一种基于Hessian隐函数的交互式体分割方法
【技术领域】
[0001] 本发明涉及一种基于Hessian(黑塞矩阵）隐函数的交互式体分割方法。
【背景技术】
[0002] 计算机层析成像技术（ComputerizedTomography)，简称工业CT，是计算机技术与 放射学相结合而产生的一门新的成像技术。它利用射线穿过物体发生衰减这一性质，将传 感器获得的数据进行重建从而获得被检测物体的三维灰度图像，清晰、准确、直观地反映物 体的内部结构、材料密度和缺损状况。这一技术被广泛地应用于工业和医学领域，工业上可 以用来对金属进行探伤，医学上可以用来对病人病情进行诊断，治疗等。
[0003] 对于扫描得到的数据集，传统的检测方法需要技术人员对每一张CT切片进行单 独处理，人工标识出目标物体在每张CT切片上的轮廓。然而由于CT数据中噪声的存在，加 大了分辨的难度，同时，单一枯燥的读片工作，不仅占用了相关技术人员大量的时间而且极 易导致遗漏和误判。
[0004] 为了解决上述问题，本发明提出了一种基于Hessian(黑塞矩阵）隐函数的交 互式分割方法，通过将Hessian(黑塞矩阵）信息加入到重构时的优化系统中，能够尽可 能地保持细节，使分割结果更加准确，同时结合Hessian(黑塞矩阵）的特点，提出基于 Hessian(黑塞矩阵）特征向量标架的交互式分割方法。该方法具有步骤清晰，操作性强，算 法高效，结果准确的特点，极大地提高了相关技术人员的工作效率，提高判断的准确性。
【发明内容】
[0005] 本发明解决的技术问题是：在对CT切片数据的分割方法中，克服了传统方法中 对单一切片进行处理存在的效率底下，误差较大等问题，提出了一种基于Hessian(黑塞矩 阵）隐函数的交互式分割方法，通过结合Hessian(黑塞矩阵）等高阶信息，能够提高分割 的准确性，同时通过设计简单的交互方式，极大地提高了效率。
[0006] 本发明采用的技术方案为：一种基于Hessian(黑塞矩阵）隐函数的交互式分割方 法，包括以下六个步骤：
[0007] 步骤（1)、图像平滑：针对CT扫描数据噪音大，边界模糊的缺点，采用了基于相对 总变差的从纹理中提取结构的方法，对图像细节进行了模糊，但是增强了图像的结构，使边 界更加清晰；
[0008] 步骤（2)、TurtleSeg预分割，使用现有的一种分割方法，得到待分割物体的初始 分割结果，提高分割的效率。位于物体内部的体素标记为1，外部的体素标记为〇,将此体素 作为模板，用于后续处理；
[0009]步骤（3)、点集的预处理，根据上一步得到的模板，提取位于边界上的数据点，得到 初始的数据点集，对点集进行平滑、去噪和重采样，然后计算每个点处的法向信息，通过局 部二次曲面拟合求得Hessian(黑塞矩阵）信息；
[0010] 步骤（4)、生成区域覆盖，通过设定局部误差上限，采用基于Gauss曲率的球覆盖 的自适应算法，将整个待分割的区域划分为一系列有一定程度重叠的球型区域；
[0011] 步骤（5)、局部拟合，在每个子区域内，求解添加了Hessian(黑塞矩阵）信息的优 化函数，得到在每个子区域内的隐函数，不同的区域之间可以并行计算，加快计算速度；
[0012]步骤（6)、交互优化分割，将上述局部隐函数进行加权混合，得到全局的隐式函数， 通过提取等值面即可得到初始的分割结果，针对不满意的地方，用户可交互地设置局部区 域，通过调整局部数据点的Hessian(黑塞矩阵）特征向量标架，重计算局部的隐函数，进一 步优化分割结果，此步骤可通过多次迭代进行。
[0013] 本发明的原理在于：
[0014] (1)通过应用CT数据直接体绘制技术，将单一切片分割转变为体分割，从数量上 来说，大大减少了工作量，有效地减少了人工因素所引起的误差；
[0015] (2)通过现有的分割方法，提取一个初始的分割结果，进一步减少了工作量。 通过提取位于边界上的数据点，将原来的分割问题，转化为基于重构的分割，通过将 Hessian(黑塞矩阵）信息加入重构的优化函数中，能够保持更多的细节，提高了准确性。
