一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法与流程

本发明属于脑肿瘤图像分割技术领域，具体涉及一种基于优化u-net网络模型的mri脑肿瘤图像分割方法。

背景技术

脑部病灶局部分割对于脑肿瘤的医学诊断，手术规划和疾病发展预测至关重要。深度神经网络已被证明是在医学图像分割方面非常有前景的算法。深度学习算法无需手动指定目标特征，网络能够自己从逐渐加深的卷积层中学习数据特征，能够较好的从复杂的mri图像脑肿瘤数据中提取特征。u-net网络在细胞结构图像分割中取得了良好效果，然而在使用细胞结构图像对u-net网络进行训练之后，测试数据进行测试之后发现边缘有部分区域的分割结果与金标准相差很大，直接影响了分割的准确率。本发明使用有padding的卷积对u-net网络进行有效地改进，使用预处理方法生成的细胞结构图训练集预训练新的网络模型，再经过mri脑肿瘤图像训练集进行微调，网络的收敛速度和分割准确率明显提高。

脑肿瘤作为常见神经系统疾病之一，并以其较高的发病率越来越受到人们的关注。据国内外数据显示，国内脑肿瘤的发病率约为1.34人/10万人，国外约为9-10人/10万人。超过50％的脑肿瘤为恶性肿瘤(其中胶质瘤占首位)。颅内肿瘤无论其性质是良性还是恶性，都会在颅内膨胀生长，占据太多的颅内空间，挤压其他颅内组织，使颅内压升高，对中枢神经造成伤害，严重时对患者生命造成威胁，对人类健康危害巨大。

在肿瘤的的诊断及治疗过程中，断层扫描技术(computedtomography，ct)与核磁共振成像(magneticresonanceimaging，mri)是目前在临床应用中使用最多医学成像技术。使用合理有效的影像获取手段如ct、mri等来获得更多详尽准确的脑肿瘤病变脑组织与正常脑组织和发病部位的影像学信息为多变、无统一标准的脑肿瘤治疗方案提供客观的影像依据，能够快速有效地对医学影像进行分割，提取影像中的感兴趣特征，备受临床医师和医学影像辅助诊断技术开发者的关注，同时精确有效的分割出脑肿瘤感兴趣区域(regionofinterest，roi)，获取能够对诊断、治疗起到决定性作用的影像信息可以有效的帮助医师进行脑肿瘤诊断也是医学辅助诊断的关键环节。因此，脑肿瘤的精确分割具有巨大的临床应用价值。

在脑肿瘤治疗计划和定量评估的一个主要挑战是脑肿瘤病灶局部分割。从上世纪70年代到80年代开始，随着临床应用和科学研究的逐渐推进，许多研究人员对mri脑肿瘤图像处理尤其是mri脑图像分割倾注了大量的精力和汗水，不断改进和提出新的研究思想和分割算法，取得了满足应用和研究所需的分割效果。但是从总体来看，由于脑肿瘤结构和临床应用中采集到的脑肿瘤影像信息的复杂性，为了识别脑肿瘤及其周围的其他组织，需要获得多种模态下的图像进行相互比较进行mri脑肿瘤图像及其周围其他组织的识别与分割。因此，每种算法都存在一定的局限性，不能完全适应于任何条件下的mri脑肿瘤图像，导致mri脑肿瘤图像分割和其他医学图像分割有很大的不同之处。

多年来，许多科学研究和临床应用试图使mri脑肿瘤分割自动化。深度学习算法是多层次的表示学习方法，它能够让机器在原始数据的基础上自动提取表征数据的特征，对数据进行分类。深度神经网络已被证明是在医学图像分割方面非常有前景的算法，而且神经网络在脑肿瘤和病变分割中的应用逐渐增加。

应用u-net网络进行图像分割相比于传统分割算法有训练速度快、所需样本少，更具推广性的优点，其中u-net网络的结构图如图1所示。

使用细胞结构图像对u-net网络进行训练之后，测试数据进行测试之后得出的分割结果，发现边缘有部分区域的分割结果与金标准相差很大，结果较为模糊，有的细节之处不清楚。结果如图2所示。

