基于OCT图像的皮肤多亚层结构自动分割方法与流程

本发明涉及图像处理技术领域，特别涉及一种基于oct图像的皮肤多亚层结构自动分割方法。

背景技术：

已知皮肤分为三大层：表皮层、真皮层和皮下组织。表皮层又分为角质层、透明层、颗粒层、棘层和基底层。由于角质层具有重要的作用并且在oct图像中具有较高的反射率，所以一共将图像中的皮肤分为三个部分：角质层、除去角质层的表皮层、真皮层，再将目标区域与背景分割开来，最终需要得到四条分割线。通过获得该四条分割线即可对皮肤oct图像进行自动分割，但现在缺少一种高效、高精度的基于oct图像的皮肤多亚层结构自动分割方法。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于oct图像的皮肤多亚层结构自动分割方法。

为解决上述技术问题，本发明采用的技术方案是：一种基于oct图像的皮肤多亚层结构自动分割方法，包括以下步骤：

1)对采集的皮肤oct图像进行预处理；

2)对预处理后的皮肤oct图像进行皮肤各层亚结构的分割，其具体包括：

2-1)将皮肤oct图像表示为节点图，每个像素对应一个节点；

2-2)为连接每两个节点之间的每条边分配权重值；

2-3)进行节点初始化；

2-4)计算垂直方向的梯度图像；

2-5)基于垂直方向的梯度图像，计算某两个节点之间的权重；

2-6)创建无向邻接稀疏矩阵，用于存储上一步获得的两两节点之间的权重值；

2-7)对由所述步骤4)得到的垂直方向的梯度图像进行去反操作，得到相反方向的垂直梯度图像，前者是图像像素强度由暗到明的垂直梯度，后者是图像像素强度由明到暗的垂直梯度；

2-8)计算图像像素由暗到明变换的权重矩阵和邻接稀疏矩阵、图像像素由明到暗变换的权重矩阵和邻接稀疏矩阵，

其中，将皮肤oct图像中的目标区域的皮肤分为由上至下的三部分：第一、二、三层，并将目标区域与背景分割开，需要四条分割线，由上至下依次定义为：第一、二、三、四分割线，

其中，图像像素由暗到明的邻接稀疏矩阵对应第一、三分割线，图像像素由明到暗的邻接稀疏矩阵对应第二、四分割线；

3)分别获取第一、三分割线和第二、四分割线，最终得到分割后的图像。

优选的是，所述步骤1)具体包括以下步骤：

1-1)输入采集的皮肤oct图像，通过对数处理，将图像的乘性散斑噪声转换为加性高斯噪声分布；

1-2)使用高斯滤波的方法对图像进行降噪预处理；

其中，高斯滤波的具体操作是使用模板来扫描图像中的每个像素，并使用该模板来计算邻域中像素的加权平均值，最后用该加权平均值替换模板中心的像素值，获得预处理后的图像。

优选的是，所述步骤2-2)具体包括：每两个节点之间由边连接，这些边有各自的权重，每个节点只与其8邻域内的节点相关联，从而将权重分配的标准定为像素强度之间的差异，再根据这一原则为每条边分配权重值。

优选的是，所述步骤2-3)具体包括：在节点图两侧各添加一列额外的辅助节点，且节点数量和图像的列数相同；图像左边新增辅助节点列中的第一个节点定义为起始节点，图像右边新增辅助节点列的最后一个节点定义为结束节点，这两列节点在垂直方向上的权重为最小，且该最小权重值小于图像的邻接矩阵中任何非零权重值。

优选的是，所述步骤2-4)具体包括：计算垂直方向的梯度图像，获得图像在垂直方向的数值梯度，输出的垂直梯度值的第一行元素为原矩阵第二行与第一行元素之差，第二行元素为原矩阵第三行与第一行元素之差除以2，以此类推；最后一行则为最后两行之差，最终得到垂直梯度，并进行归一化，最终得到垂直方向的梯度图像。

优选的是，所述步骤2-5)具体包括：基于垂直方向的梯度图像，计算某两个节点i，j之间唯一的权重weight，公式为：

weight＝2-gi-gj+wmin；

其中，weight是起始节点i和其相邻的结束节点j之间边缘的权重值；gi是图像在起始节点i的垂直梯度值；gj是图像在结束节点j的垂直梯度值；wmin是图像中的最小权重，是一个很小的正数。

优选的是，所述步骤3)中，获取第一、三分割线的具体步骤包括：利用由暗到明的图像权重和dijkstra算法，寻找位于已初始化图像的左上角和右下角像素之间的最低权重路径，获取第一、三分割线。

优选的是，所述步骤3)中，获取第二、四分割线时，先用dijkstra算法分别寻找第二、四分割线的区域，连接并修改与第二分割线和第四分割线所处的区域层相关的像素集群，以用于限制第二分割线和第四分割线的区域。

