[发明专利]一种基于自适应参数改进SNIC的医学图像分割方法

说明书

本发明公开一种基于自适应参数改进SNIC的医学图像分割方法。提取原图像纹理特征获得特征图，再将原图像降尺度处理；设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建像素元素e_i，初始化优先队列Q；从Q中取出d_i,k中最小的元素，如果被取出的元素在L对应位置未被标记则标记为k；利用k更新超像素中心，计算并更新自适应参数m，对该像素的4或8邻域中没被标记的像素，创建新元素并赋予标签k，后填入Q中；当Q不为空时，循环上述；当优先队列Q为空时，将L根据KNN恢复到原尺度大小后获得最终超像素分割结果。

技术领域

本发明属于图像分割领域，具体涉及一种基于自适应参数改进SNIC的医学图像分割方法。

背景技术

图像的分割在在各个图像处理领域中都起着很重要的作用，是图像处理领域的热点问题。对于医学图像来说，不论是目标的检测和分类，还是图像的三维重建，都需要图像分割技术作为基础。图像的自动分割代替了人工手动分割，节省了人力物力，所以在计算机辅助诊断系统中，图像分割技术有着重要作用。

目前，在医学图像分割的研究领域有了很大的发展，学者们提出了许多医学图像的分割的理论和方法，有基于传统的阈值、区域增长、水平集和活动轮廓等算法的方法，如一种基于CV模型和DRLSE模型的分割算法，对于边界模糊并且灰度不均匀甲状腺超声图像有较好的分割效果。近年来，有一种新的结合传统基于区域的水平集算法和深度学习的框架，可以准确预测分割椎骨的形状，并在多个数据集上进行了实验，取得了很好的结果，相比于其他技术，在处理骨折病例方面有更好的效果。有以统计区域增长和自适应图割为基础的肺部分割算法，首先通过智能二值化和形态学操作确定初始区域，然后运用该算法进行分割，能够在较低的算法复杂度下，获得较高的分割精度。

也有基于其他理论如仿生学优化和统计学的医学图像分割方法，例如一种隐马尔可夫随机场和布谷鸟算法相结合的MRI图像分割方法，与同类算法相比获得了更好的分割结果。也有基于鲸鱼优化算法(WOA)的MRI图像肝脏分割方法。该方法使用WOA算法将图像根据设定的类别数目聚类并进行分割。在70组MRI图像进行测试，实验结果的总体SSIM和SI性能指标分别达到了96.75％和97.5％。

以上许多图像分割算法研究在分割精度上都取得了较好的结果，但是大部分算法在速度上还有一定的提升空间。

发明内容

本发明提供一种基于自适应参数改进SNIC的医学图像分割方法，利用尺度变换方法减少算法运行中的计算量来达到节约计算成本，降低处理的时间和空间复杂度的目的，同时利用纹理信息和自适应参数保证分割精度；可以有效减少超像素分割医学图像所需的时间，提高医学图像分割的精度。

本发明通过以下技术方案实现：

步骤1：提取原图像纹理特征获得特征图，再将原图像降尺度处理；

步骤2：设置参数t，设置超像素数目K，在步骤1降尺度的原图像上分配种子点位置；

步骤3：创建与步骤1降尺度的原图像大小相同的空白标记图L，用种子点创建的像素元素e_i＝{x_i,c_i,t_i,k,d_i,k＝0}初始化优先队列Q；

步骤4：从优先队列Q中最先取出Q内所有元素中d_i,k最小的元素，如果被取出的元素在标记图L对应位置未被标记则标记为标签k；

步骤5：计算标签k的超像素中所有像素均值来更新超像素中心，计算并更新自适应参数m；

步骤6：对该像素的4或8邻域中没被标记的像素计算d_i,k，以未被标记的像素创建新元素并赋予与步骤4相同的标签k，将新创建的元素填入优先队列Q中；