在实现u-net网络模型的过程中，特征图的变换和计算要经过以下几个关键元素：卷积与逆卷积、非线性激活函数、最大池化。

卷积与逆卷积

一个输入为m×m×r的三维张量，卷积核为n×n，则第s张特征图输出os：

其中xr表示输入的第r维输入，即输入的第r张图像，ωsr表示第s个卷积核与xr对应的参数，*表示卷积操作，bs表示偏置项，即对输入m×m×r的三维张量每一维张量做卷积核为n×n步长(stride)为1的卷积计算，然后叠加r维的卷积结果，再加上偏置项，得到新的对应空间位置的像素值——最后得出第s张特征图。如图3所示，m×m的输入与n×n的卷积核进行步长为1的卷积，最后得到q×q特征图。

q＝(m-n)/stride+1

逆卷积与卷积互为逆运算，在卷积核与图像进行卷积的时候，将ωsr替换为则逆卷积的过程刚好与卷积过程互逆。

非线性激活函数

为了获得输入的非线性特征，卷积之后的结果需要经过一个非常重要的非线性函数处理。常用的非线性函数有、双曲正切函数(hyperbolictangent，tanth)、线性修正函数(relu)等。

最大池化

根据图像相邻像素之间的相关性，对图像进行降维，使特征减少，参数减少，并且可以保持特征不变性。此外，特征减少的速度由选取的相邻区域大小和池化步长决定。对于不同的池化操作有不同的作用。

最大池化：即取相邻区域内最大特征。

其中n表示选择的池化区域内的所有特征，ai表示池化区域中第i个特征。由于特征的提取主要来自两方面：(1)领域大小受限造成的估计值方差增大；(2)卷积层参数误差造成估计均值的偏差。通常情况下，平均池化能够减小第一种误差，最大池化能够减少第二种误差，更多的保留纹理信息。

u-net使用的是无padding的卷积、最大池化以及逆卷积，这样使得在这些过程中，边缘的特征没有生成对应的特征，而是与卷积核卷积之后以加权的形势叠加到了对应卷积核的中心像素位置，致使图像边缘丢失，生成的特征图减小，如图4所示。使得边缘有部分区域的分割结果与金标准相差很大，导致分割准确率下降，增加了信噪区分难度，对后续的医疗诊断和治疗产生严重的影响。

技术实现要素：

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种基于优化u-net网络模型的mri脑肿瘤图像分割方法，不仅能够保留图像边缘信息，生成完整的特征图，而且还能够提高图像分割的准确率。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括以下步骤：

一种基于优化u-net网络模型的mri脑肿瘤图像分割方法，所述方法包括：

101、对获取的多模态mri脑肿瘤图像数据进行预处理；

102、将经过预处理的多模态mri脑肿瘤图像数据输入训练好的u-net网络模型中；

103、获取u-net网络模型输出的多模态mri脑肿瘤图像分割数据。

其中，所述u-net网络模型输出的多模态mri脑肿瘤图像分割数据能够保留图像边缘信息，以生成完整的分割图像特征图。

优选地，所述步骤101还包括如下子步骤：

1011、去除多模态mri脑肿瘤图像数据中的极端像素；

1012、对去除极端像素的多模态mri脑肿瘤图像数据进行平衡处理；

1013、对经过平衡处理后的多模态mri脑肿瘤图像数据再进行数据扩增，获取数据扩增后的多模态mri脑肿瘤图像数据作为预处理后的多模态mri脑肿瘤图像数据。

优选地，在步骤102之前所述方法还包括：

预先构建u-net网络模型，并利用已知的/标记的多模态mri脑肿瘤图像和细胞结构图像对构建的u-net网络模型进行学习训练。

优选地，所述u-net网络模型包括：收缩路径和扩展路径；

输入u-net网络模型中的多模态mri脑肿瘤图像数据依次经过所述收缩路径和所述扩展路径的处理，获得多模态mri脑肿瘤图像分割数据；

其中，所述收缩路径由五个依次链接的卷积块组成；

每个所述卷积块包括两个卷积层，卷积核大小为3×3，两个卷积的步长均为1，使用relu激活函数，在每个卷积块末端应用2×2步长为1的最大池化层，并将卷积核个数变为原来卷积块的二倍。

