专利名称：一种医学图像的感兴趣区域提取方法
技术领域：
本发明涉及一种图像分割方法，尤其是涉及一种医学图像的感兴趣区域提取方法。
背景技术：
图像分割就是指把图像分成各具特性的多个区域，并提取出感兴趣区域的技术和
过程。在图像分割的基础上可以进一步对感兴趣区域进行测量和分析，为以后的图像理解
提供必要的数据，因此图像分割一直是计算机视觉和模式领域的研究热点。 目前已经有多种方法被人们提出应用于图像分割领域特别是医学图像分割领域，
根据医学图像"区域间不连续性"和"区域内相似性"两个准则，现有的应用于医学图像的
分割方法大致可分为三类 —是阈值分割方法经典的有由0tsu在1979年提出的大津法，该类方法存在很大 的缺点，即如果图像中不存在明显的灰度差异或各对象的灰度值范围有较大重叠，则很难 取得令人满意的分割结果。 二是基于边缘检测的分割方法该类方法主要借助于各种边缘检测算子对图像处 理得到分散的边缘，然后再得到用户感兴趣的区域；这种方法的缺点在于边缘检测时抗噪 性和检测精度的相矛盾，如果提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓，如 果提高抗噪性，则会产生轮廓漏检和位置偏差等现象。 三是基于区域生长的分割方法该类方法从满足检测准则的种子点开始，在各个 方向上生长区域，当其相邻点满足特定检测准则就并入小块区域中，当新的点被合并后再 用新的区域重复这一过程，直到没有可接受的邻近点时生成过程终止。性质的相似性和空 间的相邻性是该类方法的重要准则，因此假定灰度相近、性质上相似、空间上相邻的像素点 属于同一区域。该方法的优点在于计算过程简单，对于均匀的连通目标有很好的分割效果。 其主要缺点是如果起初种子点选择不佳，如选择的种子点为一个噪声点，这样将会影响最 终的分割效果，此外需反复调试阈值直到获得满意的结果为止，这样不仅耗时较长，而且所 获得的分割结果在很大程度上依赖于用户对阈值的选择，另一方面由于图像密度和噪声不 一，该类方法往往会导致分割得到的结果存在空洞或过度分割。 近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定 理论、方法和工具相结合的图像分割方法，如基于人工神经网络的分割方法、基于数学形态 学的分割方法、基于人工智能在图像应用的分割方法、基于小波分析和变换的分割方法等 等。其中，大部分方法的复杂度较高，运行时间较长，此外对硬件的要求也较高，即往往需要 在工作站上执行，这将给实际应用带来一定困难。
发明内容
本发明所要解决的技术问题是提供一种计算复杂度低，运行时间短，且提取出的 感兴趣区域的精度高的基于区域生长的医学图像的感兴趣区域提取方法。
本发明解决上述技术问题所采用的技术方案为一种医学图像的感兴趣区域提取 方法，包括以下步骤 ①从输入图像中的待提取的感兴趣区域中选取一个坐标为(px， py)的像素点 作为区域生长的种子点，记种子点为SeedP，记种子点SeedP的灰度值为SeedP(px， py)， SeedP(px， py) = Sum/9，其中，Sum表示种子点SeedP的灰度值SeedP(px， py)与种子点 SeedP的各八邻域像素点的灰度值之和； ②基于区域生长法，以种子点SeedP为中心向外进行区域生长，具体区域生长过 程为 ②-1、设置 一 个感兴趣队列WellQueue和 一 个初始化队列InitQueue，其 中，感兴趣队列WellQueue和初始化队列InitQueue的初始值为空；设置一个观察序 列ObserveList禾口一个比较序列ReferList，其中，观察序列ObserveList禾口比较序列 ReferList的初始值为空； ②_2、将种子点SeedP的坐标位置(px，py)以及种子点SeedP的各八邻域像素点 的坐标位置加入到感兴趣队列WellQueue中，并将种子点SeedP以及种子点SeedP的各八 邻域像素点标记为感兴趣像素点；将种子点SeedP的各八邻域像素点的四邻域像素点中未 