本发明属于图像处理技术领域，更进一步涉及医学图像分割技术领域的一种基于元胞自动机ca(cellularautomata)的结肠息肉图像分割方法。本发明可用于对结肠镜图像中的息肉区域进行分割，以便实现对息肉的分类，判断息肉是否需要切除，进而辅助医生进行结肠镜检查和诊断。
背景技术：
结直肠癌是全球第三大最常见的癌症类型。预防结肠癌的关键是检测结肠内潜在的腺瘤性息肉。因此，在结肠镜检查中需要设法只去除结肠上的腺瘤性息肉而保留良性息肉。结肠镜图像中息肉区域的分割是判断息肉类型的基本前提。分割的性能越好，分类的准确性越高，更有利于辅助医生进行结肠镜检查和诊断。
目前，常用的结肠息肉图像分割方法包括人工分割、半自动分割与全自动分割三种方式。人工分割虽然精确度高，但其不仅费时费力，而且分割结果很大程度上取决于医生的经验，一致性和可重复性差。半自动分割方式允许人工交互式操作提供一些有用的信息，然后由计算机进行分割处理。半自动分割通常比较准确，但仍在一定程度上受限于医生的水平。全自动分割完全利用计算机对图像进行分割，不仅能够提高分割的效率，而且分割的准确性更高。因此实现结肠息肉图像分割的主要手段就是设计计算机可执行的算法,进行全自动的分割。在结肠息肉图像的全自动分割算法中，基于知识的分割算法被广泛接受。这类算法在分割时利用了对目标的先验知识，包括专家定义的规则、理想目标的形状、外观模型等高层次知识，适合于对具有特定属性的具体病灶区域的分割。
重庆邮电大学在其申请的专利文献“一种基于云模型和图割相结合的医学图像分割方法”(申请号201510808682.3，公开号cn105389821a)中提出了一种基于云模型和图割相结合的医学图像分割方法。该方法的主要实现步骤是：首先手动标注前景区域；然后对图像进行去噪处理；接着利用逆向云变换分别计算出图像前景和背景的云特征值,利用x条件云发生器计算出每个像素对于前景和背景的隶属度，并计算出数据项和光滑项；最后建立能量函数构造相应网络图，并用最大流/最小割算法实现医学图像分割。该方法存在的不足之处是，需要手动标注前景区域，分割操作在一定程度上依赖于操作者的经验，可重复性差，执行效率低。
seung-hwanbae等人在其发表的论文“polypdetectionviaimbalancedlearninganddiscriminativefeaturelearning”(ieeetransactionsonmedicalimaging34(2015)2379-2393)中提出了一种自动检测内窥镜图像中息肉区域的方法。该方法的主要思想是对大量的训练数据进行特征提取和特征学习，训练出一个检测器，最后利用训练出的检测器来检测内窥镜图像中的息肉区域。该方法存在的不足之处是，检测器对内窥镜图像中息肉区域与非息肉区域的颜色和纹理这些传统特征比较敏感，而且检测结果没有准确地描绘出内窥镜图像中息肉区域的边缘。
技术实现要素：
本发明的目的在于克服上述已有技术的不足，提出了一种基于元胞自动机模型的结肠息肉图像分割方法。
实现本发明目的的思路是，根据结肠息肉图像中拟分割息肉区域的形状近似椭圆的先验知识，在结肠息肉图像的多层级区域树中，选取与椭圆形状最近似的区域，引导种子点的自动标记，使分割操作成为一个全自动的过程，不再需要人工交互，构建的元胞自动机模型充分利用了结肠息肉图像的局部信息，通过元胞之间的局部竞争，实现对结肠息肉图像的分割。
本发明实现的具体步骤包括如下：
(1)读入一幅待处理的含有息肉的结肠镜彩色图像；
(2)修复含有息肉的结肠镜彩色图像中的高光区域：
(2a)利用双阈值法，从含有息肉的结肠镜彩色图像中检测高光区域；