优选地，所述扩展路径由四个依次链接的卷积块组成；

每个所述卷积块的末端进行一次卷积核大小为2×2的逆卷积，生成的特征图与收缩路径中与之对应的卷积块生成的特征图相叠加，叠加之后的特征图继续由下一个链接的卷积块处理；

所述扩展路径经过四次逆卷积，四次特征图叠加，四个卷积块的处理后，应用2个1×1卷积核对得到的64张特征图进行卷积，得到两张结果图分别反映所述多模态mri脑肿瘤图像分割数据前景和背景的分割。

优选地，所述构建的u-net网络模型中的卷积层采用零填充方式来保持收缩路径和扩展路径的输出维度。

优选地，所述步骤1011还包括如下子步骤：

a1、将图像的灰度值由高到低依次排序，移除多模态mri脑肿瘤图像数据中排名前1％和倒数1％的灰度值；

a2、针对a1步骤中的图像数据，选取t1和t1c模态的图像数据，并采用n4itk偏置场进行校正；

a3、将校正后的图像数据，以及a1步骤后未校正的其他模态图像数据进行图像融合；然后对融合后的图像重新采样并插值为1×1×1mm³；

a4、将每个模态图像数据减去其自身模态图像数据的平均值并除以其标准偏差，以完成对多模态mri的每个模态图像数据标准化。

优选地，所述步骤1012还包括如下子步骤：

计算每个像素到边界的距离，每个像素分配一个权重，所述权重与该像素到边界的距离相关；

所述去除极端像素的多模态mri脑肿瘤图像数据包括两张以上的图像，为每张图像创建一个权重图，用以补偿u-net网络模型等概率处理产生的假阳性。

优选地，采用如下公式计算权重图：

其中ωc(x):ω→r表示当前像素的频率，d1表示离最近边界的距离，d2表示距离像素第二近的边界距离ω0＝10，σ＝5。

(三)有益效果

本发明的有益效果是：本发明提供一种基于优化u-net网络模型的mri脑肿瘤图像分割方法，不仅能够保留图像边缘信息，生成完整的特征图，而且还能够提高图像分割的准确率。

此外，还具有成本低，图像清晰，分割速度快的优点。

附图说明

图1为本发明背景技术中u-net网络模型的结构示意图；

图2为本发明背景技术中现有u-net网络模型训练完成后对脑肿瘤图像的分割效果图；

图3为本发明背景技术中卷积与逆卷积的结构示意图；

图4为本发明背景技术中无padding卷积时u-net网络模型的输出效果图；

图5为本发明实施例中一种基于优化u-net网络模型的mri脑肿瘤图像分割方法的流程示意图；

图6为本发明实施例中一种基于优化u-net网络模型的mri脑肿瘤图像分割方法的流程示意图；

图7为本发明实施例中一种基于优化u-net网络模型的mri脑肿瘤图像分割方法的流程示意图；

图8为本发明实施例中mri脑肿瘤图像数据分割和u-net改进模型创建实验的流程框架图；

图9为本发明实施例中使用验证集对训练好的网络进行评估获得的效果示意图；

图10为本发明实施例中采用零填充的padding示意图；

图11为本发明实施例中优化u-net网络模型的结构示意图；

图12为本发明实施例中优化u-net网络模型的训练过程特征图；

图13为本发明实施例中多模态mri脑肿瘤图像数据效果示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。下面结合附图对本发明的具体实施方式做详细说明。