[0016] (3)为了提高计算效率，采用了局部并行重构，全局混合的方法得到全局的隐函 数，通过提取等值面可得初始分割结果。进一步地针对Hessian(黑塞矩阵）的特点，设计 通过调整Hessian(黑塞矩阵）特征向量标架的交互方式优化分割的结果。
[0017] 本发明与现有技术相比的有点在于：
[0018] 1、对CT切片进行增强操作可以提高准确率，同时将CT切片组成体数据的方式，相 比单一切片处理工作，可以大大节省时间。
[0019] 2、通过将高阶的Hessian(黑塞矩阵）信息添加到重构的优化函数中，可以尽可能 地保持更多的细节，使分割的结果尽可能地准确。
[0020] 3、设计针对Hessian(黑塞矩阵）特点的交互方式，采用迭代地优化分割的结果， 使分割的过程更加直观，准确，高效。
【附图说明】
[0021] 图1基于Hessian(黑塞矩阵）隐函数的交互式体分割方法的处理流程图；
[0022] 图2基于Hessian(黑塞矩阵）隐函数的交互式体分割方法的技术方案示意图；
[0023] 图3为图像增强之后对比图；其中，a是原始的，b是增强之后的。
[0024] 图4Hessian(黑塞矩阵）标架对分割结果的影响；
[0025] 图5不同Hessian(黑塞矩阵）特征向量标架下的分割结果；
[0026] 图6局部到全局混合示意图，〇1，〇2分别表示两个不同区域，每个区域单独拟合的 曲线以及全局混合得到的曲线；
[0027] 图7不同分割方法之间的对比；
[0028] 图8分割结果。
【具体实施方式】
[0029] 图1给出了基于Hessian(黑塞矩阵）隐函数的交互式体分割方法的总体处理流 程，图2给出了对应的技术方案示意图，下面结合其他附图及【具体实施方式】进一步说明本 发明。
[0030] 本发明提供一种基于Hessian(黑塞矩阵）隐函数的交互式体分割方法，主要步骤 介绍如下：
[0031] 1、相关总变差图像增强方法
[0032] 总变差（TotalVariation，TV)极小化方法是一种在图像重建中能很好地保持边 缘的有效方法。方法主要用于从观测图像f中恢复一个分片光滑的近似图像u，而v=u-f 被认为是噪声或小的重复模式，从观测图像中移除。然而，在有些情况中，成分v也很重要， 特别是在它表达纹理时。TV方法将观测图像分解为理想图像和加性随机噪声，通过对理想 图像的求解，可用于图像去噪，其基本模型为：f=u+w其中f为观测图像，u是待恢复的理 想图像，w是加性噪声。
[0033] 本发明采用基于相关总变差的从纹理中提取结构的方法（RTV)来增强图像。该方 法包含一般的以像素为单位来计算窗口化的总变差，公式为：
[0034]
[0035]
[0036] 其中，R(p)是以像素p为中心的三角区域，q属于R(p) ;gp，q是一个权重函数，定义 为
g中σ控制窗口的空间尺寸。为了从纹理中显著区 分结构，再定义一个新颖的用于描述窗口固有的差异，形式为：[0037]
[0038]
[0039] 该公式能够获得整个空间的差异。对于以上公式，有一个重要的性质：一般说， if的结果窗口中，只包含纹理的情况比同时包含纹理和结构边的情况要少。可以直观地解 释为，在复杂情况下，在局部窗口中，主要边的相似方向梯度的贡献比纹理更大一些。
[0040] 为了进一步增强结构和纹理的对比，特别是显著的区域，通过结合：和ii获得 了一个更有效结构纹理分解形式：
[0041]
[0042] 其中（SP_IP)2控制输入和输出不能偏离太多。新的项
：被称 为相对总方差（RTV)，能够有效地从图像中去除纹理。λ是权重，ε是一个很小的正数，防 止被0除。RTV结合了g和f的特性，是一种简单并且十分有效的提取结构的方法。效 果如图3中B。
[0043] 2、求解采样点处Hessian(黑塞矩阵）信息
[0044] 由于Hessian(黑塞矩阵）信息反应的是曲面局部的二阶导数信息，故我们采 用局部二次曲面拟