优选的是，所述步骤3)中，获取第二分割线的具体步骤包括：

i)定义第二分割线的搜索区域：通过估计像素区域将第二分割线的搜索区域定位于第一分割线和第三分割线之间的区域，并通过调节上、下边界的范围调整参数，最终得到一个有效且狭窄的搜索区域，再将得到的搜索区域表示为1，剩余部分表示为0，最终得到第二分割线的搜索区域的二值图；

ii)在上一步得到的搜索区域内使用dijkstra算法，寻找得到该区域内权重最小的一条路径，即为第二分割线。

优选的是，所述步骤3)中，获取第四分割线的具体步骤包括：

a)定义第四分割线的搜索区域：通过估计像素区域将第四分割线的搜索区域定位于第三分割线和图像最后一行之间的区域，并通过调节上、下边界的范围调整参数，最终得到第四分割线的搜索区域，再将得到的搜索区域表示为1，剩余部分表示为0，最终得到第四分割线的搜索区域的二值图；

b)在上一步得到的搜索区域内使用dijkstra算法，寻找得到该区域内权重最小的一条路径，即为第四分割线。

本发明的有益效果是：本发明公开的基于oct图像的皮肤多亚层结构自动分割方法，通过四条分割线将皮肤分为角质层、除去角质层的表皮层、真皮层三个部分，实现了皮肤多亚层结构的自动分割。本发明的方法简单高效，分割精度高，具有很好的应用价值。

附图说明

图1为本发明的一种实施例中的原始皮肤oct图像；

图2为本发明的一种实施例中的预处理后的皮肤oct图像；

图3为本发明的一种实施例中的第二分割线搜索区域；

图4为本发明的一种实施例中的第四分割线搜索区域；

图5为本发明的一种实施例中的皮肤oct图像的分割结果图。

附图标记说明：

1—背景；2—第一分割线；3—第二分割线；4—第三分割线；5—第四分割线。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。

皮肤分为三大层：表皮层、真皮层和皮下组织。表皮层又分为角质层、透明层、颗粒层、棘层和基底层。由于角质层具有重要的作用并且在oct图像中具有较高的反射率，所以一共将图像中的皮肤分为三个部分：角质层、除去角质层的表皮层、真皮层(分别对应本实施例中的第一、二、三层)，再将目标区域与背景分割开来，最终需要得到四条分割线。

本实施例的一种基于oct图像的皮肤多亚层结构自动分割方法，其特征在于，包括以下步骤：

1)对采集的皮肤oct图像进行预处理；

具体包括以下步骤：

1-1)输入采集的皮肤oct图像，如图1，通过对数处理，将图像的乘性散斑噪声转换为加性高斯噪声分布；

1-2)使用高斯滤波的方法对图像进行降噪预处理；高斯滤波的具体操作是使用模板来扫描图像中的每个像素，并使用该模板来计算邻域中像素的加权平均值，最后用该加权平均值替换模板中心的像素值，获得平滑的效果，得到预处理后的图像，如图2。

其中，在一种优选的实施例中，预处理具体步骤如下：

(1)设置一个尺寸为5×5，标准差σ＝1的高斯模板；

(2)运用离散化窗口卷积的方法对原图像进行降噪处理，即通过上一步生成的高斯核模板来平滑图像。

通过上述方法得到预处理后的图像如图3所示，可以观察到图像中颗粒状斑点明显减少，散斑噪声被有效抑制，图像较平滑，各层结构的边缘保存较好，有利于后续分割。

2)图像分割

基于去噪滤波后的皮肤oct图像，进而对图像进行皮肤各层结构的分割，实现了oct图像中皮肤各层亚结构的自动分割。其具体包括：

2-1)根据图论基础，将皮肤oct图像表示为节点图，每个像素对应一个节点。

2-2)为连接每两个节点之间的每条边分配权重值；

每两个节点之间由边连接，这些边有各自的权重。oct皮肤扫描图像具有相对较高的分辨率，且大多数感兴趣的特征在相邻特征间有平滑的过渡，因此每个节点只与其8邻域内的节点相关联，从而可以将权重分配的标准定为像素强度之间的差异。根据这一原则为每条边分配权重值。

2-3)进行节点初始化；

在节点图两侧各添加一列额外的辅助节点(节点数量和图像的列数相同)。图像左边新增辅助节点列中的第一个节点定义为起始节点，图像右边新增辅助节点列的最后一个节点定义为结束节点。这两列节点在垂直方向上的权重为最小，且该最小权重值小于图像的邻接矩阵中任何非零权重值。

2-4)计算垂直方向的梯度图像；

计算垂直方向的梯度图像，获得图像在垂直方向的数值梯度，输出的垂直梯度值的第一行元素为原矩阵第二行与第一行元素之差，第二行元素为原矩阵第三行与第一行元素之差除以2，以此类推；最后一行则为最后两行之差，最终得到垂直梯度，并进行归一化，最终得到垂直方向的梯度图像。

