[发明专利]基于交互式前景提取与信息熵分水岭的医学图像分割方法

权利要求书

1.一种基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，包括以下步骤：

步骤一：对原图像进行标准化处理；

步骤二：利用形态学开运算消除标准化处理后的图像中存在的白点噪声及边缘；

步骤三：将图像前景所在的大致位置使用矩形框标注出来，矩形框以外的区域认定为确定性背景，其他区域为确定性前景，将图像中背景区域剔除；

步骤四：利用高斯混合模型对图像确定性前景与背景进行建模，创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像；

步骤五：利用图像信息熵找到完整图像分割的阈值；

所述步骤五中，采用图像最大信息熵分割步骤四所得完整图像；具体过程为：

5-1)在图像中，设某一灰度值x出现的概率为p(x)，则信息熵H的求解公式如(1)所示：

5-2)在灰度图像中，如果设定某一阈值为T，那么灰度值在0-T的范围内看作是背景B，灰度值在T+1至T+255看作是前景F；计算每一个灰度值在背景与前景中所占的概率，计算公式分别如(2)(3)所示：

其中，p_i表示灰度值为i的概率，P_B表示每个灰度级在背景B中所占概率，P_F表示每个灰度级在前景F中所占概率，p_T表示阈值T在整个图像中的概率；

5-3)计算背景信息熵H_B与前景信息熵H_F，计算公式分别如(4)(5)所示：

遍历穷举阈值取值为0-255，求得使图像有最大信息熵时的最大的阈值T，该阈值就是对灰度图像分割的最佳阈值点；

步骤六：把步骤五得到的阈值应用到分水岭算法中对灰度图像进行处理，得到最终所需图像；

步骤六中，对一副灰度图像，把它看作是三维地理图上的地形，灰度值较低的区域看作是山谷，灰度值较高的区域看作是山峰，分水岭算法实现过程就是将图像分成两个不同的集合：分水岭线与积水盆地；分水岭算法具体过程为：

6-1)首先对图像进行形态学开运算，消除图像内噪声；

6-2)由于图像内子图是连接在一起的，采用距离变换法将确定性前景提取出来；

6-3)接着对距离变换得到的图像阈值处理，获取实际图像的确定性前景；

6-4)在获取确定性前景图像之后，获取确定性背景，对于开运算后的图像进行形态学膨胀处理，所得膨胀图像的背景就是原图像的确定性背景，膨胀图像减去确定性前景图像所获得的就是未知区域；

6-5)按照确定性背景、确定性前景与未知区域三大类划分整个图像空间，将确定性背景用“1”表示，将确定性前景用正整数从“2”开始依次表示，未知区域则采用“0”表示，对每一类采用不同颜色标注；

6-6)利用分水岭算法实现对图像的分割，划分出不同类别的区域。

2.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤一中，首先判断原图像是否符合标准尺寸，若不符合，则将原图像标准化，然后阈值处理转换为二值化图像。

3.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤四中，利用高斯混合模型对确定性前景与背景建模，高斯混合模型根据预设的位置创建新的像素分布，根据得到的像素分布情况生成一幅完整的图像，图像中的每一个节点就是像素点，所有的背景像素都与背景节点相连，所有的前景像素都与前景节点相连；每个像素归类到背景节点还是前景节点的权重由该像素是背景还是前景的概率所决定，在背景与前景之间连接处，两个像素的边的权重是由背景与前景之间相似度所决定的，背景与前景之间像素颜色越接近，边的权重就越大；根据各自边的权重关系进行分割，将不同像素点划分为前景节点与背景节点；不断重复上述过程，直至分类收敛为止。

4.根据权利要求1所述的基于交互式前景提取与信息熵分水岭的医学图像分割方法，其特征在于，所述步骤6-2)中，采用距离变换法计算的是图像中非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点距离。