[发明专利]基于超像素的腹部CT图像多器官分割方法

权利要求书

1.一种基于超像素的腹部CT图像多器官分割方法，其特征在于，包括以下步骤：

步骤1，采集多张腹部CT图像，获得腹部CT图像集；

步骤2，对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射；

步骤3，对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块；

步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集；

步骤5，对所述的特征全集进行选择，获得特征集；

步骤6，根据所述的特征集，利用分类器对所述的超像素块进行分类，获得超像素块的器官类别；

步骤7，对所述的超像素块中的同类超像素块进行融合，获得多器官分割后的腹部CT图像；

所述步骤2，对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射，包括以下步骤：

对所述的腹部CT集中的每一张腹部CT图像进行双边滤波，获得滤波后的腹部CT图像集；

对所述的滤波后的腹部CT图像集中的每一张腹部CT图像进行灰度映射，将腹部CT图像的灰度范围映射至腹部器官的灰度范围，获得预处理后的腹部CT图像集；

所述的步骤3，对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块，包括以下步骤：

将所述腹部CT图像集中的每一张腹部CT图像均划分成多个矩形块；

对于所述的腹部CT图像集中的第一张腹部CT图像，在其划分后的每一个矩形块上随机产生一个种子点作为首个聚类中心点进行聚类，获得所述腹部CT图像的最终聚类中心；

对于所述的腹部CT图像集中的其他腹部CT图像，均以上一张腹部CT图像的所述最终聚类中心点作为本张腹部CT图像的首个聚类中心点进行聚类，获得所述的腹部CT图像集的多个超像素块；

所述的步骤3中采用K-means聚类方法对所述腹部CT图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块；

采用K-means聚类方法对所述腹部图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块，包括以下步骤：

A、以所述的首个聚类中心点为中心，以边长为L的矩形区域作为初始聚类邻域，将欧氏距离与灰度距离融合后的距离作为度量距离D_s进行一次K-means聚类，利用式(1)计算出度量距离D_s：

其中，d_xy为两像素点欧氏距离，d_g为两像素点灰度距离，S为分割后矩形块的边长，μ为控制参数，20≤μ≤100；

B、一次K-means聚类完成后更新聚类中心点C_t(x，y)＝I(x,y)，n为一次聚类后聚类簇中像素点的个数，t为聚类迭代次数，t≥1；

C、直至所述的更新后聚类中心点C_t(x,y)与上一次聚类中心点C_t-1(x,y)重合，获得所述的最终聚类中心点C_t(x,y)，完成对本张腹部CT图像的超像素分割；

重复执行上述步骤A-C，直至完成对腹部CT图像集中的最后一张腹部CT图像的分割，获得所述的腹部CT图像集的多个超像素块；

所述的步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集，包括：

对于步骤3中获得的腹部CT图像的多个超像素块进行灰度特征和纹理特征提取，所述的灰度特征为灰度直方特征,纹理特征包括Gabor纹理特征、LBP特征以及灰度共生矩阵特征，获得特征全集；

所述的步骤5中采用主成分分析法对所述的特征全集进行选择，获得特征集；

所述的步骤6中，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别；

采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别，包括以下步骤：

A1、将步骤5中获得的纹理特征集输入至极限学习机进行训练以及分类，获得超像素块的类别概率，建立基于极限学习机的超像素块类别概率表，其中列代表极限学习机超像素块类别概率；

B1、统计所述器官的灰度和位置信息，分别建立基于灰度高斯概率模型和基于位置的高斯概率模型，建立基于位置和灰度的二维混合高斯超像素块类别概率表，其中列代表高斯超像素块类别概率；

C1、将所述的基于极限学习机的超像素块类别概率表与所述的基于位置和灰度的二维混合高斯超像素块类别概率表中对应的单元格相乘，获得超像素块器官类别概率表，其中列代表超像素块的器官类别概率；

D1、在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得所述超像素块的器官类别。