实施例一

如图5所述，本实施例公开了一种基于优化u-net网络模型的mri脑肿瘤图像分割方法，所述方法包括：

101、对获取的多模态mri脑肿瘤图像数据进行预处理。

这里的预处理过程是为了去除多模态mri脑肿瘤图像数据的噪音信号，并使其与模型的算法更加的匹配，以达到提高最终输出图像质量的目的。

102、将经过预处理的多模态mri脑肿瘤图像数据输入训练好的u-net网络模型中。

应说明的是这里所述的u-net网络模型为改进之后的u-net网络模型，且是经过大量的脑肿瘤图像和细胞结构图像训练完成后的u-net网络模型。

103、获取u-net网络模型输出的多模态mri脑肿瘤图像分割数据。

这里从u-net网络模型中输出的多模态mri脑肿瘤图像为分割完好的图像数据，且获得的图像数据质量高，避免了现有技术中的输出图像质量差，边缘图像丢失的技术缺陷。

其中，所述u-net网络模型输出的多模态mri脑肿瘤图像分割数据能够保留图像边缘信息，以生成完整的分割图像特征图。

如图6所示，为了更加清楚地说明本实施例中步骤101中的数据预处理，本实施例中的步骤101还包括如下子步骤：

1011、去除多模态mri脑肿瘤图像数据中的极端像素。

本步骤能够避免极端数据对整个图像的影响，提高了图像中数据的精度。

1012、对去除极端像素的多模态mri脑肿瘤图像数据进行平衡处理。

1013、对经过平衡处理后的多模态mri脑肿瘤图像数据再进行数据扩增，获取数据扩增后的多模态mri脑肿瘤图像数据作为预处理后的多模态mri脑肿瘤图像数据。

应说明的是：如图7所示：本实施例中所述步骤1011还包括如下子步骤：

a1、将图像的灰度值由高到低依次排序，移除多模态mri脑肿瘤图像数据中排名前1％和倒数1％的灰度值。

a2、针对a1步骤中的图像数据，选取t1和t1c模态的图像数据，并采用n4itk偏置场进行校正。

a3、将校正后的图像数据，以及a1步骤后未校正的其他模态图像数据进行图像融合；然后对融合后的图像重新采样并插值为1×1×1mm³。

应说明的是：重新采样并插值为1×1×1mm³然后的图像大小为240×240×155。

a4、将每个模态图像数据减去其自身模态图像数据的平均值并除以其标准偏差，以完成对多模态mri的每个模态图像数据标准化。

这里应说明的是：本步骤中所述的模态图像数据还可称之为序列，即每个模态图像数据代表一个序列；比如t1c模态图像数据即为其中的一个序列，本步骤实质上是将所有的序列进行标准化的处理。

应说明的是：本实施例中所述步骤1012还包括如下子步骤：

计算每个像素到边界的距离，每个像素分配一个权重，所述权重与该像素到边界的距离相关；

所述去除极端像素的多模态mri脑肿瘤图像数据包括两张以上的图像，为每张图像创建一个权重图，用以补偿u-net网络模型等概率处理产生的假阳性。

其中，本实施例中采用如下公式计算权重图：

其中ωc(x):ω→r表示当前像素的频率，d1表示离最近边界的距离，d2表示距离像素第二近的边界距离ω0＝10，σ＝5。

此外，对于本实施例中所述方法，在这里还提供了优化u-net网络模型的实现方法，详细地：在步骤102之前所述方法还包括：

预先构建u-net网络模型，并利用已知的/标记的多模态mri脑肿瘤图像和细胞结构图像对构建的u-net网络模型进行学习训练。

具体地，所述u-net网络模型包括：收缩路径和扩展路径。

输入u-net网络模型中的多模态mri脑肿瘤图像数据依次经过所述收缩路径和所述扩展路径的处理，获得多模态mri脑肿瘤图像分割数据。

其中，所述收缩路径由五个依次链接的卷积块组成；

每个所述卷积块包括两个卷积层，卷积核大小为3×3，两个卷积的步长均为1，使用relu激活函数，在每个卷积块末端应用2×2步长为1的最大池化层，并将卷积核个数变为原来卷积块的二倍。

其中，所述扩展路径由四个依次链接的卷积块组成。

每个所述卷积块的末端进行一次卷积核大小为2×2的逆卷积，生成的特征图与收缩路径中与之对应的卷积块生成的特征图相叠加，叠加之后的特征图继续由下一个链接的卷积块处理。

所述扩展路径经过四次逆卷积，四次特征图叠加，四个卷积块的处理后，应用2个1×1卷积核对得到的64张特征图进行卷积，得到两张结果图分别反映所述多模态mri脑肿瘤图像分割数据前景和背景的分割。

最后应重点说明的是：本实施例中所述u-net网络模型中所述卷积层均采用零填充来保持收缩路径和扩展路径的输出维度。

实施例二

本实施例结合深度卷积神经网络和迁移学习，对u-net网络模型进行改进，接着使用细胞结构图像经过简单数据扩增、归一化等预处理之后生成的数据集对改进之后的u-net网络模型进行预训练，然后使用brats2015竞赛使用的多模态mri脑肿瘤图像(包含hgg220套和lgg54套)经过预处理之后生成的训练集对网络进行微调，最后生成能够自动对多模态mri脑肿瘤图像进行分割的深度学习模型。框架流程图如图8所示。

