自適應圖像分割方法和設備的制造方法
【技術領域】
[0001] 本發明涉及計算機視覺領域中的圖像分割，更具體地講，涉及一種適用于醫學圖 像的高精度、自適應分割方法和設備。
【背景技術】
[0002] 為了獲得人體內部對象的圖像，需要從超聲圖像、CT圖像等醫療圖像中分割出人 體內部對象的邊界與輪廓。這里，人體內部對象可以是器官、腫瘤、組織等。現實中，人體內 部對象非常復雜。例如，乳房腫瘤具有很多種類，包括良性腫瘤(囊腫、纖維瘤等）和惡性腫 瘤，不同種類甚至同一種類的腫瘤在超聲圖像中的表現(如結構形狀及規則性、尺寸大小、 灰度亮暗、與周圍組織的對比度、是否有鈣化點等）具有巨大的多樣性，精確分割出病變結 構具有很大難度。
[0003] 醫療圖像分割可以分為交互式和全自動兩種分割方法。在全自動方法中，由系統 自動地檢測出病變所在的大概區域（即，感興趣區域（R0I))，然后分割出病變結構的精確輪 廓；而人工交互式方法中，有三種常用方式，第一種是需要人工輸入一部分病變結構的區域 和一部分背景區域，第二種是在病變結構區域中點出種子點，第三種是用矩形框等框出病 變結構的大概區域（ROI)。
[0004] 然而，現有的圖像分割技術存在突出的問題。具體地講，圖像分割算法中具有很多 參數，其中前景或者背景的初始分布對最終的分割結果影響很大，而基于固定的、統一的初 始分布產生方法的分割算法則很難應對差異巨大的ROI。因此，現有的圖像分割技術很難取 得良好的分割效果。

【發明內容】

[0005] 因此，本發明的一方面在于提供一種通過提取ROI的顯著性特征和平滑度特征產 生不同的初始前景分布，并基于初始前景分布進行圖像分割的方法和設備。
[0006] 根據本發明的一方面，提供一種自適應圖像分割方法，包括以下步驟：從輸入圖像 提取感興趣區域（R0I);提取ROI的一種或更多種特征，并基于提取的特征對ROI進行分類； 針對不同類型的ROI產生不同的初始前景分布；基于產生的初始前景分布對ROI進行分割， 以獲得目標對象區域。
[0007] 優選地，提取的特征是顯著性特征、平滑度特征或它們的組合。
[0008] 優選地，根據以下等式提取ROI的顯著性特征：
[0009]
【主權項】
1. 一種自適應圖像分割方法，包括以下步驟： 從輸入圖像提取感興趣區域ROI ; 提取ROI的一種或更多種特征，并基于提取的特征對ROI進行分類； 針對不同類型的ROI產生不同的初始前景分布； 基于產生的初始前景分布對ROI進行分割，以獲得目標對象區域。
2. 根據權利要求1所述的自適應圖像分割方法，其中，提取的特征是顯著性特征、平滑 度特征或它們的組合。
3. 根據權利要求2所述的自適應圖像分割方法，其中，根據以下等式提取ROI的顯著性 特征：
其中，SaliencyScore表示一維顯著性特征向量，i表示ROI中的第i個像素， countPixel表示ROI中的像素的總數，arraySaliency □表示像素值顯著性數組， grayValueti]表示第i個像素的灰度值，dist表示第i個像素到參考位置的距離，δ表示 距離的權值且〇〈3〈1。
4. 根據權利要求2所述的自適應圖像分割方法，其中，根據以下等式提取ROI的顯著性 特征： SaliencyImage[i]=arraySaliency[grayValue[i]]*exp(-dist/δ ), 其中，SaliencyImage表示多維顯著性特征向量，Saliencylmage[i]表示第i個像素的 顯著性特征，arraySaliency □表示像素值顯著性數組，grayValue [i]表示第i個像素的灰 度值，dist表示第i個像素到參考位置的距離，δ表示距離的權值且〇〈 δ〈1。
5. 根據權利要求3所述的自適應圖像分割方法，其中，根據以下等式確定像素值顯著 性數組：
其中，grayLevel表示ROI中特定像素的像素值，maxGrayLevel表示ROI中最大像素 值，minGrayLevel表示ROI中最小像素值,histogram□表示直方圖數組，grayLevell表示 ROI中除特定像素之外的各個像素的像素值，dist表示特定像素到參考位置的距離，δ表 示距離的權值且〇〈3〈1。
6. 根據權利要求4所述的自適應圖像分割方法，其中，根據以下等式確定像素值顯著 性數組：
其中，grayLevel表示ROI中特定像素的像素值，maxGrayLevel表示ROI中最大像素 值，minGrayLevel表示ROI中最小像素值,histogram□表示直方圖數組，grayLevell表示 ROI中除特定像素之外的各個像素的像素值，dist表示特定像素到參考位置的距離，δ表 示距離的權值且0〈s〈l。
7. 根據權利要求1所述的自適應圖像分割方法，其中，對ROI進行分類的步驟包括：將 所述一種或更多種特征作為輸入，使用支持向量機、K均值K-Means算法或神經網絡將ROI 分類為顯性類ROI或隱性類ROI。
8. 根據權利要求7所述的自適應圖像分割方法，其中，產生不同的初始前景分布的步 驟包括： 針對顯性類ROI，使用K均值K-Means算法將ROI中的像素聚類為三類； 將平均像素值最小的一類像素確定為前景，將平均像素值最大的一類確定為背景； 使用屬于前景的像素和屬于背景的像素構造高斯混合模型GMM ; 將未被確定為前景或背景的一類像素作為輸入，通過構造的GMM將該類像素確定為前 景或背景，從而產生初始前景分布。