(2b)利用基于样本的图像修复方法，对含有息肉的结肠镜彩色图像中的高光区域，进行修复；
(3)初步检测含有息肉的结肠镜彩色图像中的息肉区域：
(3a)利用gpb-owt-ucm算法，对修复后的含有息肉的结肠镜彩色图像进行层级分割，得到多层级区域树；
(3b)对多层级区域树中的每一个区域进行椭圆拟合操作，得到拟合椭圆；
(3c)计算多层级区域树中每一个区域与其拟合椭圆的重叠度；
(3d)从多层级区域树中的所有区域中选取重叠度最大的区域，作为初级息肉区域；
(4)在初级息肉区域上随机选取5％的像素作为种子像素；
(5)构建元胞自动机模型：
(5a)按照从左到右、从上到下的顺序，依次将含有息肉的结肠镜彩色图像中的每个像素映射为元胞自动机模型中的每个元胞；
(5b)将摩尔邻域作为元胞自动机模型的邻域；
(5c)将由标号、力量、强度向量三个状态分量组成的状态，作为元胞自动机模型中元胞的状态；
(6)初始化元胞自动机模型：
(6a)对元胞自动机模型中每个种子元胞的状态进行初始化；
(6b)对元胞自动机模型中每个非种子元胞的状态进行初始化：
(7)对修复后的含有息肉的结肠镜彩色图像进行分割：
(7a)按照下式，计算元胞自动机模型中每个元胞属于拟分割息肉区域的概率：
其中，μ(p)表示元胞自动机模型中第p个元胞属于拟分割息肉区域的概率，h表示元胞自动机模型中第p个元胞在多层级区域树中所属的区域，k表示初级息肉区域，d表示h与k取并操作后的区域的拟合椭圆；
(7b)按照下式，计算元胞自动机模型中每个元胞属于非拟分割息肉区域的概率：
δ(p)＝1-μ(p)
其中，δ(p)表示元胞自动机模型中第p个元胞属于非拟分割息肉区域的概率，μ(p)表示元胞自动机模型中第p个元胞属于拟分割息肉区域的概率；
(7c)按照下式，计算元胞自动机模型中每个元胞的模糊力量：
其中，
(7d)按照下式，计算元胞自动机模型中每个元胞的每个邻居元胞的模糊标号：
其中，
(7e)按照下式，计算元胞自动机模型中每个元胞的每个邻居元胞的攻击力量：
其中，
(7f)按照下式，计算元胞自动机模型中每个元胞被其每个邻居元胞攻击的结果：
其中，r表示元胞自动机模型中第p个元胞被其第q个邻居元胞攻击的结果，
(7g)将元胞自动机模型中满足r＞0的每个元胞中，第t时刻的模糊标号赋值为第t+1时刻的标号，将第t时刻的攻击力量赋值为其第t+1时刻的力量；
(7h)将元胞自动机模型中不满足r＞0的每个元胞中，第t时刻的标号赋值为第t+1时刻的标号，将第t时刻的力量赋值为第t+1时刻的力量；
(7i)判断元胞自动机模型中是否存在r＞0的元胞，若是，则将时刻t加1后执行步骤(7c)，否则，执行步骤(8)；
(8)输出分割后的图像。
本发明与现有技术相比具有如下优点：
第一，本发明利用结肠息肉图像中拟分割息肉区域的形状近似椭圆的先验知识，结合结肠息肉图像的多层级区域树,获得初级息肉区域，在初级息肉区域上随机选取5％的种子像素，自动标注前景区域，克服了现有技术需要手动标注前景区域，分割操作在一定程度上依赖于操作者的经验，可重复性差，执行效率低的缺点，使得本发明提高了分割效率和可重复性。
第二，本发明利用元胞自动机对结肠息肉图像分割任务进行建模，将摩尔邻域作为元胞自动机模型的邻域，充分利用结肠息肉图像的局部信息，克服了现有技术没有准确地描绘出结肠息肉图像中息肉区域的边缘的缺点，使得本发明能够得到更加准确的分割结果。