迁移学习：深度学习在计算机视觉任务方面取得了重大突破，这是因为使用imagenet等非常庞大的数据集对网络进行培训。为了有效利用较小数据集，通常在大型数据集(如imagenet)上训练基础模型，然后在规模较小的第二个数据集上微调学习模型。从一个预先训练的模型(最好在一个大的数据集上)初始化权重，比随机初始化权重要好。

(1)mri脑肿瘤图像的预处理

深度学习是基于从一个数据集到另一个数据集具有相同的数据分布的学习算法。而mri脑肿瘤图像最明显的问题是对于不同扫描仪获得的图像灰度范围不同。这使得网络模型学习数据特征变得困难，因此，需要将所有数据集进行预处理使它们具有相类似的分布。本发明的数据预处理步骤按照如下顺序进行。

去除数据极端像素

从均匀组织测量的磁共振信号通常是不均匀，而是整个图像都在变化。这种灰度不均匀性会使基于每个分类中的灰度均匀性的自动分割技术的性能会显著降低。针对图像灰度不均匀性使用如下方法：

移除数据中灰度的最高和最低1％，消除异常值。

使用n4itk偏置场校正t1和t1c模态的数据。

将t1，t1c，t2与flair数据进行融合，获得最佳的空间分辨率，然后重新采样并插值为1×1×1mm³，图像大小为240×240×155。最后每个序列减去当前序列的平均值并除以其标准偏差对多模态mri的每个序列数据标准化。

平衡数据

当数据中某一类的类标签太少或太多时，会导致数据集不平衡。一般情况下，病灶与大脑相比都是很小的，因此，脑成像数据大多是不平衡的。使用不平衡的数据训练深度学习网络会导致网络的真阳性检出率很低，这是因为模型会依赖出现频率高的样例。平衡数据根据训练数据中每个类出现的频率，对各个类的训练样本产生的损失进行加权，从训练集中抽样可以随机完成。

使用平衡数据集进行训练，模型默认所有类别的样本都是等概率的，因此可能会导致一些假阳性。为了对此进行补偿，计算每个像素到类边界的距离，并在此基础上为每个像素分配一个权重。为每张训练图像创建一个权重图，并在损失函数中使用，以不同的方式对每个样本进行加权。

在真实分割中提取出的2d数据用如下公式计算权重图：

其中ωc(x):ω→r表示当前像素的频率，d1表示离最近边界的距离，d2表示距离像素第二近的边界距离ω0＝10，σ＝5。生成权重图之后，作为输入通道的第三通道值输入到网络中。

数据扩增

如表一所示：通过数据扩增生成更多来自原始数据的训练数据用于深度学习，以丰富数据集并减少过拟合，提高网络性能。本发明应用弹性变形产生更多的任意但合理形状的训练数据。扩增后的数据集为原数据集大小的30倍。本发明中使用的数据扩增参数包括：

表一数据扩增参数

打乱数据顺序

将数据按顺序输入模型进行训练可能会导致梯度消失，并可能会引起模型不收敛。按照数据收集顺序，即首先使用第一个对象经过预处理提取的数据(即片或片)进行训练，然后使用另一个对象经过预处理提取的数据进行训练，直到训练集数据都被使用。根据数据集的不同，mri脑肿瘤图像数据在噪音和灰度分布可能会有很大差异。因此，将整个数据集打乱是非常重要的，这样模型就不会过度适应当前的训练数据，而遗忘掉之前数据集的特征。

经过上述处理过程，最终生成数据集包含训练集、验证集、测试集。如图9所示：使用训练集训练网络，训练好的网络使用验证集对网络进行评估，最后计算出评价网络的参数，如准确率，敏感度、dsc等。

(2)u-net网络模型优化改进

本实施例在已有的u-net网络所有卷积层中使用零填充来保持收缩路径和扩展路径的输出维度(见图9)，使得在收缩路径中，经过五个卷积块之后，特征图的大小从240×240减小到15×15，数量由1增加到1024。在扩展路径中，特征图由15×15变为240×240，数量由1024变为2。如图10所示，详细见表二。