标记为感兴趣像素点的像素点的坐标位置加入到初始化队列InitQueue中，并将这些像素 点标记为待处理像素点； ②_3、判断初始化队列InitQueue是否为空，如果是，则表示区域生长过程结束， 执行步骤③，否则，按先进先出方式从初始化队列InitQueue中选取位于队头的坐标位置， 将该坐标位置对应的待处理像素点作为第t个观察点，记第t个观察点为ObservePt，其中， t的初始值为1 ; ②_4、计算所有感兴趣像素点的灰度值的平均值，记为Average,计算第t个观察 点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值，记 为NeiAve，将第t个观察点ObserVePt的灰度值、种子点SeedP的灰度值、所有感兴趣像素 点的灰度值的平均值Average以及第t个观察点ObserVePt的四邻域像素点中标记为感 兴趣像素点的各像素点的灰度值顺序作为观察序列ObserveList的序列元素，将第t个观 察点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值 NeiAve、种子点SeedP的灰度值、所有感兴趣像素点的灰度值的平均值Average以及第t个 观察点ObservePt的四邻域像素点中标记为感兴趣像素点的各像素点的灰度值顺序作为比 较序列ReferList的序列元素； ②-5、计算观察序列ObserveList的零化像之和，记为Sa， & = |](xa(A) —、(1》， 计算比较序列ReferList的零化像之和，记为Sb， & = —&(1))，计算观察序列
ObserveList的初始像之和，记为S' a，& =J(^(A:)-、(1》，计算比较序列ReferList的
初始像之和，记为S' b，《=￡(、(A:)-4(1》，其中，n表示观察序列ObserveList或比较序
列ReferList所包含的序列元素的总个数，4《n《6，xa(l)表示观察序列ObserveList中 的第1个序列元素，xa(k)表示观察序列ObserveList中的第k个序列元素，xb(l)表示比的第k个序列元
素，X' a(k) = Xa(k)/Xa(l)，X' a (1) = Xa (1)/、 ( 1) = 1 ， X ' b (k) = Xb (k)/xb (1) ， X ' b(l) =Xb(l)/Xb(l) = 1 ; ②_6、利用灰色理论计算观察序列ObserveList和比较序列ReferList的绝对 关联度与相对关联度，以及第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关 联度，具体过程为计算观察序列ObserveList和比较序列ReferList的绝对关联度，记为
1+s。+
1++《 co。计算观察序列ObserveList和比较序列ReferList的相对
关联度，记为r，r二-
1+s。1++《+义&-《
，计算第t个观察点ObservePt与待提取的感兴
趣区域的灰色综合关联度，记为pt， pt = e e+(i-e)r，其中，a和e均为调整参数，o
< a < l，O. 4《9《0. 6， P t G
; ②_7、根据第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度 P t，计算用于判断第t个观察点ObservePt是否属于待提取的感兴趣区域的判定阈值，记为
一77zres/w/d | — 7T2res/K /d |> 77
Thresholdt， 77^es/K>/《=
m+1
，其中，Thresholdt—i
为用于判断第t-1个观察点ObserveP^是否属于待提取的感兴趣区域的判定阈值，用于判 断第1个观察点ObserveP工是否属于待提取的感兴趣区域的判定阈值Threshold的取值范 围为0. 5《Threshold!《l，O. 04《n《0. 06， m表示所有感兴趣像素点的总个数；
