一种基于先验知识的大脑磁共振图像超体素生成方法与流程

本发明涉及数字图像处理技术领域，涉及大脑磁共振图像的处理方法，更为具体的说，是涉及一种基于先验知识的大脑磁共振图像超体素生成方法。

背景技术：

超像素(superpixel)或超体素(supervoxel)是近年来快速发展的一种图像预处理技术，它是指图像中局部的、具有一致性的、能够保持一定图像局部结构特征的子区域，相比传统处理方法中的基本单元——像素，超像素更有利于局部特征的提取与结构信息的表达，并且能够大幅度降低后续处理的计算复杂度，在计算机视觉领域尤其是图像分割中得到了广泛应用。此外，超像素还被引入目标跟踪、人体姿态估计、目标识别、显著性分析等其他计算机视觉研究领域。

2003年，ren等人首次提出了超像素的概念，并且被应用于图像分割中。经过十余年的发展，许多经典的超像素生成算法先后被提出。目前已有的超像素生成算法大致分为两类：一种是基于图论的算法，其基本思想是将图像中的像素点看做图节点，并赋予节点间的边以权值，而后采用各种分割准则对图进行划分，从而形成超像素(如shi等人提出的normalizedcuts算法)；另一种是基于梯度上升的算法，其基本思想是从最初的像素聚类开始，采用梯度法迭代修正聚类结果直至满足收敛条件，从而形成超像素(如achanta等人提出的slic算法)。

但是，对于不同类型的图像，目前的超像素生成算法普遍在超像素数量、紧密度与分割质量、算法实用性之间存在相互制约的问题。同时，对特殊目标也难以取得较好的分割结果。特别是对于mri噪声大、弱边界的特点，上述算法并不是很适用，特别当图像受噪声的干扰比较严重时，得不到较好的超像素生成效果。

技术实现要素：

为解决上述问题，本发明公开了一种基于先验知识的大脑磁共振图像超体素生成方法，基于k-means聚类算法，利用空间距离、像素强度和先验知识的加权作为距离度量，对图像像素进行聚类，把大脑磁共振图像分割为一系列均匀并且较好地贴合图像边缘的超体素。

为了达到上述目的，本发明提供如下技术方案：

一种基于先验知识的大脑磁共振图像超体素生成方法，包括如下步骤：

步骤1，概率图谱配准到个体空间

采用配准得到模板图像变形为目标图像的空间变换，利用所述空间变换将与模板图像相对应的已知结果，即图谱信息，映射到目标图像，将概率图谱配准到个体空间，从而得到个体空间上，不同体素的概率分布；

步骤2，种子点的初始化，具体包括如下步骤：

步骤2-1，假设图像一共有n个体素，期望生成的超体素个数为m，则每个超体素的大小为：

v＝n/m；

步骤2-2，其中m也表示初始的种子点的数，每个超体素的边长为：

上式中，l为每一次迭代地步长；

步骤2-3，计算每个种子点与周围3×3×3的区域像素的灰度值的平均，作为与该种子点的灰度值i，计算公式如下：

其中(xi，yi，zi)分别表示种子点i的坐标，ixyz是(x,y,z)坐标下的像素值；

步骤3，计算加权距离作为体素与种子点间的测度算子；

步骤3-1，设加权距离为d，d包含三个部分：像素强度di，空间距离ds和先验知识da，用d0表示这三个部分的距离，具体公式如下：

上式中，di、ds的计算公式如下：

上式中，ij和ii分别表示种子点j处和体素点i处的像素强度，

上式中，(xj，yj，zj)和(xi，yi，zi)分别表示种子点j和体素点i的坐标；

da的值由图像配准得到；

步骤3-2，将di，ds和da分别除以一个系数wi，wa和wa得到修正的加权距离d′：

其中，n为图像的体素总数，m为期望得到的超体素个数，系数wi和wa分别用常数m和λ来表示，将d′表示如下：

步骤3-3，将d′简化后得到最后的加权距离d：

步骤4，采用改进的k-means聚类方法将体素聚类到各个种子点生成超体素，具体包括如下步骤：

步骤4-1，在图像中选取m个位于区域2l×2l×2l中心的体素点，然后将各个点在以它为中心的3×3×3的区域内移动到梯度值最小的地方作为初始的种子点；

步骤4-2，采用步骤3-3得到的公式计算区域内各个体素点到种子点的加权距离d，并把体素点归到距离最近的种子点那一类；

步骤4-3，一旦所有的体素点都被归类到离它最近的那个种子点，则再次计算每个类的聚类中心作为该类的新的种子点；

步骤4-4，重复上述步骤4-2、步骤4-3过程直至最新生成的聚类中心和上一次之间的误差不再变化或小于某个阈值，算法停止。

进一步的，所述步骤1中模板图像包括三个概率分布的标准模板cfs脑脊液图像、gm灰质图像、wm白质图像。

进一步的，所述步骤2-2中，为每个种子点分配一个单独的标签。

进一步的，所述步骤3-3中，简化过程为将步骤3-2中d′乘以系数λm。

与现有技术相比，本发明具有如下优点和有益效果：

本发明通过融入大脑不同组织的先验知识，设计一种新型测度算子，构建一种鲁棒的超体素生成方法，实现对大脑磁共振图像的超体素分割，能够减小图像噪声对分割结果的影响。与已有的超体素生成方法相比，本发明方法效率更高，边界贴合度更高，能较好地抑制噪声的影响。

