[发明专利]基于新型阈值公式和自适应双势阱函数的CT图像分割方法

说明书

本发明涉及一种基于新型阈值公式和自适应双势阱函数的CT图像分割方法，属于图像处理领域。本发明分为粗分割和细分割两部分，以区域生长模型作为粗分割，并提出了基于平均绝对离差的阈值公式，该公式可以根据图像特征自动生成合理的阈值，并能处理灰度不均匀或对比度低的图像；以LRCV模型作为细分割，并提出了自适应双势阱函数，动态地调整系数使得分割初期扩散速率增大，后期扩散速率减小，并且降低零势阱附近的扩散速率，使得零水平集侵入被分割目标内部的可能性降低，从而提高分割精度。有效地解决了LRCV模型初始轮廓敏感的问题。对于灰度不均或低对比度的CT图像，相较于传统的主动轮廓模型具有更加精确的分割结果。

技术领域

本发明属于图像处理领域，涉及基于新型阈值公式和自适应双势阱函数的CT图像分割方法。

背景技术

计算机断层成像(Computed Tomography，CT)是通过射线扫描物体来获得投影数据，并用其重建出物体的断层图像。图像分割是将图像划分成若干各具特性的不相交的区域，并根据这些区域上图像的某种特性提取和分离出感兴趣的目标区域。图像分割作为图像处理到图像分析与理解的关键步骤，能否从CT图像中准确、高效地提取出感兴趣目标，对后续处理(如缺陷检测、尺寸测量及逆向制造等)至关重要。因此，研究如何提高图像分割的精确度具有较大的实际意义。

现有技术中，由Chan和Vese提出的Chan-Vese(CV)模型是经典的活动轮廓模型，CV模型具有分割速度快、初始轮廓不敏感的优点，但分割灰度不均的图像时效果欠佳。在2008年，Li和Kao等人提出由区域可缩放拟合(Region Scalable Fitting,RSF)能量驱动的活动轮廓模型，RSF模型能有效分割灰度不均的图像，但初始轮廓较为敏感，且在每次迭代中需要执行四次卷积运算，因此RSF模型需要较长的分割时间。在2010年，Li和Xu等人提出距离保持水平集演化(Distance Regularized Level Set Evolution,DRLSE)模型，DRLSE模型采用基于双势阱函数的惩罚项，避免周期性初始化水平集函数，大幅提高水平集演化速度，但其双势阱函数在零势阱的演化速度达到最大，使得水平集急速地演化，导致零水平集侵入被分割目标内部，最终可能导致DRLSE模型分割不够理想。在2012年，Liu和Peng提出局部区域型Chan-Vese(Local Region Chan-Vese,LRCV)模型，LRCV模型能有效分割灰度不均的图像，且每次迭代只需执行两次卷积运算，所以分割速度比RSF模型稍快，但由于其只考虑局部特征，因此初始轮廓较为敏感，进而导致分割精度降低。

因此，为了提高LRCV模型对CT图像的分割精度，本发明提出基于新型阈值公式和自适应双势阱函数的CT图像分割方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于新型阈值公式和自适应双势阱函数的CT图像分割方法。将区域生长和主动轮廓相结合，该发明分为粗分割和细分割两部分，以区域生长模型作为粗分割，以LRCV模型作为细分割，有效地解决了LRCV对初始轮廓敏感的问题，进而提高LRCV模型对CT图像的分割精度。

为达到上述目的，本发明提供如下技术方案：

基于新型阈值公式和自适应双势阱函数的CT图像分割方法，该方法包括以下步骤：

S1：计算图像统计量和阈值；

S2：确定种子点和生长准则；

S3：利用广度优先搜索进行遍历；

S4：以区域生长的结果作为初始轮廓；

S5：求解能量泛函对应的Euler-Lagrange方程得到水平集函数演化方程；

S6：利用有限差分法进行水平集函数迭代；

S7：输出分割结果。

可选的，所述S1具体包含以下步骤：