②0-8、判断|Thresholdt_P t|《V是否成立，其中，0. 04《V《0.06，如果成 立，则确定第t个观察点ObservePt属于待提取的感兴趣区域，对第t个观察点ObservePt 进行重新标记，标记为感兴趣像素点，并将该第t个观察点ObservePt的坐标位置加入到感 兴趣队列WellQueue中，然后将初始化队列InitQueue中与第t个观察点ObservePt的坐 标位置对应的坐标位置删除，将第t个观察点ObservePt的四邻域像素点中未标记为感兴 趣像素点或待处理像素点的像素点的坐标位置加入到初始化队列InitQueue中，并标记这 些像素点为待处理像素点，再计算t' =t+l，t = t'，并返回步骤②-3继续执行，否则，将 初始化队列InitQueue中与第t个观察点ObserVePt的坐标位置对应的坐标位置删除，再 计算t' =t+1，t = t'，并返回步骤②-3继续执行； ③从感兴趣队列WellQueue中提取出所有坐标位置，然后从输入图像中提取出这
些坐标位置相对应的感兴趣像素点，由提取出的感兴趣像素点组成感兴趣区域。 在执行所述的步骤①之前先采用四邻域中值滤波法对输入图像进行滤波处理，去
除输入图像中存在的噪声。 对获得的感兴趣区域进行空洞点填补后处理，以得到更精确的感兴趣区域，具体 过程为扫描输入图像中的每个像素点，对于各个像素点，判断像素点是否为感兴趣像素 点，如果是，则对该像素点不进行处理，否则，再判断该像素点的四邻域像素点是否均为感 兴趣像素点，当该像素点的四邻域像素点均为感兴趣像素点时，将该像素点标记为感兴趣 像素点，当该像素点的四邻域像素点中存在一个像素点不为感兴趣像素点时，对该像素点
7不进行处理。 所述的步骤②_6中A = 0. 5。
所述的步骤②-7中Threshold! = 0. 8。
所述的步骤②-7中n = 0. 05。
所述的步骤②-8中V = 0. 05。 与现有技术相比，本发明的优点在于在种子点选取过程中，将所选定的种子点的 灰度值与其八邻域像素点的灰度值之和的平均值作为该种子点的灰度值，这样可有效避免 种子点选取的错误，即避免了选取的种子点为噪声点的情况，从而避免了因种子点的错误 选择而导致不能进行良好分割的后果；在区域生长过程中，本发明方法充分利用了图像的 全局和局部信息，构建了观察序列和比较序列，再利用灰色理论计算观察序列和比较序列 的绝对关联度及相对关联度，根据观察序列和比较序列的绝对关联度及相对关联度计算表 征观察点与待提取的感兴趣区域的灰色综合关联度，计算复杂度较低，运行时间较短，也无 需进行大量数据的数学统计；在区域生长过程中，在观察点与待提取的感兴趣区域的灰色 综合关联度的基础上调整判定阈值，从而把感兴趣区域从图像中提取出来，且提取得到的 感兴趣区域的精度较高。 本发明方法为了得到更为规则的感兴趣区域的轮廓，还可对获得的感兴趣区域进 行空洞点填补后处理，通过空洞点填补操作，可获得精度更高的感兴趣区域。
图1为本发明方法的基本流程框图； 图2为观察序列ObserveList和比较序列ReferList的示意图；
图3a为头颅CT切片； 图3b为采用现有的基于区域生长的分割方法对图3a所示的图像进行分割获得的 结果示意图； 图3c为采用本发明方法从图3a所示的图像中提取得到的结果示意图；
图4a为带有噪声的头颅CT切片； 图4b为采用现有的基于区域生长的分割方法对图4a所示的图像进行分割获得的 结果示意图； 图4c为采用本发明方法从图4a所示的图像中提取得到的结果示意图。
具体实施例方式
以下结合附图实施例对本发明作进一步详细描述。 目前，灰色系统理论在各行各业得到了广泛的应用，但是图像处理技术上，只是在 近年来才得到了一定的发展，特别在医学图像处理上的应用研究则更少。现阶段灰色系统 理论在图像处理中的应用多集中在以下几个方面l)图像识别方面；2)图像压縮；3)图像 质量评价方面；4)图像噪声处理方面；5)图像检索方面。本发明提出的一种医学图像的感 兴趣区域提取方法，正是利用了灰色系统理论，区域生长与灰色系统理论的结合为提取效 果较好地感兴趣区域提供了较好的保障。本发明方法的基本流程如图l所示，其具体包括 以下步骤
