[发明专利]概率密度加权测地距离的脑部MR图像分割方法

说明书

本发明公开了一种概率密度加权测地距离的脑部MR图像分割方法，属于图像处理技术领域。包括：读入若干幅模拟脑数据库图像，进行直方图统计，得出最集中分布区间的样本值；利用得到的样本值作为先验知识对选取的待处理图像上的每个像素点进行概率密度估计；基于概率密度函数对待处理图像进行超像素分割；对分割后的超像素进行扫描，筛选出不符合标准的超像素进行分裂，用FCM算法将超像素内所有像素再次聚为两类，根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新超像素分类结果矩阵；用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。本发明提高了超像素分割以及脑部组织分割的准确度。

技术领域

本发明涉及图像处理技术领域，特别是指一种概率密度加权测地距离的脑部MR图像分割方法。

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最经典的研究课题之一，也是最大的难点之一，图像分割技术在许多医学图像应用中扮演着关键角色，也是图像中各种组织和器官的病理进一步分析的基础，通过利用图像分割，把图像中更感兴趣的区域提取出来，为临床诊断和治疗等提供依据，且大脑是人体的重要器官，因此研究脑部区域的分割技术对于脑部三维重建、神经环路的研究以及临床脑部疾病的诊断均有着重要意义。

超像素分割是一种图像过分割算法，可以作为一些图像应用中的预处理工作，例如分割、显著性检测、人脸识别等。超像素可以捕获图像中的冗余，大大减少后续图像处理任务的复杂性。现有的一种有效的超像素分割方法是基于测地距离(Geodesic Distance)的超像素，用测地距离而不是欧式距离度量像素点之间的相似度，对于自然图像来说分割效果不错，但对于脑部MR(Magnetic Resonance，简称MR)图像，该方法并不能准确地分出每一个细小的脑部组织区域超像素块。

模糊C均值聚类算法(Fuzzy C-Means，简称FCM)是应用最为广泛的模糊聚类图像分割算法。相对于其他分割方法，FCM能够保留初始图像的更多的信息。然而，传统的FCM算法在图像分割中未能考虑各个点的灰度特征及其邻域像素的关联程度，导致了该算法对于噪声和灰度不均匀比较敏感，针对上述问题，现已提出了许多改进的FCM算法，尽管改进的方法在抗噪或者效率等方面有一定程度的提高，但由于大脑图像的高复杂性，仍不能取得令人满意的分割结果，因此采用传统的单一方法分割不能满足实际要求。

发明内容

本发明提供一种概率密度加权测地距离的脑部MR图像分割方法，其提高了超像素分割以及脑部组织分割的准确度。

为解决上述技术问题，本发明提供技术方案如下：

一种概率密度加权测地距离的脑部MR图像分割方法，包括：

步骤1：读入若干幅模拟脑数据库图像，对其进行直方图统计，得出白质、灰质或者脑脊液最集中分布区间的样本值；

步骤2：从所述模拟脑数据库图像中随机选取一幅图像作为待处理图像，利用得到的所述最集中分布区间的样本值作为先验知识对待处理图像上的每个像素点进行概率密度估计，得到概率密度函数；

步骤3：基于得到的所述概率密度函数对待处理图像进行超像素分割，并记录下超像素分类结果矩阵；

步骤4：对分割后的超像素进行扫描，根据超像素颜色标准差筛选出不符合标准的超像素进行分裂，分裂时，用FCM算法将超像素内所有像素再次聚为两类，之后根据分类结果寻找连通区域，并把每个连通区域内的像素作为新的一类，更新所述超像素分类结果矩阵；

步骤5：依据更新后的超像素分类结果矩阵，用FCM算法在所有更新后的超像素基础上进行聚类，得到待处理图像脑部组织分割结果。

本发明具有以下有益效果：