第三，本发明利用元胞自动机对结肠息肉图像分割任务进行建模，元胞自动机模型中的分割规则不仅利用了结肠息肉图像的颜色特征，而且还利用了结肠息肉图像的形状特征，克服了现有技术对颜色传统特征比较敏感的缺点，使得本发明具有更高的鲁棒性。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照图1，本发明的具体实现步骤如下。
步骤1，读入一幅待处理的含有息肉的结肠镜彩色图像。
步骤2，修复含有息肉的结肠镜彩色图像中的高光区域。
利用双阈值法，从含有息肉的结肠镜彩色图像中检测高光区域。
所述双阈值法的具体步骤如下：
第1步，按照下式，将输入的含有息肉的结肠镜彩色图像，从红绿蓝rgb颜色空间转换到明度饱和度色调hsv颜色空间：
v←max(r,g,b)
其中，v表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的明度分量，←表示赋值操作，max表示求最大值操作，r表示输入的含有息肉的结肠镜彩色图像在rgb颜色空间上的红色分量，g表示输入的含有息肉的结肠镜彩色图像在rgb颜色空间上的绿色分量，b表示输入的含有息肉的结肠镜彩色图像在rgb颜色空间上的蓝色分量，s表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的饱和度分量，min表示求最小值操作，otherwise表示条件的补集，h表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的色调分量，and表示对条件取交操作。
第2步，按照下式，对输入的含有息肉的结肠镜彩色图像中的每个像素进行高阈值处理，得到高阈值处理后的二值图像：
其中，f(x)表示对输入的含有息肉的结肠镜彩色图像中第x个像素进行高阈值处理后的二值图像，s表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的饱和度分量，and表示对条件取交操作，v表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的明度分量，otherwise表示条件的补集。
第3步，用半径为5个像素的圆盘形结构元素，对高阈值处理后的二值图像进行膨胀操作，得到膨胀后的二值图像。
第4步，按照下式，对输入的含有息肉的结肠镜彩色图像中的每个像素进行低阈值处理，得到低阈值处理后的二值图像：
其中，f′(y)表示对输入的含有息肉的结肠镜彩色图像中第y个像素进行低阈值处理后的二值图像，s表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的饱和度分量，and表示对条件取交操作，v表示输入的含有息肉的结肠镜彩色图像在hsv颜色空间上的明度分量，otherwise表示条件的补集。
第5步，将能使膨胀后的二值图像中的两个不连通的区域变为连通，且值为1的像素称为高像素，将膨胀后的二值图像中与低阈值处理后的二值图像中的高像素位置相同的像素的值置为1，得到双阈值处理后的二值图像，将双阈值处理后的二值图像中值为1的像素组成高光区域。
利用基于样本的图像修复方法，对含有息肉的结肠镜彩色图像中的高光区域，进行修复。
所述基于样本的图像修复方法的具体步骤如下：
第1步，将输入的含有息肉的结肠镜彩色图像中的高光区域作为目标区域，将位于目标区域边缘上所有的像素点组成边缘像素点集合，从输入的含有息肉的结肠镜彩色图像中去除目标区域，得到源区域。
第2步，依次以边缘像素点集合中的每个像素点为中心，在输入的含有息肉的结肠镜彩色图像上选取边长为9个像素的正方形结构，得到待填充块集合。
第3步，按照下式，计算待填充块集合中每个待填充块的信任值：