8
①从输入图像中的待提取的感兴趣区域中选取一个坐标为(px， py)的像素点 作为区域生长的种子点，记种子点为SeedP，记种子点SeedP的灰度值为SeedP(px， py)， SeedP(px， py) = Sum/9，其中，Sum表示种子点SeedP的灰度值SeedP(px， py)与种子点 SeedP的各八邻域像素点的灰度值之和。在此，如果选定的种子点SeedP为噪声点，则将会 给后续的区域生长带来困难，为了避免种子点SeedP为噪声点，本发明利用了种子点SeedP 的各八邻域像素点的灰度值来确定种子点SeedP的灰度值，即将种子点SeedP的灰度值与 种子点SeedP的各八邻域像素点的灰度值之和的平均值作为种子点SeedP的灰度值。
在此，该种子点SeedP是由人工方式选定的；种子点SeedP的各八邻域像素点的坐 标可分别表示为(px-l， py+l) 、 (px， py+l) 、 (px+l， py+l) 、 (px+l， py) 、 (px+l， py-l) 、 (px， py-l) 、 (px-l， py-l) 、 (px-l， py)。 ②基于区域生长法，以种子点SeedP为中心向外进行区域生长，具体区域生长过 程为 ②-1、设置 一 个感兴趣队列WellQueue和 一 个初始化队列InitQueue，其 中，感兴趣队列WellQueue和初始化队列InitQueue的初始值为空；设置一个观察序 列ObserveList禾口一个比较序列ReferList，其中，观察序列ObserveList禾口比较序列 ReferList的初始值为空。 ②_2、将种子点SeedP的坐标位置(px，py)以及种子点SeedP的各八邻域像素点 的坐标位置加入到感兴趣队列WellQueue中，并将种子点SeedP以及种子点SeedP的各八 邻域像素点标记为感兴趣像素点；将种子点SeedP的各八邻域像素点的四邻域像素点中未 标记为感兴趣像素点的像素点的坐标位置加入到初始化队列InitQueue中，并将这些像素 点标记为待处理像素点。 ②_3、判断初始化队列InitQueue是否为空，如果是，则表示区域生长过程结束， 执行步骤③，否则，按先进先出方式从初始化队列InitQueue中选取位于队头的坐标位置， 将该坐标位置对应的待处理像素点作为第t个观察点，记第t个观察点为ObservePt，其中， t的初始值为1。 ②_4、计算所有感兴趣像素点的灰度值的平均值，记为Average,计算第t个观察 点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值，记 为NeiAve，将第t个观察点0bserVePt的灰度值、种子点SeedP的灰度值、所有感兴趣像素 点的灰度值的平均值Average以及第t个观察点0bserVePt的四邻域像素点中标记为感 兴趣像素点的各像素点的灰度值顺序作为观察序列ObserveList的序列元素，将第t个观 察点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值 NeiAve、种子点SeedP的灰度值、所有感兴趣像素点的灰度值的平均值Average以及第t个 观察点ObservePt的四邻域像素点中标记为感兴趣像素点的各像素点的灰度值顺序作为比 较序列ReferList的序列元素。图2给出了观察序列ObserveList和比较序列ReferList 的示意图，图2中，xa(4) xa(n)表示观察序列ObserveList的第4个序列元素至第n个 序列元素，Xb(4) Xb(n)表示比较序列ReferList的第4个序列元素至第n个序列元素， 4《n《6，n的值是根据选取的观察点的四邻域像素点中标记为感兴趣像素点的所有像素 点个数决定的，也就是说所选取的观察点的四领域像素点中可能存在一个标记为感兴趣像 素点的像素点，也可能存在三个标记为感兴趣像素点的像素点。