2-5)基于垂直方向的梯度图像，计算某两个节点之间的权重；

具体包括：基于垂直方向的梯度图像，计算某两个节点i，j之间唯一的权重weight，公式为：

weight＝2-gi-gj+wmin；

其中，weight是起始节点i和其相邻的结束节点j之间边缘的权重值；gi是图像在起始节点i的垂直梯度值；gj是图像在结束节点j的垂直梯度值；wmin是图像中的最小权重，是一个很小的正数，在一种实施例中wmin＝1×10^-5。

2-6)创建无向邻接稀疏矩阵，用于存储上一步获得的两两节点之间的权重值。

2-7)分割皮肤与背景时，背景区域比目标区域暗很多，因此要经历一个由暗到明的变化；相反，在分割角质层和表皮层的剩余部分时，要经历由明到暗的变化过程。对由所述步骤4)得到的垂直方向的梯度图像进行去反操作，得到相反方向的垂直梯度图像，前者是图像像素强度由暗到明的垂直梯度，后者是图像像素强度由明到暗的垂直梯度。

2-8)由这两个垂直梯度，使用第5)步的公式，分别计算图像像素由暗到明变换的权重矩阵和邻接稀疏矩阵、图像像素由明到暗变换的权重矩阵和邻接稀疏矩阵，

其中，将皮肤oct图像中的目标区域的皮肤分为由上至下的三部分：第一、二、三层(分别为角质层、除去角质层的表皮层、真皮层)，并将目标区域与背景分割开，需要四条分割线，由上至下依次定义为：第一、二、三、四分割线，

其中，图像像素由暗到明的邻接稀疏矩阵对应第一、三分割线，图像像素由明到暗的邻接稀疏矩阵对应第二、四分割线；

3-1)获取第一、三分割线

第一条和第三条分割线是由暗区域到明区域的边界线，是皮肤oct图像中两个最突出的层边界。

获取第一、三分割线的具体步骤包括：利用由暗到明的图像权重和dijkstra算法，寻找位于已初始化图像的左上角和右下角像素之间的最低权重路径，即为第一层或第三层的上边界，获取第一、三分割线。dijkstra算法是计算一个顶点到其余各个顶点的最短路径算法，以起始点为中心向外扩展，直到扩展到终点为止，其本质是解决有向图或者无向图的单源最短路径问题。

3-2)获取第二、四分割线

为避免已分割路径(第一、三分割线)对未分割路径(第二、四分割线)产生影响，在分割前首先定义未分割路径的区域空间，即用dijkstra算法分别寻找第二、四分割线的区域，连接并修改与特定层(即第二分割线和第四分割线所处的区域层)相关的像素集群，并用于限制第二和第四分割线的区域。

获取第二分割线的具体步骤包括：

3-2-1)定义第二分割线的搜索区域：通过估计像素区域将第二分割线的搜索区域定位于第一分割线和第三分割线之间的区域，但如果仅以此区域作为第二条路径的搜索区域，得到的路径会存在偏差，所以在程序中加入了参数的调节对其进行细化调整，使分割线上下移动以获得更为精确的分割效果。通过调节上、下边界的范围调整参数，最终得到一个有效且狭窄的搜索区域，再将得到的搜索区域表示为1，剩余部分表示为0，最终得到第二分割线的搜索区域的二值图，如图3；

其中，在一种优选的实施例中，取搜索区域上边界的调整参数记作cut_epi_upperoffset，其优选值＝0.05，下边界的范围调整参数为cut_epi_bottomoffset，其优选值＝0.3。

3-2-2)在上一步得到的搜索区域内使用dijkstra算法，寻找得到该区域内权重最小的一条路径，即为第二分割线。

获取第四分割线的具体步骤包括：

3-2-3)定义第四分割线的搜索区域：通过估计像素区域将第四分割线的搜索区域定位于第三分割线和图像最后一行之间的区域，并通过调节上、下边界的范围调整参数，最终得到第四分割线的搜索区域，再将得到的搜索区域表示为1，剩余部分表示为0，最终得到第四分割线的搜索区域的二值图，如图4；

其中，在一种优选的实施例中，该空间的上边界调整参数设置为myc_offset，优选值＝0.18，下边界即图像最后一行不需要用到调整参数

3-2-4)在上一步得到的搜索区域内使用dijkstra算法，寻找得到该区域内权重最小的一条路径，即为第四分割线。

通过上述步骤，皮肤边界按突出显示的顺序被分割。由于每条分割线都有独立的区域范围，因此万一出现分割不准确的情况，这种方法也不一定会影响随后层的准确分割。最终可以获得皮肤oct图像的分割处理结果，如图5所示。图中依次由上到下的四条线即为本方法获取的四条分割线，将图像中的皮肤分为三层。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。