一种基于活动轮廓模型的医学图像分割方法与流程

本发明涉及医学图像分割技术领域，具体为一种基于活动轮廓模型的医学图像分割方法。

背景技术：

近些年来，如何对图像进行有效的处理成为了一个人们广泛关注的重要问题。随着科技的发展，人们生活需求的提高，各式各样与图像有关的技术逐渐问世，这些技术也被逐一应用到实际生活之中。在众多技术之中，图像分割技术的地位不可或缺，在完整的图像处理系统中它是基石一般的存在。图像分割技术是连接图像处理和图像分析的桥梁，它的基本原理是将一张完整的图像以灰度、纹理、颜色等为特征分成互不重叠几块区域再进行具体分析。图像分割已知的应用领域有医学图像处理、监控雷达图像处理、红外线遥感图像处理等，每一处领域都彰显了它的重要性。对个体特征分布分散的医学图像进行分割处理的问题就是当下亟待解决的一个难点之一。

现有采用活动轮廓模型处理的方法一般分为两种，一种为几何轮廓模型，一种为参数活动轮廓模型，两种轮廓模型在使用的过程中，得到的分割效果不够准确，并且耗时较大。

技术实现要素：

本发明的目的在于提供了一种基于活动轮廓模型的医学图像分割方法，达到分割效果准确，耗时低的目的。

为实现上述目的，本发明提供如下技术方案：一种基于活动轮廓模型的医学图像分割方法，包括以下步骤：

s1、在主程序的设计上，将全局分割与局部分割的代表cv(水平集)模型和lbf(局部二值拟合)模型作为比较模型与lgif(localandglobalintensityfitting)模型进行对比，使其拥有相同的迭代次数再将分割结果进行比较。

s2、lgif模型中局部能量项的设计与lbf模型的能量项设计大致上是一样的，全局能量项的设计与cv模型的能量项设计大致一样，并在此之间引入一个权重系数用于调节局部能量项和全局能量项。

其中局部能量项设为：

其中，l(φ)为曲线长度项，p(φ)为距离正则项，e^lif为局部能量项，μ和v为非负常量项。

全局能量项设为：

e^cv＝λ1∫ω|i-c1|²h(φ)dx+λ2∫ω|i-c2|²(1-h(φ))dx+v∫ωδ(φ)|h(φ)|dx

＝e^gif+vl(φ)

引入边缘引导导函数：

其中，g(s)为边缘检测算子，s为边缘检测梯度，越接近边缘s越大。

距离正则项：

lgif模型综合上述项，总能量泛函为：

e^lgif＝(1-ω)e^lbf+ωe^cv+μe^edge+vrp

s3、软件设计。

s3包括以下步骤：

a1、局部能量函数的建立。

a2、融合全局信息与局部信息。

a3、添加边缘函数。

a4、水平集方法的应用。

a5、整合以上方面，得出一个完整的lgif模型，并利用该模型分割目标图像得出最终的结果。

s4、软件测试与结果分析。

优选的，a1中具体为在能量函数中局部函数的表现部分采用的是lbf模型，优点是能较好的处理图像的强度不均匀区域。

优选的，a2中具体为局部函数的存在使模型在对较低的对比、非均匀光照图像有明显的优势，不过不足之处也显而易见，一旦遇到噪声图像，或者在选择初始轮廓的时候判断失误，分割质量就会下降，为了解决这一问题，我们将全局约束函数ecv添加进总能量模型中，将局部函数存在的不足一一弥补。

优选的，a3中具体为当图像质量模糊导致无法判断边界位置时，可考虑在总能量函数中添加一个边缘引导函数，该函数的作用是能较快较好的提取边界信息，在一定程度上加快了整个流程的速度，也能避免边界发生断层。

优选的，a4中具体为当总能量函数构建完毕，最重要的一个环节是将该函数进行最小化处理。为此我们采用的是水平集方法，同时为了使演化过程更精准高效，一个距离正则项被添加到总函数模型中，它的作用是校正函数在演化过程中出现的偏差。

本发明提供了一种基于活动轮廓模型的医学图像分割方法。具备以下有益效果：

(1)、经过上述多个实验，相较与其他模型，显而易见，lgif模型在处理医学图像的分割当中具有较大的优势，它能够更加精准的对图像进行处理。实际应用中，lgif模型在灰度分布不均匀且差异值较小的图像处理中均能取得不错的分割结果。由于水平集函数的存在，而该函数的特点就是不需要对曲线曲面进行参数化处理，只需要对其进行数值运算，所以初始轮廓的设定变得不再重要，这也大大节省了时间成本。因此在处理具有医学图像特征的这类图像时lgif模型可以看作是目前较有效的方法。

附图说明

图1为本发明软件流程图；

图2为本发明实验一中原图像模型；

图3为本发明实验一中cv模型；

图4为本发明实验一中lbf模型；

图5为本发明实验一中lgif模型；

图6为本发明实验二中原图像模型；

图7为本发明实验二中cv模型；

图8为本发明实验二中lbf模型；

图9为本发明实验二中lgif模型。

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。

所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语″中心″、″纵向″、″横向″、″长度″、″宽度″、″厚度″、″上″、″下″、″前″、″后″、″左″、″右″、″竖直″、″水平″、″顶″、″底″″内″、″外″、″顺时针″、″逆时针″、″轴向″、″径向″、″周向″等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，术语″安装″、″相连″、″连接″、″固定″等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