在此，将种子点SeedP的灰度值及所有感兴趣像素点的灰度值的平均值Average 分别作为观察序列ObserveList和比较序列ReferList的序列元素，目的是从全局进行考 虑，避免输入图像灰度逐渐变化产生的影响。 在此，将第t个观察点ObservePt的四邻域像素点中标记为感兴趣像素点的各像 素点的灰度值分别作为观察序列ObserveList和比较序列ReferList的序列元素，实际上， 也可考察第t个观察点ObservePt的八邻域像素点。 在此，比较序列ReferList是为了与观察序列ObserveList比较，得到两者的绝对 关联度和相对关联度，再根据判定阈值可确定观察点是否属于待提取的感兴趣区域，具体 体现在后续步骤中，其关键是凸显观察点对绝对关联度和相对关联度的影响，因此在此要 保持比较序列ReferList的平稳性。 ②-5、计算观察序列ObserveList的零化像之和，记为Sa， & = ^—x。(l》， 计算比较序列ReferList的零化像之和，记为Sb， & = ^—，计算观察序列 ObserveList的初始像之和，记为S' a，& = S(^(A:)-x。(l》，计算比较序列ReferList的
初始像之和，记为S' b，& = J(xA("-、(l》，其中，n表示观察序列ObserveList或比较序
列ReferList所包含的序列元素的总个数，4《n《6，xa(l)表示观察序列ObserveList中 的第1个序列元素，xa(k)表示观察序列ObserveList中的第k个序列元素，xb(l)表示比 较序列ReferList中的第1个序列元素，Xb(k)表示比较序列ReferList中的第k个序列元
素，X' a(k) = Xa(k)/Xa(l)，X' a (1) = Xa (1)/、 ( 1) = 1 ， X ' b (k) = Xb (k)/xb (1) ， X ' b(l) =Xb(l)/Xb(l) = 1。 ②_6、利用灰色理论对观察序列ObserveList和比较序列ReferList的绝对关联 度与相对关联度，以及第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度 进行分析，具体过程为计算观察序列ObserveList和比较序列ReferList的绝对关联度，
记为e ，e =--f，计算观察序列ObserveList和比较序列ReferList的
<formula>formula see original document page 10</formula>相对关联度，记为r， r = ~~^~c.e,，计算第t个观察点ObservePt与待提取的感
兴趣区域的灰色综合关联度，记为pt， pt= e e+(i-e)r，其中，a和e均为调整参数， 0 < A < l，O. 4《e《0. 6， P t G
。 在此具体实施例中，取A =0. 5，也可取0 1之间的任何一个值，如果取较大值， 则计算得到的观察序列ObserveList和比较序列ReferList的绝对关联度e及相对关联 度r的值就相对较小，如果取较小值，则计算得到的绝对关联度e及相对关联度r的值就 相对较大，如果A太大或太小，都不能很好的表征两个序列之间的绝对关联度和相对关联度。 在此具体实施例中，取e = 0. 5， e = 0. 5使得观察序列ObserveList和比较序列 ReferList的绝对关联度和相对关联度在表征观察点与待提取的感兴趣区域的灰色综合关联度中占相同的比例，使计算得到的观察点与待提取的感兴趣区域的灰色综合关联度更为精度，为后续的判定阈值的自动调整提供了良好的保障。 ②_7、根据第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度P t，计算用于判断第t个观察点ObservePt是否属于待提取的感兴趣区域的判定阈值，记为
Thresholdt， T7res/w械=4 wx77 res/w/《,+A , ^' 7J ^ ，其中，Thresholdt—!
