[发明专利]基于水平集函数的图像处理

说明书

技术领域

本发明总体涉及基于水平集函数的图像处理。

背景技术

图像分割常用于医学图像分析过程中，如用于手术计划和血管狭窄的测量。虽然目前已经有许多图像分割算法被提出并发表于科学文献中，但是在图像分辨率有限或者图像噪声较大的情况下，大多数算法并不能给出满意的分割结果。在某些情况下，这些包含错误的分割结果可以通过人机交互的方式来改善，但是这样往往使操作流程变得复杂，并延长了图像分析的时间。上个世纪80年代提出的水平集算法一直以来被认为是一种可靠的图像分割方法，因为它可以自动地处理被分割物体的复杂拓扑变化，并且在高噪声的图像背景下保持分割边界的平滑从而实现亚像素的分割精度。关于这一算法的详细介绍参见Osher和Fedkiw的著作《Level set methods and dynamic implicit surfaces》（Springer，2003）。很多研究表明水平集算法可以有效提高图像分割精度并减少人机交互操作，相关研究可见参考文献：“User-guided 3D active contour segmentation of anatomical structures:significantly improved efficiency and reliability,Neuroimage31(3),1116–1128(2006)”和“Level set based cerebral vasculature segmentation and diameter quantification in CT angiography,Medical Image Analysis10(2),200–214(2006)”。即便如此多的文献证实水平集算法可以在实验室里提供准确稳定的结果，但是在临床工作中这一算法的应用并不很广，这主要归咎于这一算法的运行时间非常长。目前已经有几种加速方法被提出来以提高水平集算法的运算速度，如Sethian等提出的窄带法，这种方法将水平集函数的运算限制在一个几个像素宽的窄带上而不是整个图像，详见“AFast Level Set Method for Propagating Interfaces,Journal Of Computional Physics118,269--277(1994)”。Whitaker进一步提出了稀疏场的算法，将窄带缩小到只有一个像素的宽度，而在每一次迭代中通过距离变换来重建水平集函数，参见“A level-set approach to 3d reconstruction from range data,International Journal Of Computer Vision29,203--231(1998)”。但是在很多应用中，这些方法的运行速度还是不让人满意，图像分割还是需要很长时间。因此，进一步提高基于水平集方法图像分割的运行速度就显得尤为重要。并且这一需求不仅限于图像分割，快速的水平集算法对于其他的各种图像分析任务，例如图像降噪处理等，也具有重要意义。

发明内容

基于上述背景，本发明的目的是解决目前通行方法存在的问题，或者至少提供通行方法之外的另外一种解决方案。更具体的目的是阐述一种比传统方法更为快速的基于水平集的图像处理方法。

为实现上述目的，本发明经过以下步骤将表示图像的输入数字图像数据处理为输出数字图像数据：提供输入图像数据；提供输入并初始化水平集函数以表示输出图像数据的近似值；提供速度函数；确定与水平集函数的图像点相关的演化方向趋势图，所述趋势图包括与所述图像点关联的一个或多个演化趋势方向，使得每个所述图像点都具有关联的趋势方向；利用速度函数和演化方向趋势图来更新水平集函数，使得在速度函数给出的速度与关联的演化趋势方向不符的图像点上排除速度函数对水平集函数的更新的贡献；基于输出数字图像数据。选择性的排除速度函数的在图像点上的贡献使得水平集的演化具有连贯性，避免了传统方法中由于局部扭动引起的速度减慢。

上述演化趋势方向意指预测的速度函数的行进方向

上述水平集函数的图像点意指有水平集函数定义的采样点，可以散布于整个图像，也可能局限于图像一部分，例如位于一个窄带上。

演化方向趋势图中，可以是所有的图像点都被赋予同一个趋势方向，也可以是一组图像点被赋予同一个趋势方向，还可以是不同的图像点被赋予不同的趋势方向。本发明的图像处理步骤并不局限于以上描述的顺序。

上述更新水平集函数的步骤可以被执行一次或者重复多次直到演化条件满足。