一种基于数学形态学的医学图像的分割算法的制作方法

本发明涉及医学图像处理技术领域，具体为一种基于数学形态学的医学图像的分割算法。

背景技术

医学图像分割是现代医学图像处理中的关键技术，它是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈，医学ct图像分割的主要目的是提取感兴趣的器官、组织等部分以用于临床诊断和病理学研究等诸多方面，近年来，将一些特定的新兴理论应用到医学图像分割中是医学图像处理的一个研究热点，数学形态学是一门新兴理论，其典型的图像分割算法是形态学分水岭变换，但是传统的形态学分水岭变换存在严重的过分割现象，而且受到外部噪音的影响过大，导致医学图像的医学图像分割效果降低，影响医生对医学图像上显示的器官和组织的辨认，导致医生产生误诊等情况，为此，我们提出了一种基于数学形态学的医学图像的分割算法。

技术实现要素：

本发明的目的在于提供一种基于数学形态学的医学图像的分割算法，以解决上述背景技术中提出的传统的形态学分水岭变换存在严重的过分割现象，而且受到外部噪音的影响过大，导致医学图像的医学图像分割效果降低，影响医生对医学图像上显示的器官和组织的辨认，导致医生产生误诊等情况的问题。

为实现上述目的，本发明提供如下技术方案：一种基于数学形态学的医学图像的分割算法，该基于数学形态学的医学图像的分割算法包括如下步骤：

s1：医学图像形态重建：首先对医学图像进行一次开重建，具体公式为：(y^～n(f)＝y^(rec)(yn(f)，f))，当对医学图像开重建完成后，再对开重建后的医学图像进行一次闭重建，具体公式为(t^～n(f)＝y^(rec)(tn(f)，f))，式中y，t分别表示形态学中的开运算和闭运算，f表示要重建的图像，(rce)表示重建运算，n表示运算使用的结构元素的尺寸；

s2：多尺度医学图像形态梯度计算：假设bi(0≤i≤n)为一组正方形的结构元素，bi的大小为(2i+1)×(2i+1)个像素点，则多尺度梯度的计算公式为式中f为原始图像，n为运算使用的结构元素的尺寸；

s3：医学图像形态梯度修正：假设梯度等级为l时，相应的结构半径r(l)为：0≤l≤max(l),0<a<1，式中r0为最大半径，max(l)为梯度最大值，a为调节因子，设对应的层面经修正后转变为gl'，则：gl'＝t(l,r(l)),0≤l≤max(l)，将每一层面的输出进行合并，即确定修正后的梯度g'：

s4：医学图像分水岭变换及区域合并：首先把分水岭分割算法获得的区域使用区域相邻图像表示，其次采用相邻边缘强度信息进行区域合并，相邻边缘强度的定义为：扫描相邻区域间的边缘像素,如果其梯度值高于预设的阈值d1,则令其为强边缘像素,区域间的强边缘像素占相邻边缘像素的比例称为相邻边缘强度，合并算法为：1)设定一个区域面积的阈值dsize,扫描所有区域,记录区域面积小于dsize的区域,从面积最小的区域ri(结点ni)开始，①在ri的所有相邻区域中,找出与其相邻边缘强度最小的区域rj(结点nj)；②合并ri和rj区域，更新区域相邻图；2)重复步骤1),直到没有区域面积小于dsize。

优选的，所述步骤s3中，参数a的选取应保证当l取max(l)时,r(l)为最小结构元素半径值,当l取梯度最小值时,r(l)趋于r0。

与现有技术相比，本发明的有益效果是：该种基于数学形态学的医学图像的分割算法，设计合理，实用性强，能够有效的除去噪音图像分隔的干扰，而且可以消除过分隔区域，同时具有很强的区域轮廓定位能力，大大提高了图像分割效果，使得医生或者医学研究人员对医学图像上显示的器官和组织的更好的辨认。

附图说明

图1为本发明分割算法流出图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种基于数学形态学的医学图像的分割算法，其特征在于：该基于数学形态学的医学图像的分割算法包括如下步骤：

s1：医学图像形态重建：首先对医学图像进行一次开重建，具体公式为：(y^～n(f)＝y^(rec)(yn(f)，f))，当对医学图像开重建完成后，再对开重建后的医学图像进行一次闭重建，具体公式为(t^～n(f)＝y^(rec)(tn(f)，f))，式中y，t分别表示形态学中的开运算和闭运算，f表示要重建的图像，(rce)表示重建运算，n表示运算使用的结构元素的尺寸；

s2：多尺度医学图像形态梯度计算：假设bi(0≤i≤n)为一组正方形的结构元素，bi的大小为(2i+1)×(2i+1)个像素点，则多尺度梯度的计算公式为式中f为原始图像，n为运算使用的结构元素的尺寸；

s3：医学图像形态梯度修正：假设梯度等级为l时，相应的结构半径r(l)为：0≤l≤max(l),0<a<1，式中r0为最大半径，max(l)为梯度最大值，a为调节因子，设对应的层面经修正后转变为g'l，则：g'l＝t(l,r(l)),0≤l≤max(l)，将每一层面的输出进行合并，即确定修正后的梯度g'：

s4：医学图像分水岭变换及区域合并：首先把分水岭分割算法获得的区域使用区域相邻图像表示，其次采用相邻边缘强度信息进行区域合并，相邻边缘强度的定义为：扫描相邻区域间的边缘像素,如果其梯度值高于预设的阈值d1,则令其为强边缘像素,区域间的强边缘像素占相邻边缘像素的比例称为相邻边缘强度，合并算法为：1)设定一个区域面积的阈值dsize,扫描所有区域,记录区域面积小于dsize的区域,从面积最小的区域ri(结点ni)开始，①在ri的所有相邻区域中,找出与其相邻边缘强度最小的区域rj(结点nj)；②合并ri和rj区域，更新区域相邻图；2)重复步骤1),直到没有区域面积小于dsize。

其中，所述步骤s3中，参数a的选取应保证当l取max(l)时,r(l)为最小结构元素半径值,当l取梯度最小值时,r(l)趋于r0。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。