[发明专利]基于改进的距离调整水平集算法的医学图像分割方法

说明书

技术领域

本发明涉及一种医学图像分割方法。特别是涉及一种改进的距离调整水平集方法。

背景技术

图像分割是图像处理、图像分析和计算机视觉等领域经典的研究课题之一，也是难点之一，其目的是将图像分成各具特性的区域并将目标从背景和噪声中分离出来，从而为后续的定量、定性分析提供基础支持。

由于各种图像，尤其是医学图像的方式各异，图像处理过程中又不可避免地引入一定的随机噪声，再加上图像中感兴趣目标的形态和强度差别很大，至今还没有一种通用的方法适合于所有图像的分割。近年来发展起来的水平集方法综合利用了区域与边界信息，以其精确性、自动性和最终分割结果的连续性被广泛应用于图像分割和计算机视觉等领域。该类方法易于结合分割物体的形状等先验知识约束，逐渐成为医学图像的分割领域的研究热点。

水平集方法是欧拉法求解隐式偏微分方程的一种方法，水平集方法是最先由Osher and Sethian在上世纪80年代提出的，用于流体运动和火焰传播界面的追踪，随后又被引入到计算机视觉和图像处理领域。其主要思想是将被动曲线C(p,t)嵌入到高一维空间的水平集函数中，通过计算水平集函数零水平的位置来追踪曲线的演化。其中，p是任意参数化变量，t表示时间。在传统的水平集方法中，初始水平集函数通常取为符号距离函数。水平集函数在迭代的过程中可能发生退化，使它不再保持符号函数，因此要进行重新初始化操作，以保证水平集函数接近一个符号函数。在演化过程中周期性地对水平集函数进行校正，即重新初始化为符号函数，这一操作计算量非常大。Li等引入了符号距离函数来惩罚能量泛函，即无需初始化的水平集方法，解决了符号函数的周期性初始化问题，提高了算法的效率，但分割边界模糊或不连续的图像时往往出现边界泄露现象。2005年Li等引入距离调整函数的水平集方法(Advanced Distance Regularized Level Set Evolution)，在符号距离函数的基础上对该函数进行了调整。

发明内容

针对上述现有技术，本发明提供一种基于改进的距离调整水平集算法的医学图像分割方法，主要是在距离调整水平集算法(DRLSE，Distance Regularized Level Set Evolution Mode,)基础上提出了改进的距离调整水平集算法(ADRLSE，Advanced Distance Regularized Level Set Evolution)，在曲线演化即水平集函数演化过程中，不仅保持符号距离函数的属性，避免重新初始化，提供了更有效的计算，减少了经过DRLSE处理后的二维医学图像边缘锐化，利用本发明中建立的ADRLSE模型处理后的图像边缘更光滑。

为了解决上述技术问题，本发明一种基于改进的距离调整水平集算法的医学图像分割方法予以实现的技术方案是，该方法包括以下步骤：

步骤一、输入二维医学图像；

步骤二、利用Matlab软件采用高斯核函数对输入的二维医学图像进行二维空间内的高斯滤波平滑，二维医学图像函数为I(x,y)；高斯核函数为其中σ为标准方差，平滑滤波后的图像为I′，I′＝G_σ*I(x,y)，平滑滤波后的图像的梯度信息为从而得到该二维医学图像的轮廓曲线；

步骤三、对DRLSE模型的隐函数进行改进，使水平集函数接近于符号距离函数，改进后的隐函数为：