[发明专利]一种基于振荡网络的医学图像分割方法

说明书

技术领域

本发明属于图象信息处理技术领域，涉及的是医学图像分割方法，特别是一种基于振荡网络的图像分割方法。

背景技术

图像分割是计算机图像处理的一个基础问题，是许多后继图像分析任务的第一步处理，特别是对于图像识别和描述、图像的可视化和基于目标的图像压缩都高度依赖于分割结果。图像分割是有图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术，这是因为图像分割、目标的分离、特征的提取和参数的测量将原始的图像转化成更抽象、更紧凑的形式，使得更高层的分析和理解成为可能。

通常，分割问题包括将给定图像中相似的块分割成一个区，相邻的分割块是不相似的。另一个角度说，分割也可被认为是像素的标记处理，属于同一个区域像素标上相同的号，一直以来，人们致力于分割方法的研究，提出了许多分割技术。但是，图像分割仍然是图像处理中的一大瓶颈。

现有的图像分割方法主要包括：

一、基于区域的图像分割

常见的基于区域的图像分割方法有阈值分割，区域生长与分裂合并和聚类分割。(1)阈值分割：阈值化分割方法是图像分割中最简单也是最常用的一种图像分割方法。这种方法基于对灰度图像的一种假设：目标或背景的相邻像素间的灰度值是相似的，而不同目标或背景的像素在灰度上有差异，反映在直方图上，不同目标和背景对应不同的峰，选取的阈值应位于两个峰之间的谷处。如果图像中具有多类目标，则直方图将呈现多峰特性，相邻两峰之间的谷即为多阈值分割的门限值。阈值分割的优点是简单，对于直方图峰谷特性明显的图像具有较好的分割效果。缺点是对于图像中不存在明显灰度差异(直方图为宽谷或单峰)或各物体的灰度范围有较大重叠时难以得到准确的分割结果。另外，阈值法对于光照不均匀的图像难以用统一的门限进行分割。(2)区域生长和分裂合并：区域生长和分裂合并是两种典型的串行区域分割方法，其特点是将分割过程分解为多个有序的步骤，其中后续的步骤要根据前面步骤的结果进行判断而确定。区域生长的基本思想是，将具有相似性质的像素集中起来构成区域，需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域。区域生长方法的优点是计算简单，特别适合于分割小的结构，缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。为克服这些缺点，有提出一种同伦的(Homotopic)区域生长方法，以保证初始区域和最终抽取区域的拓扑结构相同。另外，模糊连接度理论与区域生长相结合也是一个较好的研究方向。在区域合并方法中，输入图像往往先被分为多个相似的区域，然后类似的区域根据某种准则迭代的进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的；在区域的分裂合并方法中，先从整幅图像进行分裂，然后将相邻的区域进行合并。分裂合并方法不需要预先指定种子点，但分裂可能会使分割区域的边界被破坏。(3)聚类分割：分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图像的特征空间找到决策分类点、线或面以实现对图像的划分。用分类器进行分割是一种有监督的统计方法，需要手工得到样本集，作为对新图像进行自动分类的参考。聚类方法不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。另外，聚类也没有考虑空间关联信息，对噪声和灰度不均匀较敏感。

二、基于边缘的图像分割

基于边缘的分割方法主要是基于区域边界的像素灰度值变化往往比较剧烈，首先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。最简单的边缘检测方法是并行微分算子法，它利用一阶或二阶导数来检测边缘。近年来还出现了基于局部图像函数的方法、多尺度方法、基于反应-扩散方程的方法，以及基于边界曲线拟合的方法、主动轮廓方法等。基于边缘的图像分割方法难点在于边缘检测时的抗噪性和检测精度的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。

三、边缘与区域相结合的图像分割