区域中的所有节点与融合区域R的差异度的平均值， 计算公式如下：其中，k表示邻近区域L中节点的个数，Vl表示邻近区域L中的任意节点； (3-3)能量函数的定义 所述能量函数定义如下： Energy=Eint+Eext 其中，Eint为内部能量，具体计算公式为：其中，C是融合区域的节点个数，pal是正常数； E#为外部能量，具体计算公式为： Eext=Int_dif-pa2*Edge_dif其中，pa2是正常数； (3-4)区域增长过程 区域增长过程是不断地将邻近区域L中差异度Node_diff(Vl)较小的超像素加入到融 合区域中，当能量函数的值到达极小值时，融合区域停止生长，具体步骤如下： (3-4-1)初始化：以种子点超像素vs作为当前融合区域R，与种子点邻近的所有超像 素为邻近区域L，对L中的节点按照差异度Node_diff(Vl)由小到大排序，并计算能量函数 Energy的值，设置游标index= 1，内部差异度Int_dif= 0 ; (3-4-2)用W、Energ太对上面的R、L、Energy进行备份，以便融合失败后，恢复 融合前的状态； (3-4-3)将L中第index个节点vindex加入到融合区域R，R=R+vindex，更新L，并且对L中的节点按照Node_diff(vD由小到大排序；计算能量函数Energy的值； (3-4-4)如果Energy彡Energy'，设置index= 1，转到（3-4-2);否则，融合失败，对融 合后的状态进行还原，即令R=W，L=I^，Energy=Energy'，设置index=index+l; 如果index小于等于L中节点个数K，则转到（3-4-3)，如果index大于L中节点个数K，R 即为分割结果。2.根据权利要求要求1所述的基于能量约束的区域增长超声图像自动分割方法，其特 征在于，步骤（2-1)所述超像素v的特征向量yv= {T_a,T_d,T_h}，计算公式如下， 超像素v的平均亮度T_a:超像素v的亮度方差T_d:其中，n为超像素v中所包含的像素点总数，^表示超像素中第t(tG(〇，n])个像素 点的亮度； 亮度分布T_h为一个20维的向量，具体提取过程为：通过将图像的最小亮度到最大亮 度之间的范围均匀划分20个亮度区间，统计每个超像素在这20个亮度区间的直方图作为 亮度分布T_h。3. 根据权利要求要求1所述的基于能量约束的区域增长超声图像自动分割方法，其特 征在于，步骤（2-3)所述利用步骤（2-2)中得到的背景字典进行稀疏重建，得到显著图，具 体为： (2-3-1)按照稀疏分解公式，计算每个超像素v在背景字典下的稀疏系数xv，如下式所 示：图像上每个超像素v在背景字典D的稀疏重建残差表示为：其中，A参数用来分配误差项和稀疏项IIxvII:的权重，A的值越大， 稀疏项IIxvIIi的约束越大，误差项I贡献越小；反之，稀疏项IIxvII:的约束越 小，误差项贡献越大； (2-3-2)将计算得到的残差ev作为超像素v的显著度，得到显著图。4. 根据权利要求1所述的基于能量约束的区域增长超声图像自动分割方法，其特征在 于，步骤（1)所述对原始超声图像进行预处理，具体为： 首先对图像进行去噪处理，然后对去噪处理后的图像进行过分割，生成超像素。5. 根据权利要求4所述的基于能量约束的区域增长超声图像自动分割方法，其特征在 于，所述去噪处理，具体为： 采用斑点降噪各向异性扩算法对图像进行去噪处理。6. 根据权利要求4所述的基于能量约束的区域增长超声图像自动分割方法，其特征在 于，所述对去噪处理后的图像进行过分割，具体为： 利用简单的线性迭代聚类算法对图像进行分割。
【专利摘要】本发明公开了一种基于能量约束的区域增长超声图像自动分割方法，包括以下步骤：(1)对原始超声图像进行预处理；(2)对预处理后的超声图像进行种子点自动选取；(3)利用步骤(2)中得到的种子点作为区域增长的起点，在本发明的能量函数下进行约束增长，达到约束条件则停止增长得到最终分割结果。本发明得到的分割结果精确，分割过程无需人工参与，真正实现了全自动超声图像分割，有利于后续诸如病灶区域特征提取等处理。
【IPC分类】G06T7/00, G06T5/00, A61B8/00
【公开号】CN104915950
【申请号】CN201510212533
【发明人】王伟凝, 李家昌, 姜怡孜
【申请人】华南理工大学
【公开日】2015年9月16日
【申请日】2015年4月29日