[发明专利]一种基于聚类超像素分割的病理图像特征提取方法

说明书

技术领域

本发明涉及数字图像技术，具体涉及一种基于聚类超像素分割的病理图像特征提取方法。

背景技术

图像的特征是描述图像的重要属性，特征提取的好坏决定着图像的处理能否顺利进行，常用的图像特征包括颜色，纹理，形状。常用的颜色特征提取方法有RGB，HSV等；纹理特征提取方法有统计法(灰度共生矩阵等)，结构法，频谱法等；形状特征提取方法有面积，周长等。

病理图像分割是图像处理中最为关键的步骤之一，病理图像的后序处理如特征提取，目标识别等好坏都依赖于分割效果的好坏。然而到目前为止也没有一项通用的方法可以对所有图像进行有效分割。目前的病理图像分割主要有基于直方图的阈值分割算法，基于梯度信息的分水岭分割算法。然而这些算法都有其局限性，如阈值分割算法由于图像染色程度的多变性效果不佳，分水岭算法的精确性依赖于细胞核位置的精准获取。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于聚类超像素分割的病理图像特征提取方法。

技术方案：本发明的一种基于聚类超像素分割的病理图像特征提取方法，依次包括以下步骤：

(1)初始化种子点，具体过程为：

(1-1)确定预分割为K个相同尺寸的超像素；

(1-2)假设图像有N个像素点，预分割为K个相同尺寸的超像素，那么每个超像素的大小为N/K，求出每个种子点的距离；

(1-3)对原图中非边缘的每点求出像素差；

(2)相似度衡量；

(2-1)以种子点为中心，在预分割每块的区域大小中，求出该区域所有像素点距离最近的种子点的欧几里得距离；

(2-2)求像素点与种子点的相似程度距离；

(2-3)确定每个像素点的所属种子点的标签；

(2-4)求出误差，当误差高于一定值时反复迭代，直到误差低于设定值时跳出迭代；

(2-5)增强连通性：对于分割的每一块区域计算其像素点个数，如果低于一定值，则给该块区域赋值为相邻的标签；

(3)提取分割图像的特征：

(3-1)提取分割部分图像的形状特征；

(3-2)提取分割部分图像的直方图信息：

(3-3)提取分割部分图像的纹理特征。

进一步的，所述步骤(1-2)中，每个种子点的距离近似为

width_strips＝image_width/superpixel_step

width_err＝image_height-superpixel_step*width_strips

height_strips＝image_height/superpixel_step

height_err＝image_height-superpixel_step*height_strips

其中，N为图像的总共像素点，K为确定的预分割的超像素集合个数，

superpixel_step为每个种子点的距离；width_strips为图像的宽可以容纳的种子的个数，height_strips为图像的高可以容纳的种子的个数；

image_width是图像的宽，image_height是图像的高，width_err为图像的宽容纳种子个数后多余的空间，height_err为图像的高容纳种子个数后多余的空间。

进一步的，所述步骤(1-3)中，对原图中非边缘的每点求出像素差具体过程为：

mat_edge(pixel_i,pixel_j)＝pixel_dx+pixel_dy

pixel_dx＝(mat_image(pixel_i-1,pixel_j)-mat_image(pixel_i+1,pixel_j))^2

pixel_dy＝(mat_image(piexl_i,pixel_j-1)-mat_image(pixel_i,pixel_j+1))^2

mat_image为原图的像素矩阵，piexl_i是横坐标，pixel_j为纵坐标；

为避免种子点处在图像的边缘位置，以及对后续的聚类过程造成干扰，需要将种子点移动每个预分割区域的中心位置，并向中心位置的周围8个方向寻找到像素点差最小的位置，将该种子点移动该位置，同时为每个种子分配一个单独的标签。

进一步的，所述步骤(2-1)的具体方法为：

distance_spatial＝sqrt((seed_i-pixel_i)^2+(seed_j-pixel_j)^2)；