[发明专利]基于局部相似性活动轮廓模型的脑部图像分割方法和系统

权利要求书

1.一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法，其特征在于，包括以下步骤：

步骤1：获取一幅待分割核磁共振图像；

步骤2：对所述待分割核磁共振图像进行超像素分割，获取多个超像素；

步骤3：对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；

步骤4：采用词典和稀疏表示分类方法对所述超像素进行分类，获得初始目标区域；

假设在训练集中有N个病人的数据，则对每个病人的病灶区类和背景类均使用K-means聚成K类，则N个病人的数据共聚成2KN类，获得2KN个聚类中心；所述聚类中心组成词典D；

步骤5：根据所述初始目标区域，利用高斯概率密度函数计算每个像素属于目标的概率，作为学习的局部相似性先验；

所述步骤5利用高斯概率密度函数计算每个像素属于目标的概率具体为：

其中，P(l|x)表示像素点x属于脑部图像中待分割目标区域的概率，l是像素x的标记,当x属于脑部图像中待分割目标区域，l的值是1，否则是0；像素u是检测到的脑部图像中待分割目标区域的中心点，cord(x)表示像素x的空间位置，cord(u)是像素u的空间位置，σ近似表示脑部图像中待分割目标区域的直径，Ω_C表示探测到的脑部图像中待分割目标区域，Ω_B表示探测到的背景区域，所述背景区域是指脑部图像除去带分割目标区域以外的区域；

步骤6：建立基于局部相似性学习的活动轮廓模型的能量函数，通过最小化能量函数，获得图像分割结果。

2.如权利要求1所述的一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法，其特征在于，所述步骤2中超像素分割采用SLIC超像素分割算法。

3.如权利要求1所述的一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法，其特征在于，所述步骤4中词典的构造方法为：

步骤(1)：获取脑部核磁共振图像作为训练图像；

步骤(2)：对训练图像进行超像素分割，得到若干个训练超像素；

步骤(3)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；

步骤(4)：基于所述融合之后的特征构造训练阶段的词典。

4.如权利要求3所述的一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法，其特征在于，所述步骤(4)具体为：

所述聚类中心组成词典D：

D＝[C_1，1,C_1，2,...,C_1，K,B_1，1,B_1，2,...,B_1，K,...,C_z,v,...,B_z,v,...,C_N,1,...C_N,K,B_N,1,...,B_N,K]

其中，

C_z,v表示第z个病人的来自病灶区区域的第v个聚类中心；

B_z,v表示第z个病人的来自背景区域的第v个聚类中心。