[发明专利]一种基于二维最大熵阈值C-V模型的医学图像分割法

说明书

本发明公开了一种基于二维最大熵阈值C‑V模型的医学图像分割方法，包括：首先，基于输入的原始图像的灰度图，计算出其点灰度‑区域灰度均值的二维直方图；其次，使用二维最大熵法确定最佳阈值，将图像预分割为目标、背景、噪声和边缘四部分；然后，根据预分割的结果定义一个初始的水平集函数，定义该水平集函数为只有两个函数值1和‑1的分段常值函数；最后，通过能量泛函来判断噪声、边缘区域的像素点属于目标或是背景。本发明提供的基于二维最大熵阈值C‑V模型的医学图像分割方法可有效的解决噪声和初始轮廓的位置、形状和大小对曲线演化的效果和速率影响，并通过逐点代入测试的办法来极小化能量泛函，提高了图像分割速度。

技术领域

本发明涉及数字图像处理技术领域，特别是涉及一种基于二维最大熵阈值C-V模型的医学图像分割方法。

背景技术

医学图像的分析与处理是数字图像处理的一个重要应用，它通过计算机软件程序对医疗器械采集得到的各种影像进行分析处理，为医生提供相应辅助而对病人进行精准的诊疗。医学影像分析涉及多种技术，包括图像分割，三维可视化，计算机辅助远程诊疗等等。其中，图像分割是指将图像中具有特殊含义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。医学影像图像分割的研究具有重要的意义，结构分析、运动分析、三维可视化等后续操作，以及图像引导手术、肿瘤仿射治疗、治疗评估等应用研究都假设已对图像做了准确分割，或者都是以图像分割为基础的。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈。由于医学影像的极其复杂的多样性和复杂性，及目前医学影像设备成像技术上的特点等，都使得医学影像图像存在一定的噪声，图像中目标边缘可能局部不清晰，这就使得医学图像的分割更加困难。

图像分割可用的特征包括图像的灰度、颜色、纹理、局部统计特征和频谱特征等，利用这些特征可以区分图像中不同的目标物体。但目前，在医学影像图像分割方面尚没有通用的理论和方法。因此，有必要针对医学应用这个领域，对图像分割方法进行研究。

当前，C-V模型被广泛用于图像分割的领域。然而，其必须周期性地重新初始化水平集函数，演化速度明显依赖于演化曲线初始位置，因此，还需对其进行进一步改进。

发明内容

本发明的目的是提供一种基于二维最大熵阈值C-V模型的医学图像分割方法，可以有效地解决噪声处理问题和初始位置影响曲线演化速度问题，并通过逐点代入测试的办法来极小化能量泛函，提高了图像分割速度。

为实现上述目的，本发明提供了如下方案：

一种基于二维最大熵阈值C-V模型的医学图像分割方法，该方法包括以下步骤：

S1，对待分割的原始图像进行预分割，采用二维最大熵阈值分割法确定最佳阈值，将原始图像分割为目标、背景、噪声和边缘四区域；

S2，根据预分割结果，定义一个水平集函数，利用水平集函数将图像划分为准目标和准背景两区域；

S3，通过能量泛函F(c₁，c₂，Φ)和C-V模型来判断噪声和边缘区域中各像素点属于背景还是目标，同时利用同质区域的全局信息对预分割结果进行微调，得到更好的分割结果。

优选的，所述步骤S1中，对待分割的原始图像进行预分割，采用二维最大熵阈值分割法确定最佳阈值，将原始图像分割为目标、背景、噪声和边缘四区域，具体包括：

S101,以原始图像中各像素及其邻域4个像素为一个区域，计算区域灰度均值图像，则原始图像中的每一个像素都对应于一个点灰度-区域灰度均值对，该数据对存在L×L种可能的取值；

S102,设n_i,j为图像中灰度为i及区域灰度均值为j的像素点数，计算点灰度的灰度均值对(i,j)的发生概率p_i,j，N×N为图像的像素点总数；