为用于判断第t-l个观察点ObservePt—工是否属于待提取的感兴趣区域的判定阈值，用于判断第1个观察点ObserveP工是否属于待提取的感兴趣区域的判定阈值Threshold的取值范围为0. 5《Threshold!《l，O. 04《n《0. 06， m表示所有感兴趣像素点的总个数。
在此具体实施例中，取初始的判定阈值Threshold = 0. 8，该值经过大量实验验证，验证结果表明Threshold = 0. 8时，能够使分割从一个平稳的初始的判定阈值开始，从而能够使分割区域更有相关性；在此取n =0.05，如果n值太大，则会使分割的区域变大，如果太小，则会使分割的区域变小，这两种情况都将导致分割的精度不高，通过大量实
验证明当n在o. 04《n《o. 06内时获取的结果的精度较高，n = o. 05时效果更佳。 ②-8、判断|Thresholdt_P t|《V是否成立，其中，0. 04《V《0. 06，如果成立，则确定第t个观察点0bservePt属于待提取的感兴趣区域，对第t个观察点0bserVePt进行重新标记，标记为感兴趣像素点，并将该第t个观察点0bservePt的坐标位置加入到感兴趣队列WellQueue中，然后将初始化队列InitQueue中与第t个观察点0bservePt的坐标位置对应的坐标位置删除，将第t个观察点0bservePt的四邻域像素点中未标记为感兴趣像素点或待处理像素点的像素点的坐标位置加入到初始化队列InitQueue中，并标记这些像素点为待处理像素点，再计算t' =t+l，t = t'，并返回步骤②-3继续执行，否则，将初始化队列InitQueue中与第t个观察点0bserVePt的坐标位置对应的坐标位置删除，再计算t'=t+l，t = t'，并返回步骤②-3继续执行。 在此具体实施例中，取V =0. 05，如果V值调整过大，会导致图像过度分割，使得感兴趣区域变大，从而导致分割不精确；另一方面V值调整太小，也会导致分割不精确完全，没有完全分割出感兴趣区域。 ③从感兴趣队列WellQueue中提取出所有坐标位置，然后从输入图像中提取出这
些坐标位置相对应的感兴趣像素点，由提取出的感兴趣像素点组成感兴趣区域。 在此具体实施例中，在执行步骤①之前可先采用四邻域中值滤波法对输入图像进
行滤波处理，这样可有效去除输入图像中存在的噪声。在此，也可采用其他各邻域的中值滤
波法，但鉴于综合考虑噪声滤波的速度与精度，因此在此具体实施例中采用四邻域。 在此具体实施例中，为了得到更为规则的感兴趣区域的轮廓，还可对获取的感兴
趣区域进行空洞点填补后处理，得到更精确的感兴趣区域，空洞点填补后处理的具体过程
为扫描输入图像中的每个像素点，对于各个像素点，判断像素点是否为感兴趣像素点，如
果是，则对该像素点不进行处理，否则，再判断该像素点的四邻域像素点是否均为感兴趣像
素点，当该像素点的四邻域像素点均为感兴趣像素点时，将该像素点标记为感兴趣像素点，
以减少噪声对感兴趣区域的影响，当该像素点的四邻域像素点中存在一个像素点不为感兴
趣像素点时，对该像素点不进行处理。
以下为对利用现有的基于区域生长的分割方法和本发明方法分别对数字影像进
行处理得到的结果进行客观的比较，以说明本发明方法的有效性和可行性。 图3a给出了头颅CT数字影像，该影像的灰度值范围为
，首先在该影像中
人工确定一个种子点，种子点的灰度值范围为
，图3a中的白色箭头指向的点表示
人工选定的种子点，然后根据本发明的区域生长的具体过程获得感兴趣区域。图3c给出了
采用本发明方法从图3a所示的图像中提取得到的结果示意图，而图3b给出了采用现有的
一般区域生长的分割方法对图3a所示的图像进行分割获得的结果示意图，对比图3b和图
3c可得知，本发明方法能更准确的定位感兴趣区域，避免了一般区域生长法分割过度和不
能充分分割出感兴趣区域的现象，使得分割的区域更符合区域间一致性的原则，分割结果
