[发明专利]基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法

权利要求书

1.一种基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，其特征在于：该方法分三个步骤：图像区域轮廓粗提取、超声图像预处理、图像区域轮廓精提取，图像区域轮廓粗提取根据原始图像选定区域在超声图像中的特点，采用图像取反、高斯函数背景抑制、二值化、形态学开运算去干扰、无需初始化水平集方法提取轮廓等提取区域的粗轮廓，作为后续轮廓精提取算法的初始值；图像预处理采用一种选择性各向异性医学超声图像平滑算法；图像区域轮廓精提取，采用边缘和统计特征相结合的水平集区域轮廓自动提取方法。

2.根据权利1所述的基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，其特征在于：所述的边缘和统计特征相结合的水平集区域轮廓自动提取方法，先计算出轮廓上每点所在区域的纹理统计特征，并输入到已训练好的支持向量机中，得到这些纹理统计特征与分类超平面间的符号距离，同时引入一个映射函数，把这些符号距离映射到一个区间内，来表征该点属于正常组织的可能性，最后结合该点的边缘置信度和曲率确定出该点的曲线演变速度，实现图像感兴趣区域轮廓的自动精确提取。

3.根据权利1所述的基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，其特征在于：所述的图像区域轮廓粗提取步骤包括以下五个步骤：

1)图像取反

在超声图像中，诸如心室、乳腺肿瘤等感兴趣区域大都呈现无回声或低回声性特性；取反公式如下：

μ₂(i，j)＝255-μ₁(i，j)                (1)

式中i，j分别是图像中某像素点的横坐标和纵坐标，μ₁，μ₂分别是转换前和转换后的图像；

2)自适应高斯函数背景抑制

自适应抑制函数的作用是使位于图像中心的感兴趣区域呈现高亮度，远离中心的像素处于低亮度甚至为零，设定一种基于高斯函数的自适应抑制函数，函数表达式如下式：

N(p;μ^,σ^)=exp(-12(p-μ^)TK-1(p-μ^))2πdetK---(2)]]>

式中p为图像中某点像素的坐标，是图像的中心坐标，K=σx2σy2,]]>σ_x²、σ_y²分别是图像x、y轴方向的方差，且σ_x＝w，4，σ_y＝h/4，其中w、h分别是图像的宽度和高度；

3)运用otsu图像自动阈值算法把图像转化为二值图像

otsu算法是一种经典的图像阈值自动选择算法，该算法通过穷举方法求取下式的最大值即最大类间方差，从而确定图像的阈值：

σb2(t)=ω1(t)ω2(t)[u1(t)-u2(t)]2---(3)]]>

式中ω₁(t)、ω₂(t)是图像被阈值t分为两类时的概率，u₁(t)、u₂(t)分别是两类的均值；采用otsu自动阈值方法算出图像的阈值，从而把图像变为二值图像；

4)图像去脂肪、其他物质干扰等操作

采用形态学开运算的方法去掉区域轮廓周围附带有脂肪或其它组织的图像这些亮点，即考虑到超声图像分辨率，对那些面积小于一定像素数的亮点，都作为干扰去掉；

5)封闭区域轮廓提取

采用一种无需初始化水平集方法来提取轮廓，能得到一个封闭的感兴趣区域轮廓，其演变方程为：

∂φ∂t=μ[Δφ-div(▿φ|▿φ|)]+λδ(φ)div(g▿φ|▿φ|)+vgδ(φ)---(4)]]>

式中div为散度算子，为梯度算子，δ(φ)为狄拉克函数，参数λ为正的权重常数，g=11+|▿Gσ*μ|2,]]>*为卷积运算，标准差为σ的高斯函数G_σ(x)＝(2πσ)^-1/2exp(-|x|²/4σ)。