其中，b(ψ)表示待填充块集合中第ψ个待填充块的信任值，∑表示求和操作，q表示叠加块v上的第q个像素，
第4步，按照下式，计算待填充块集合中每个待填充块的数据值：
其中，d(ψ)表示待填充块集合中第ψ个待填充块的数据值，iψ表示待填充块集合中第ψ个待填充块的中心像素的等照度线，·表示点乘操作，nψ表示待填充块集合中第ψ个待填充块的中心像素在目标区域边缘上的单位法向量，α表示图像标准化因子，α取值为255。
第5步，按照下式，计算待填充块集合中每个待填充块的优先级：
p(ψ)＝b(ψ)d(ψ)
其中，p(ψ)表示待填充块集合中第ψ个待填充块的优先级，b(ψ)表示待填充块集合中第ψ个待填充块的信任值，d(ψ)表示待填充块集合中第ψ个待填充块的数据值。
第6步，从待填充块集合中选出优先级最大的待填充块，得到优先待填充块；
第7步，将与优先待填充块距离最小的块，作为优先待填充块的最佳匹配块，在源区域上查找优先待填充块的最佳匹配块；
第8步，将优先待填充块的最佳匹配块复制到优先待填充块；
第9步，从目标区域中去掉优先待填充块；
第10步，判断目标区域是否为空，若是，则执行本步骤的第1步，否则，得到高光区域修复后的图像。
步骤3，初步检测含有息肉的结肠镜彩色图像中的息肉区域。
利用gpb-owt-ucm算法，对修复后的含有息肉的结肠镜彩色图像进行层级分割，得到多层级区域树。
所述gpb-owt-ucm算法的具体步骤如下：
第1步，对含有息肉的结肠镜彩色图像进行特征分解操作，得到明度通道、颜色a通道、颜色b通道和纹理通道。
第2步，按照下式，计算含有息肉的结肠镜彩色图像中每个像素的边界局部信号，得到边界局部信号矩阵：
其中，mpb(z)表示对含有息肉的结肠镜彩色图像中第z个像素计算边界局部信号后，由所有像素的边界局部信号组成的边界局部信号矩阵，max{·}表示取最大值操作，σ表示求和操作，s表示尺度值，i表示特征通道，αi,s表示直方图权重，
第3步，按照下式，计算每一个元素的稀疏值，由所有稀疏值组成稀疏对称相似矩阵：
其中，wi,j表示稀疏对称相似矩阵中第i行第j列的元素的稀疏值，0≤i＜m，0≤j＜n，m表示含有息肉的结肠镜彩色图像的长度，n表示含有息肉的结肠镜彩色图像的宽度，max{·}表示取最大值操作，exp表示以自然常数e为底的指数操作，a表示含有息肉的结肠镜彩色图像中第m个像素与第n个像素相连的直线l(u,v)上的任意一点，∈表示属于符号，u的取值与i相等，v的取值与j相等，mpb(z)表示对含有息肉的结肠镜彩色图像中第z个像素计算边界局部信号后，由所有像素的边界局部信号组成的边界局部信号矩阵，ρ为0.1的常数。
第4步，按照下式，计算每个元素的边界全局信号，将所有元素的边界全局信号组成边界全局信号矩阵：
其中，spb(z)表示对含有息肉的结肠镜彩色图像中第z个像素计算边界全局信号后，由所有像素的边界全局信号组成的边界全局信号矩阵，n取值为16，
第5步，按照下式，计算含有息肉的结肠镜彩色图像中每个像素的边界概率，得到边界概率矩阵：
其中，gpb(z)表示对含有息肉的结肠镜彩色图像中第z个像素计算边界概率后，由所有像素的边界概率组成的边界概率矩阵，β表示边界局部信号权重，mpb(z)表示边界局部信号矩阵，γ表示边界全局信号权重，spb(z)表示边界全局信号矩阵；
第6步，对边界概率矩阵做方向分水岭变换，得到最大细节图像。
第7步，按照下式，将最大细节图像映射到图数据结构：
g＝(r,e,w)
其中，g表示由最大细节图像映射得到的图数据结构，r表示最大细节图像中所有区域的集合，e表示最大细节图像中所有边缘的集合，w表示边缘度。