更加完整精确，使得分割后不存在明显锯齿。 图4a给出了加了噪声的头颅CT数字影像，图4a中的白色箭头指向的点表示人工选定的种子点。图4c给出了采用本发明方法从图4a所示的图像中提取得到的结果示意图，但事先并未采用四邻域中值滤波法对输入的加了噪声的头颅CT数字影像进行滤波处理，而图4b给出了采用现有的基于区域生长的分割方法对图4a所示的图像进行分割获得的结果示意图，对比图4b和图4c可得知，本发明方法在输入图像未去噪声的情况下也能分割出较好的感兴趣区域，足以说明本发明方法在抗噪性方面更加具有鲁棒性，通过对获得的感兴趣区域进行空洞点填补后处理，有效避免了分割后空洞的产生，分割后的区域更加的完整和精确，使得进一步定量分析和判断更为合理，能够得到满意的分割结果。
1权利要求
一种医学图像的感兴趣区域提取方法，其特征在于包括以下步骤①从输入图像中的待提取的感兴趣区域中选取一个坐标为(px，py)的像素点作为区域生长的种子点，记种子点为SeedP，记种子点SeedP的灰度值为SeedP(px，py)，SeedP(px，py)＝Sum/9，其中，Sum表示种子点SeedP的灰度值SeedP(px，py)与种子点SeedP的各八邻域像素点的灰度值之和；②基于区域生长法，以种子点SeedP为中心向外进行区域生长，具体区域生长过程为②-1、设置一个感兴趣队列WellQueue和一个初始化队列InitQueue，其中，感兴趣队列WellQueue和初始化队列InitQueue的初始值为空；设置一个观察序列ObserveList和一个比较序列ReferList，其中，观察序列ObserveList和比较序列ReferList的初始值为空；②-2、将种子点SeedP的坐标位置(px，py)以及种子点SeedP的各八邻域像素点的坐标位置加入到感兴趣队列WellQueue中，并将种子点SeedP以及种子点SeedP的各八邻域像素点标记为感兴趣像素点；将种子点SeedP的各八邻域像素点的四邻域像素点中未标记为感兴趣像素点的像素点的坐标位置加入到初始化队列InitQueue中，并将这些像素点标记为待处理像素点；②-3、判断初始化队列InitQueue是否为空，如果是，则表示区域生长过程结束，执行步骤③，否则，按先进先出方式从初始化队列InitQueue中选取位于队头的坐标位置，将该坐标位置对应的待处理像素点作为第t个观察点，记第t个观察点为ObservePt，其中，t的初始值为1；②-4、计算所有感兴趣像素点的灰度值的平均值，记为Average，计算第t个观察点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值，记为NeiAve，将第t个观察点ObservPt的灰度值、种子点SeedP的灰度值、所有感兴趣像素点的灰度值的平均值Average以及第t个观察点ObservePt的四邻域像素点中标记为感兴趣像素点的各像素点的灰度值顺序作为观察序列ObserveList的序列元素，将第t个观察点ObservePt的四邻域像素点中标记为感兴趣像素点的所有像素点的灰度值的平均值NeiAve、种子点SeedP的灰度值、所有感兴趣像素点的灰度值的平均值Average以及第t个观察点ObservePt的四邻域像素点中标记为感兴趣像素点的各像素点的灰度值顺序作为比较序列ReferList的序列元素；②-5、计算观察序列ObserveList的零化像之和，记为Sa，计算比较序列ReferList的零化像之和，记为Sb，计算观察序列ObserveList的初始像之和，记为S′a，计算比较序列ReferList的初始像之和，记为S′b，其中，n表示观察序列ObserveList或比较序列ReferList所包含的序列元素的总个数，4≤n≤6，xa(1)表示观察序列ObserveList中的第1个序列元素，xa(k)表示观察序列ObserveList中的第k个序列元素，xb(1)表示比较序列Re ferList中的第1个序列元素，xb(k)表示比较序列Re ferList中的第k个序列元素，x′a(k)＝xa(k)/xa(1)，x′a(1)＝xa(1)/xa(1)＝1，x′b(k)＝xb(k)/xb(1)，x′b(1)＝xb(1)/xb(1)＝1；②-6、利用灰色理论计算观察序列ObserveList和比较序列ReferList的绝对关联度与相对关联度，以及第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度，具体过程为计算观察序列ObserveList和比较序列ReferList的绝对关联度，记为ε，计算观察序列ObserveList和比较序列ReferList的相对关联度，记为r，计算第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度，记为ρt，ρt＝θε+(1-θ)r，其中，λ和θ均为调整参数，0＜λ＜1，0.4≤θ≤0.6，ρt∈