如图1-9所示，本发明提供一种技术方案：一种基于活动轮廓模型的医学图像分割方法，包括以下步骤：

s1、在主程序的设计上，将全局分割与局部分割的代表cv(水平集)模型和lbf(局部二值拟合)模型作为比较模型与lgif(localandglobalintensityfitting)模型进行对比，使其拥有相同的迭代次数再将分割结果进行比较。

s2、lgif模型中局部能量项的设计与lbf模型的能量项设计大致上是一样的，全局能量项的设计与cv模型的能量项设计大致一样，并在此之间引入一个权重系数用于调节局部能量项和全局能量项。

其中局部能量项设为：

其中，l(φ)为曲线长度项，p(φ)为距离正则项，e^lif为局部能量项，μ和v为非负常量项。

全局能量项设为：

e^cv＝λ1∫ω|i-c1|²h(φ)dx+λ2∫ω|i-c2|²(1-h(φ))dx+v∫ωδ(φ)|h(φ)|dx

＝e^gif+vl(φ)

引入边缘引导导函数：

其中，g(s)为边缘检测算子，s为边缘检测梯度，越接近边缘s越大。

距离正则项：

lgif模型综合上述项，总能量泛函为：

e^lgif＝(1-ω)e^lbf+ωe^cv+μe^edge+vrp

这两个能量项在曲线的演化过程中起着互补的作用，当演化曲线接近目标边界时，局部力起到非常重要的作用，直到轮廓线最终到达目标边界，对于灰度不均匀的图像，这一项的作用更为关键。相反，当演化曲线远离目标边界时，全局力起着重要作用，全局能量项的引入增加了初始轮廓的不敏感性。

s3、软件设计。

s3包括以下步骤：

a1、局部能量函数的建立，在能量函数中局部函数的表现部分采用的是lbf模型，优点是能较好的处理图像的强度不均匀区域。

a2、融合全局信息与局部信息，局部函数的存在使模型在对较低的对比、非均匀光照图像有明显的优势，不过不足之处也显而易见，一旦遇到噪声图像，或者在选择初始轮廓的时候判断失误，分割质量就会下降，为了解决这一问题，我们将全局约束函数ecv添加进总能量模型中，将局部函数存在的不足一一弥补。

a3、添加边缘函数，当图像质量模糊导致无法判断边界位置时，可考虑在总能量函数中添加一个边缘引导函数，该函数的作用是能较快较好的提取边界信息，在一定程度上加快了整个流程的速度，也能避免边界发生断层。

a4、水平集方法的应用，当总能量函数构建完毕，最重要的一个环节是将该函数进行最小化处理。为此我们采用的是水平集方法，同时为了使演化过程更精准高效，一个距离正则项被添加到总函数模型中，它的作用是校正函数在演化过程中出现的偏差。

a5、整合以上方面，得出一个完整的lgif模型，并利用该模型分割目标图像得出最终的结果。

s4、软件测试与结果分析。

按照先后顺序我们依次向大家展示cv模型，lbf模型，lgif模型三种具有一定代表性的活动轮廓模型对选定图像的分割结果，在主程序中也设计了随机和主动两种选择初始轮廓的方式。在程序中还能手动修改的参数有cv模型，lbf模型在lgif模型中所占的比例和实验中规定的迭代次数。

实验中主要针对cv和lbf两种活动轮廓模型的权重参数和初始轮廓位置的选择进行调试，其他的参数则不需要过多修改，避免程序运行时出错。

实验一是一张真实的人类大脑图像，由于lgif模型利用水平集逃避了轮廓初始化，所以无论初始点的位置在哪，图像的分割结果也能够殊途同归，不同于其他模型，若初始轮廓选择位置不佳，可能会导致结果产生误差，从而引发一系列棘手的问题。

实验二中表明cv模型在分割手掌图像时边界泄露导致出现了假边，lbf模型在分割时将灰度不均匀且不是轮廓的部分也进行了分割，这两种模型的分割效果都不能让人满意，只有lgif模型给出了较为完美的分割结果。仔细观察实验二中原图像模型，一张手腕x射线医学影像，真正的轮廓线附近由于拍摄时存在光影而形成了模糊不清的区域，且该区域与附近对比度较低，参考图实验二中cv模型和lbf模型，若单单利用全局或局部活动轮廓模型去处理这样的图像，容易被其他信息干扰，导致与期望的目标图像相去甚远。

综上可得，经过上述多个实验，相较与其他模型，显而易见，lgif模型在处理医学图像的分割当中具有较大的优势，它能够更加精准的对图像进行处理。实际应用中，lgif模型在灰度分布不均匀且差异值较小的图像处理中均能取得不错的分割结果。由于水平集函数的存在，而该函数的特点就是不需要对曲线曲面进行参数化处理，只需要对其进行数值运算，所以初始轮廓的设定变得不再重要，这也大大节省了时间成本。因此在处理具有医学图像特征的这类图像时lgif模型可以看作是目前较有效的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。