表二优化u-net结构

(3)模型训练

使用预处理方法生成的细胞结构图训练集预训练新的网络模型，再经过mri脑肿瘤图像训练集进行微调。在训练过程中，使用高斯分布初始化卷积核，均值为0，标准差为0.01，所有偏差初始化为0。使用随机梯度下降训练损失函数，损失函数采用自适应矩估计法(adam)来估计参数，更新梯度的一阶二阶矩从而修正当前梯度的平均值。训练结果如图11所示：可以看出网络的收敛速度和分割准确度都明显得到了提高。

(4)实验数据与评估方法

本发明使用的数据是brats2015的竞赛数据，包含带有真实分割标签的220套高级胶质瘤(highgradegliomas)和54套低级胶质瘤(highgradegliomas)，每套数据有四个mri模态，如图12所示。

t1(自旋晶格弛豫spin-latticerelaxation)：原始图像，矢状或轴向二维采集，厚度为1-6mm，用来分析和区分健康组织。

t1c(自旋晶格弛豫对比t1-contrasted)：对比度增强图像，对于大多数患者，3d采集和1mm各向同性体素大小，胶质瘤的边界得到增强，这种模式用于区分胶质瘤的活性部分和坏死部分。

t2(自旋松弛spin-spinrelaxation)：轴向二维采集，厚度为2-6mm，水肿区域高亮。

flair(流体衰减反演恢复脉冲序列fluidattenuationinversionrecovery)轴向、冠状或矢状二维采集。厚度为2-6mm，区分水肿和脑脊液。

在这些数据中，胶质细胞瘤要分割的组织包括：

坏死(necrosis)：肿瘤的死亡部分，图11中粉色区域。

水肿(edema)：由肿瘤引起的肿胀。随着肿瘤的生长，它可以阻止脑脊液流出大脑。在肿瘤内部和附近生长的新血管也会导致肿胀，图11中绿色区域。

主动增强(enhancedtumor)：指在t1c模式中增强的肿瘤部分，图11中黄色区域。

非增强型(non-enhanced)：指在t1c模式中未增强的部分肿瘤，图11中蓝色区域。

最终经过卷积神经络模型分割为3个部分：

完整肿瘤区域(completetumorregion)：包含所有4种组织，图11中整个彩色区域。

核心肿瘤区域(coretumorregion)：包含除水肿之外的其他所有肿瘤结构图11中粉色、橙色、蓝色区域。

增强肿瘤区域(enhancingtumorregion)：包含增强肿瘤区域，图10中黄色区域。

本实施例中的实验分别对hgg和lgg数据使用7折交叉验证方法进行评估。对于每个肿瘤区域，使用dice相似系数(dicesimilaritycoefficient，dsc)和灵敏度(sensitivity)评估分割结果。dsc表示手动分割的脑肿瘤区域与训练好的u-net模型的分割结果之间的重叠系数，计算公式如下：

其中tp，fp，fn分别表示真阳性，假阳性，假阴性。

敏感度表示真阳性和假阴性的比例，计算公式如下：

本发明实验过程中交叉验证和训练数据集无重复数据，最后取7次交叉验证的dsc和敏感度的平均值。

最终，u-net模型的预训练花费了20多个小时完成，微调过程花费约1/4预训练时间完成。生成模型对测试数据分割结果如图13所示。

(a)hgg在flair模态下整个肿瘤区域分割(红色区域)。

(b)hgg在t1c模态下增强肿瘤区域分割(青色)。

(c)lgg在flair模态下整个肿瘤区域分割(红色)。

(d)lgg在flair模态下核心肿瘤区域分割(绿色)。

(5)结果与分析

表三列出了对hgg和lgg脑肿瘤数据分别使用交叉验证之后得到的实验结果，并与最近发表的相关的深度学习方法进行了比较，所有的方法都是目前排在brats竞赛的首位。在brats2015数据集上进行测试，本实施例提出的方法经过交叉验证之后，得到u-net对hgg的核心肿瘤区域和整体肿瘤区域分割的准确率达到0.88，0.87。在整体肿瘤区域和核心肿瘤区域取得了很好dsc值，在hgg的多模态数据集上都取得了非常好的效果。

表三本实施例中算法与现有各种算法对比

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。