基于分水岭算法的人脑图像分割方法与流程

本发明涉及图像数据处理，具体涉及一种基于分水岭算法的人脑图像分割方法。

背景技术：

1、脑ct检查是通过ct对颅脑进行检查的一种常用方法。在头部外伤时，脑ct是最重要的影像学诊断方法。脑ct可明确显示颅内肿瘤的数目、部位、大小、轮廓、密度、瘤内出血、钙化以及扩散程度。而分水岭算法在应用于医学图像分割时，由于灰度图像受噪声影响较大，容易形成大量的局部极值而导致过分割。

2、现有技术中，仅根据预分割图像后的各个区域有效性指标对各个区域进行局部h值的自适应选取和分水岭算法分割，虽然考虑了分水岭算法的过分割现象，但仅使区域达到有效性指标要求便获取最终图像，没有考虑图像内的局部纹理变化特征，仍然会出现了大量由微弱边界组成的小区域，最终的分割结果会出现较大误差。

技术实现思路

1、为了解决现有技术中没有考虑图像内的局部纹理变化特征，出现过分割现象的技术问题，本发明的目的在于提供一种基于分水岭算法的人脑图像分割方法，所采用的技术方案具体如下：

2、本发明提出了一种基于分水岭算法的人脑图像分割方法，该方法包括：

3、获得颅脑灰度图像及其颅脑梯度图像；以所述颅脑梯度图像中每个像素点为中心，设置至少两个第一滑窗；根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度；

4、根据梯度值非零的像素点之间的距离对所述颅脑梯度图像内所有像素点进行聚类，获得至少两个聚类区域及其纹理特征；根据所述聚类区域的像素点数量和纹理特征获得每个所述聚类区域的区域熵密度；

5、对于所述颅脑梯度图像内目标像素点的任意一个目标第一滑窗，根据所述目标第一滑窗与相邻第一滑窗之间的密度差异获得所述目标第一滑窗的第一熵密度差异；根据所述目标像素点对应的每个第一滑窗的所述局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异；根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度；

6、统计所述颅脑梯度图像中所有像素点的第一滑窗，以包含目标像素点的第一滑窗作为参考滑窗；根据每个像素点对应所有所述参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值；根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割，获得分割图像。

7、进一步地，所述每个第一滑窗的纹理特征的获取方法包括：

8、预设获取灰度共生矩阵的方向；获得第一滑窗在每个预设方向上对应的灰度共生矩阵；将每个灰度共生矩阵的熵作为对应灰度共生矩阵的子纹理特征；将所有灰度共生矩阵的子纹理特征均值作为每个第一滑窗的纹理特征。

9、进一步地，所述第一滑窗的局部熵密度的获取方法包括：

10、对任意一个第一滑窗，获得第一滑窗的纹理特征与对应第一滑窗面积的比值，将所述比值作为对应第一滑窗的局部熵密度。

11、进一步地，所述每个聚类区域的区域熵密度的获取方法包括：

12、将每个聚类区域的纹理特征与对应聚类区域的像素点数量的比值作为每个聚类区域的区域熵密度。

13、进一步地，所述第一熵密度差异的获取方法包括：

14、按照窗口尺寸从小到大的顺序，将所述颅脑梯度图像内目标像素点的所有第一滑窗进行排序，获得第一滑窗序列；从所述序列中第二个第一滑窗开始遍历，将每次遍历的对象作为目标第一滑窗；将位于每个目标第一滑窗前的第一滑窗作为目标第一滑窗的相邻第一滑窗，将每个目标第一滑窗与其相邻第一滑窗的局部熵密度差值作为目标第一滑窗的第一熵密度差异；每个目标像素点的第一个目标第一滑窗的第一熵密度差异等于第二个目标第一滑窗的第一熵密度差异。

15、进一步地，所述第二熵密度差异的获取方法包括：

16、对颅脑梯度图像内目标像素点的任意一个第一滑窗，获取第一滑窗的局部熵密度和目标像素点所在聚类区域的区域熵密度的差值绝对值，将所述差值绝对值作为第一滑窗的第二熵密度差异。

17、进一步地，所述冲刷程度的获取方法包括：

18、将每个第一滑窗的第一熵密度差异、第二熵密度差异与预设修正系数三者的和值作为综合差异；将对应第一滑窗的局部熵密度与综合差异的比值作为对应第一滑窗的冲刷程度。

19、进一步地，所述每个像素点的最终冲刷衰弱值的获取方法包括：

20、对颅脑梯度图像内的任意一个像素点，将像素点对应每个参考滑窗的冲刷程度的倒数进行归一化获得程度归一化值；将程度归一化值与对应像素点的灰度值的乘积作为像素点对应每个参考滑窗的冲刷衰弱结果；将像素点对应所有参考滑窗的冲刷衰弱结果均值作为每个像素点的最终冲刷衰弱值。

21、本发明具有如下有益效果：

22、本发明实施例中获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征，后续根据每个像素点在不同窗口尺寸下的纹理特征对对应像素点进行分析，能够提高获取具体像素点所在区域特征的准确性，减少后续最终分割图像的分割误差。获取第一滑窗的局部熵密度和每个聚类区域的区域熵密度，根据目标第一滑窗与相邻第一滑窗之间的密度差异获得目标第一滑窗的第一熵密度差异，通过目标第一滑窗与相邻第一滑窗之间的纹理特征进行分析，第一熵密度差异反映对应像素点的纹理特征密度，能够增强对图像内局部纹理特征分析的准确性，减少后续冲刷程度的误差。根据第一滑窗与对应像素点所属聚类区域之间的密度差异获得每个第一滑窗的第二熵密度差异，对具体像素点在对应每个第一滑窗和所属聚类区域之间的密度关系进行分析，增强后续对冲刷程度获取的准确性。根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度，进而筛选出每个像素点的参考滑窗，将每个像素点在不同状态下获取的参考滑窗进行统计，能够更全面地分析对应像素点的特性。将每个像素点的所有参考滑窗的冲刷程度与像素点的灰度值结合获得每个像素点的最终冲刷衰弱值，进而对颅脑梯度图像进行分割，能够综合分析每个像素点的冲刷特征，极大程度减弱分水岭算法的过分割现象，增强最终分割效果的准确性，并且因为局部纹理的分析，保证了分割结果中不会出现大量微弱边界组成的小区域，使得分割结果的边缘清晰，分割效果更强。本发明通过对分水岭算法进行优化改进，最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。

技术特征：

1.一种基于分水岭算法的人脑图像分割方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述每个第一滑窗的纹理特征的获取方法包括：

3.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述第一熵密度差异的获取方法包括：

4.根据权利要求1所述的一种基于分水岭算法的人脑图像分割方法，其特征在于，所述第二熵密度差异的获取方法包括：

技术总结
本发明涉及图像数据处理技术领域，具体涉及一种基于分水岭算法的人脑图像分割方法，该方法通过获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征，根据每个相邻第一滑窗之间的密度差异和目标第一滑窗与对应像素点所属聚类区域之间的密度差异分别获得目标第一滑窗的第一熵密度差异和第二熵密度差异。根据第一熵密度差异、第二熵密度差异和局部熵密度获得每个第一滑窗的冲刷程度。筛选出每个像素点的参考滑窗，将所有参考滑窗的冲刷程度与像素点灰度值结合获得每个像素点的最终冲刷衰弱值，进而对颅脑梯度图像进行分割获取分割图像。本发明通过对分水岭算法进行优化改进，最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。

技术研发人员：林伟
受保护的技术使用者：无锡文康科技有限公司
技术研发日：
技术公布日：2024/5/10