9. 根據權利要求7所述的自適應圖像分割方法，其中，產生不同的初始前景分布的步 驟包括： 針對隱性類R0I，以參考位置作為中心，使用固定矩形區域作為前景，從而產生初始前 景分布。
10. 根據權利要求3、4、5、6和9中任意一項權利要求所述的自適應圖像分割方法，其 中，參考位置表示初始的目標對象區域的重心。
11. 根據權利要求10所述的自適應圖像分割方法，其中，通過以下步驟確定參考位置： 通過使用大律法OSTU對ROI進行分割，從而獲得兩種類型的像素； 計算兩種類型的像素的平均像素值； 將平均像素值小的一種類型的像素組成的區域的重心確定為參考位置。
12. -種自適應圖像分割裝置，包括： ROI提取單元，被配置為從輸入圖像提取ROI ; ROI特征提取和分類單元，被配置為提取ROI的一種或更多種特征，并基于提取的特征 對ROI進行分類； 初始前景分布產生單元，被配置為針對不同類型的ROI產生不同的初始前景分布； 圖像分割單元，被配置為基于產生的初始前景分布對ROI進行分割，以獲得目標對象 區域。
13. 根據權利要求12所述的自適應圖像分割裝置，其中，所述一種或更多種特征是顯 著性特征、平滑度特征或它們的組合。
14. 根據權利要求13所述的自適應圖像分割裝置，其中，ROI特征提取和分類單元被配 置為根據以下等式提取ROI的顯著性特征：
其中，SaliencyScore表示一維顯著性特征向量，i表示ROI中的第i個像素， countPixel表示ROI中的像素的總數，arraySaliency □表示像素值顯著性數組， grayValueti]表示第i個像素的灰度值，dist表示第i個像素到參考位置的距離，δ表示 距離的權值且〇〈3〈1。
15. 根據權利要求13所述的自適應圖像分割裝置，其中，ROI特征提取和分類單元被配 置為根據以下等式提取ROI的顯著性特征： SaliencyImage[i]=arraySaliency[grayValue[i]]*exp(-dist/δ ), 其中，SaliencyImage表示多維顯著性特征向量，Saliencylmage[i]表示第i個像素的 顯著性特征，arraySaliency □表示像素值顯著性數組，grayValue [i]表示第i個像素的灰 度值，dist表示第i個像素到參考位置的距離，δ表示距離的權值且〇〈 δ〈1。
16. 根據權利要求14所述的自適應圖像分割裝置，其中，ROI特征提取和分類單元還被 配置為根據以下等式確定像素值顯著性數組：
其中，grayLevel表示ROI中特定像素的像素值，maxGrayLevel表示ROI中最大像素 值，minGrayLevel表示ROI中最小像素值,histogram□表示直方圖數組，grayLevell表示 ROI中除特定像素之外的各個像素的像素值，dist表示特定像素到參考位置的距離，δ表 示距離的權值且〇〈3〈1。
17. 根據權利要求15所述的自適應圖像分割裝置，其中，ROI特征提取和分類單元還被 配置為根據以下等式確定像素值顯著性數組：
其中，grayLevel表示ROI中特定像素的像素值，maxGrayLevel表示ROI中最大像素 值，minGrayLevel表示ROI中最小像素值,histogram□表示直方圖數組，grayLevell表示 ROI中除特定像素之外的各個像素的像素值，dist表示特定像素到參考位置的距離，δ表 示距離的權值且〇〈3〈1。
18. 根據權利要求12所述的自適應圖像分割裝置，其中，ROI特征提取和分類單元被配 置為將所述一種或者更多種特征作為輸入，使用支持向量機、K均值K-Means算法或神經網 絡將ROI分類為顯性類ROI或隱性類ROI。
19. 根據權利要求18所述的自適應圖像分割裝置，其中，初始前景分布產生單元被配 置為：針對顯性類ROI，使用K均值K-Means算法將ROI中的像素聚類為三類；將平均像素 值最小的一類像素確定為前景，將平均像素值最大的一類確定為背景；使用屬于前景的像 素和屬于背景的像素構造高斯混合模型GMM ;將未被確定為前景或背景的一類像素作為輸 入，通過構造的GMM將該類像素確定為前景或背景，從而產生初始前景分布。
20. 根據權利要求18所述的自適應圖像分割裝置，其中，初始前景分布產生單元被配 置為：針對隱性類R0I，以參考位置作為中心，使用固定矩形區域作為前景，從而產生初始 前景分布。
21. 根據權利要求14、15、16、17和20中任意一項權利要求所述的自適應圖像分割裝 置，其中，參考位置表示初始的目標對象區域的重心。
22. 根據權利要求21所述的自適應圖像分割裝置，其中，初始前景分布產生單元還被 配置為：通過使用大律法OSTU對ROI進行分割，從而獲得兩種類型的像素；計算兩種類型 的像素的平均像素值；將平均像素值小的一種類型的像素組成的區域的重心確定為參考位 置。
【專利摘要】公開一種自適應圖像分割方法和設備。所述自適應圖像分割方法包括以下步驟：從輸入圖像提取感興趣區域（ROI）；提取ROI的一種或者更多種特征，并基于提取的特征對ROI進行分類；針對不同類型的ROI產生不同的初始前景分布；基于產生的初始前景分布對ROI進行分割，以獲得目標對象區域。
【IPC分類】G06T7-00, G06K9-62, G06K9-32
【公開號】CN104732509
【申請號】CN201310701429
【發明人】張紅衛, 任海兵, 趙川, 冀永楠, 張麗丹, 禹景久, 劉志花
【申請人】北京三星通信技術研究有限公司, 三星電子株式會社
【公開日】2015年6月24日
【申請日】2013年12月18日