；②-7、根据第t个观察点ObservePt与待提取的感兴趣区域的灰色综合关联度ρt，计算用于判断第t个观察点ObservePt是否属于待提取的感兴趣区域的判定阈值，记为Thresholdt，其中，Thresholdt-1为用于判断第t-1个观察点ObservePt-1是否属于待提取的感兴趣区域的判定阈值，用于判断第1个观察点ObserveP1是否属于待提取的感兴趣区域的判定阈值Threshold1的取值范围为0.5≤Threshold1≤1，0.04≤η≤0.06，m表示所有感兴趣像素点的总个数；②-8、判断|Thresholdt-ρt|≤ψ是否成立，其中，0.04≤ψ≤0.06，如果成立，则确定第t个观察点ObservePt属于待提取的感兴趣区域，对第t个观察点ObservePt进行重新标记，标记为感兴趣像素点，并将该第t个观察点ObservePt的坐标位置加入到感兴趣队列WellQueue中，然后将初始化队列InitQueue中与第t个观察点ObservePt的坐标位置对应的坐标位置删除，将第t个观察点ObservePt的四邻域像素点中未标记为感兴趣像素点或待处理像素点的像素点的坐标位置加入到初始化队列InitQueue中，并标记这些像素点为待处理像素点，再计算t′＝t+1，t＝t′，并返回步骤②-3继续执行，否则，将初始化队列InitQueue中与第t个观察点ObservePt的坐标位置对应的坐标位置删除，再计算t′＝t+1，t＝t′，并返回步骤②-3继续执行；③从感兴趣队列WellQueue中提取出所有坐标位置，然后从输入图像中提取出这些坐标位置相对应的感兴趣像素点，由提取出的感兴趣像素点组成感兴趣区域。
2. 根据权利要求1所述的一种医学图像的感兴趣区域提取方法，其特征在于在执行所 述的步骤①之前先采用四邻域中值滤波法对输入图像进行滤波处理，去除输入图像中存在 的噪声。
3. 根据权利要求1或2所述的一种医学图像的感兴趣区域提取方法，其特征在于对获 得的感兴趣区域进行空洞点填补后处理，以得到更精确的感兴趣区域，具体过程为扫描输 入图像中的每个像素点，对于各个像素点，判断像素点是否为感兴趣像素点，如果是，则对 该像素点不进行处理，否则，再判断该像素点的四邻域像素点是否均为感兴趣像素点，当该像素点的四邻域像素点均为感兴趣像素点时，将该像素点标记为感兴趣像素点，当该像素 点的四邻域像素点中存在一个像素点不为感兴趣像素点时，对该像素点不进行处理。
4. 根据权利要求3所述的一种医学图像的感兴趣区域提取方法，其特征在于所述的步 骤②-6中入=0. 5。
5. 根据权利要求3所述的一种医学图像的感兴趣区域提取方法，其特征在于所述的步 骤②_7中Threshold! = 0. 8。
6. 根据权利要求3所述的一种医学图像的感兴趣区域提取方法，其特征在于所述的步 骤②-7中n = 0. 05。
7. 根据权利要求3所述的一种医学图像的感兴趣区域提取方法，其特征在于所述的步 骤②-8中v = 0. 05。
全文摘要
本发明公开了一种医学图像的感兴趣区域提取方法，该方法在种子点选取过程中，将所选种子点的灰度值与其八邻域像素点的灰度值之和的平均值作为该种子点的灰度值，这样可避免种子点选取的错误，从而避免了因种子点的错误选择而导致不能进行良好分割的后果；在区域生长过程中，本方法充分利用了图像的全局和局部信息，构建了观察和比较序列，再利用灰色理论计算观察和比较序列的绝对关联度及相对关联度，根据绝对关联度及相对关联度计算表征观察点与感兴趣区域的灰色综合关联度，计算复杂度较低，运行时间较短；在区域生长过程中，在灰色综合关联度的基础上调整判定阈值，从而把感兴趣区域从图像中提取出来，且提取精度较高。
文档编号G06T5/00GK101697229SQ20091015370
公开日2010年4月21日 申请日期2009年10月30日 优先权日2009年10月30日
发明者向建华, 李均利, 汪永生, 祝卫峰, 金林鹏, 陈刚, 魏平 申请人:宁波大学;