第8步，按照边缘度从小到大的顺序，依次将图数据结构中的每个边缘去除，每次去除操作产生一个层级区域，当图数据结构中的所有边缘都被去除时，得到多层级区域树。
对多层级区域树中的每一个区域进行椭圆拟合操作，得到拟合椭圆。
计算多层级区域树中每一个区域与其拟合椭圆的重叠度。
所述的多层级区域树中每一个区域与其拟合椭圆的重叠度是按照下式计算的：
其中，f(a,b)表示多层次区域树中的区域a与拟合椭圆b的重叠度，|·|表示取绝对值操作，∩表示交操作，∪表示并操作。
从多层级区域树中的所有区域中选取重叠度最大的区域，作为初级息肉区域。
步骤4，在初级息肉区域上随机选取5％的像素作为种子像素。
步骤5，构建元胞自动机模型：
按照从左到右、从上到下的顺序，依次将含有息肉的结肠镜彩色图像中的每个像素映射为元胞自动机模型中的每个元胞。
将摩尔邻域作为元胞自动机模型的邻域。
将由标号、力量、强度向量三个状态分量组成的状态，作为元胞自动机模型中元胞的状态。
步骤6，初始化元胞自动机模型。
对元胞自动机模型中每个种子元胞的状态进行初始化。
所述的对元胞自动机模型中每个种子元胞状态的初始化是按照下式操作的：
lo＝1,θo＝1,co＝rgbo
其中，lo表示元胞自动机模型中第o个元胞的标号；θo表示元胞自动机模型中第o个元胞的力量，θo的取值范围是[0,1]上的所有实数，co表示元胞自动机模型中第o个元胞的强度向量，rgbo表示由含有息肉的结肠镜彩色图像中第o个像素的红色分量r、绿色分量g、蓝色分量b组成的向量。
对元胞自动机模型中每个非种子元胞的状态进行初始化。
所述的对元胞自动机模型中每个非种子元胞状态的初始化是按照下式操作的：
lb＝0,θb＝0,cb＝rgbb
其中，lb表示元胞自动机模型中第b个元胞的标号；θb表示元胞自动机模型中第b个元胞的力量，θb的取值范围是[0,1]上的所有实数，cb表示元胞自动机模型中第b个元胞的强度向量，rgbb表示由含有息肉的结肠镜彩色图像中第b个像素的红色分量r、绿色分量g、蓝色分量b组成的向量。
步骤7，对修复后的含有息肉的结肠镜彩色图像进行分割。
第1步，按照下式，计算元胞自动机模型中每个元胞属于拟分割息肉区域的概率：
其中，μ(p)表示元胞自动机模型中第p个元胞属于拟分割息肉区域的概率，h表示元胞自动机模型中第p个元胞在多层级区域树中所属的区域，k表示初级息肉区域，d表示h与k取并操作后的区域的拟合椭圆。
第2步，按照下式，计算元胞自动机模型中每个元胞属于非拟分割息肉区域的概率：
δ(p)＝1-μ(p)
其中，δ(p)表示元胞自动机模型中第p个元胞属于非拟分割息肉区域的概率，μ(p)表示元胞自动机模型中第p个元胞属于拟分割息肉区域的概率。
第3步，按照下式，计算元胞自动机模型中每个元胞的模糊力量：
其中，
第4步，按照下式，计算元胞自动机模型中每个元胞的每个邻居元胞的模糊标号：
其中，
第5步，按照下式，计算元胞自动机模型中每个元胞的每个邻居元胞的攻击力量：
其中，
第6步，按照下式，计算元胞自动机模型中每个元胞被其每个邻居元胞攻击的结果：
其中，r表示元胞自动机模型中第p个元胞被其第q个邻居元胞攻击的结果，
第7步，将元胞自动机模型中满足r＞0的每个元胞中，第t时刻的模糊标号赋值为第t+1时刻的标号，将第t时刻的攻击力量赋值为其第t+1时刻的力量。
第8步，将元胞自动机模型中不满足r＞0的每个元胞中，第t时刻的标号赋值为第t+1时刻的标号，将第t时刻的力量赋值为第t+1时刻的力量。
第9步，判断元胞自动机模型中是否存在r＞0的元胞，若是，则将时刻t加1后执行本步骤的第3步，否则，执行步骤8。
步骤8，输出分割后的图像。