[发明专利]一种带有邻域约束的图像分割方法、终端设备及存储介质

说明书

本发明涉及一种带有邻域约束的图像分割方法、终端设备及存储介质，在该方法中在每一个像素的邻域中引入了能够充分考虑局部空间信息的具有各向异性加权权重，该权重从空间距离和灰度级差两个方面考虑对中心像素的作用强度，提高了抗噪声的鲁棒性；重新定义了水平集能量泛函中的距离正则项，不仅解决了水平集在每次迭代中需要初始化的问题，还保证了边界扩散速率的稳定性和准确性；结合模糊C均值聚类隶属度函数的优点，将控制水平集演变参数λ_i模糊化，即将常数参数变成了自适应参数，可更好地根据目标图像控制水平集函数的演化。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种带有邻域约束的图像分割方法、终端设备及存储介质。

背景技术

医学图像分割在医学图像分析和处理领域中起关键作用，其准确性和计算效率的提升是一项复杂且具有挑战性的任务。分割的目的是将获取的图像分成不同的解剖组织或具有相同内在特性的区域。临床诊断和治疗中的后续分析很多是基于医学图像的分割结果来展开的，但是由于成像设备的自身缺陷以及射频场的空间变化，医学图像成像时往往受到噪声的干扰和亮度不均匀性(偏移场)的影响，这很容易导致分割结果出错。因此，在医学图像存在干扰的情况下，如何建立合适的数学模型，获得准确的分割结果，成为急需解决的问题。

在过去的几十年里，研究人员已经提出了大量的图像分割方法，可以从基于像素的方法和基于边界的方法分成两类。基于像素的分类可以看成是对具有相同物理属性的像素进行聚类的过程，可进一步划分为硬聚类和软聚类两种方式。硬聚类采用非此即彼的判别方式，模型对图像干扰敏感，即使图像被弱噪声破坏，也可能会导致错误的分类结果。如李纯明等人在2014年提出的MICO(Multiplicative intrinsic component optimization)模型，它利用了偏移场的平滑和缓慢变化的特性，能够对偏移场进行有效估计，但是由于采用硬聚类方式，算法的抗噪声的鲁棒性较差。模糊C均值(FCM，fuzzy c-means)模型是一种典型的软聚类方法，它可以克服硬聚类的缺点，已被广泛研究并成功应用于医学图像分割之中。模糊C均值模型由Dunn等人提出，通过引入隶属函数，它可以将分类的模糊性结合到能量函数中，更符合人类对事物的认知过程。但是，在图像分割中许多基于模糊C均值的模型没有考虑空间邻域信息，很容易导致仅得到局部最优解，鲁棒性较差。

基于边界的分类方法利用几何流和灰度同质性理论，采用平滑变化的轮廓来勾勒组织的边界。典型的方法之一是基于偏微分方程的主动轮廓模型(ACMs，active contourmodels)，ACMs具有各种形式，如Snake模型和水平集方法(LSM，level set method)，其中水平集方法其以良好的特性受到了广泛关注。水平集最大的优点是它可以隐式地将轮廓运动转换为水平集函数的演化，对于具有复杂边界的图像尤其有效。在水平集的演化过程中，由于边界处会出现局部尖锐或非常平坦的情况从而产生激波，这需要在演化过程中不断地进行初始化。Sussman等在1999年通过采用迭代法去求解初始化方程来完成初始化过程，但是该方法有时不能获得期望的距离符号函数。2010年Zhang等提出了一种在每次水平集函数演化之后增加一次高斯滤波的过程，以保证水平集函数的光滑，达到无需重新初始化的目的，但是这方法容易造成边界的模糊。

发明内容

针对上述问题，本发明旨在提供一种带有邻域约束的图像分割方法、终端设备及存储介质，将模糊聚类的隶属函数集成到水平集公式中，以自适应地调整水平集函数的演化；同时改进水平集能量泛函中距离正则化项，用以保持水平集函数运动的稳定性和准确性。

具体方案如下：

一种带有邻域约束的图像分割方法，包括以下步骤：

S1：输入图像；

S2：初始化模型参数；

S3：在图像中，根据图像特征选取一个邻域空间，对邻域空间内各像素进行各向异性加权处理，以使与中心像素灰度值相近的像素有较大的权重，反之权重较小；