附图说明

图1为本发明提供的基于先验知识的大脑磁共振图像超体素生成方法步骤流程图。

图2为二维图像灰度最邻近插值示意图。

图3(a)为常规k-means算法计算整幅图中的点示意图，图3(b)为本方法计算局部区域的点示意图。

图4(a)为含噪声的大脑mri轴向视图，图4(b)为本方法基于图4(a)得到的超体素图像。

图5(a)为含噪声的大脑mri冠状面图，图5(b)为本方法基于图5(a)得到的超体素图像。

图6(a)为含噪声的大脑mri矢状面图，图6(b)为本方法基于图6(a)得到的超体素图像。

图7为本方法与其他方法时间比较图。

图8(a)为大脑mri轴向视图，图8(b)为大脑mri冠状面图，图8(c)为大脑mri轴向视图，图8(d)为本方法基于图8(a)得到的超体素图像，图8(e)为本方法基于图8(b)得到的超体素图像，图8(f)为本方法基于图8(c)得到的超体素图像，

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明提供的一种基于先验知识的大脑磁共振图像超体素生成方法，将三个组织的概率分布图谱配准到个体模板，在选取种子点之后，融合先验知识设计一种新的测度算子，将体素聚类到种子点生成超体素。本发明具体流程如图1所示，包括如下步骤：

步骤1，概率图谱配准到个体空间。

采用配准得到模板图像变形为目标图像的空间变换，然后利用这个空间变换将与模板图像相对应的已知结果，即图谱信息，映射到目标图像。本发明采用将三个概率分布的标准模板cfs(脑脊液图像)、gm(灰质图像)、wm(白质图像)配准到个体模板的配准方法采用方法(kleins,staringm,murphyk,viergeverma,pluimjp.elastix:atoolboxforintensity-basedmedicalimageregistration.ieeetransactionsonmedicalimaging.2010；29(1):196-205.)中公开的配准方法完成概率图谱配准到个体空间，从而得到个体空间上，不同体素的概率分布。

步骤2，种子点的初始化。具体包括如下步骤：

步骤2-1，假设图像一共有n个体素，期望生成的超体素个数为m。则每个超体素的大小为

v＝n/m

步骤2-2，其中m也表示初始的种子点(即中心点)的数。每个超体素的边长为

上式中，l即为每一次迭代地步长，为每个种子点分配一个单独的标签。

步骤2-3，同时，为了降低噪声的影响，计算每个种子点与周围3×3×3的区域像素的灰度值的平均，作为与该种子点的灰度值i，计算公式如下：

其中(xi，yi，zi)分别表示种子点i的坐标，ixyz是(x,y,z)坐标下的像素值。

步骤3，计算加权距离作为体素与种子点间的测度算子。

步骤3-1，对每个体素点i，分别计算与之距离最近的聚类中心j(即种子点)之间的相似程度，将最相似种子点的标签赋给该体素点。通过不断迭代该过程，直到收敛。其中的“相似程度”即通过加权距离来度量。设加权距离为d，包含三个部分：像素强度，空间距离和先验知识。可以简单表示为这三个部分的距离，用d0来表示，具体公式如下：

其中：di：像素强度，ds：空间距离，da：先验知识。这三部分将对聚类结果产生不同的影响。当ds的权重较大时，生成的超体素更加的紧凑，但是边界的贴合度将减小。同理，当di的权重较大时，超体素能很好的贴合图像的边缘地区，同时超体素也会变得比较不规则。da则控制图像噪声对超体素生成结果的影响。

di、ds的计算公式如下：

上式中，ij和ii分别表示种子点j处和体素点i处的像素强度。

上式中，(xj，yj，zj)和(xi，yi，zi)分别表示种子点j和体素点i的坐标。

da的值则由步骤1中的图像配准得到。

步骤3-2，将di，ds和da分别除以一个系数wi，ws和wa得到修正的加权距离d，用d′来表示：

其中，n为图像的体素总数，m为期望得到的超体素个数。对于不同的图像，di和da的计算有很大不同。本例中，这两部分的系数wi和wa分别用常数m和λ来表示。于是d′可以表示如下：

步骤3-3，将上式简化(乘以系数λm)后得到最后的加权距离d：

步骤4，将体素聚类到各个种子点生成超体素。具体包括如下步骤：

步骤4-1，在图像中选取m个位于区域2l×2l×2l中心的体素点作为种子点；

步骤4-2，采用步骤3-3得到的公式计算区域内各个体素点到种子点的加权距离d，并把体素点归到“距离”最近的种子点那一类。

传统的k-means算法是计算整幅图像中所有点到各种子点的距离，而本算法只是计算一块局部区域内所有体素点到种子点的距离，如图3(b)所示，极大地减少了计算数量，从而大大提高了算法的效率。。由于每个超体素的大小为l×l×l，因此将局部区域设置为以种子点为中心大小为2l×2l×2l。

步骤4-3，重新计算已经得到的各个类的质心。一旦所有的体素点都被归类到离它最近的那个种子点，则再次计算每个类的聚类中心作为该类的新的种子点。

步骤4-4，重复上述步骤4-2、步骤4-3过程直至最新生成的聚类中心和上一次之间的误差不再变化或小于某个阈值，算法停止。

采用本发明方法基于含噪声的大脑mri轴向视图生成的超体素图像如图4(b)所示，基于含噪声的大脑mri冠状面图生成的超体素图像如图5(b)所示，基于含噪声的大脑mri矢状面图生成的超体素图像如图6(b)所示。可见，针对含有噪声的图像，本发明得到的超体素图像边界贴合度高，可以较好地抑制噪声的影响。本发明构建的该鲁棒的超体素生成方法，能够减小图像噪声对分割结果的影响。

而针对无噪声的图像，我们将本发明与两种现有方法进行了比较，图7为本发明与现有两种方法生成不同个数的超体素所花费的时间，可以看出本算法的效率最高。图8为本发明得到的超体素图像，可见边界贴合度很高。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。