没有合适的资源?快使用搜索试试~ 我知道了~
改进分水岭与K-means++结合的人体脊柱图像分割方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 77 浏览量
2022-06-18
16:46:07
上传
评论
收藏 1.42MB DOCX 举报
温馨提示
试读
17页
改进分水岭与K-means++结合的人体脊柱图像分割方法.docx
资源推荐
资源详情
资源评论
0 引言
人体脊柱图像的准确分割对于脊柱微创手术十分重要,图像分割效果会直接影响其三维重建图像效果
以及微创手术前病灶信息的获取。由于不同成像设备和环境条件的影响,使得 CT 图像常常包含噪声。
为提高图像分割效果,人们提出了许多图像分割方法,主要分为基于阈值、边缘、区域、聚类分析、
能量泛函和人工神经网络的分割方法。
基于阈值的分割方法是根据一个或几个阈值对图像中的灰度值进行分类,常用的有自适应阈值法、最
大熵法、模糊阈值法、类间阈值法等。此类方法计算简单、高效、速度快,但对噪声比较敏感,且对
灰度差异不明显的目标分割效果不佳。如李长春等
[
1
]
使用基于多阈值分割与 B 样条插值的方法去除
CT 图像中的金属伪影。
基于边缘的分割方法通过检测不同区域边缘来分割不同目标,边缘检测效果好且速度快,但无法得到
好的区域结构,且抗噪性差。常见的边缘检测算子有 Robert 算子、Sobel 算 子 、 Prewitt 算子、
Canny 算子等。如李庆忠等
[
2
]
提出基于改进 Canny 算子的图像弱边缘检测算法,该算法通过改进梯
度倒数加权滤波的方法检测平滑块中细小的弱边缘。
基于聚类分析的图像分割方法根据相似性准则,将图像像素在特征空间进行分类聚集并进行分割,然
后将分割结果映射回原图像空间。此类方法主要包括 K 均值和模糊 C 均值聚类算法,但其主要缺点是
灰度值不均匀、对噪声比较敏感,且运算开销大。如姜文斌等
[
3
]
提出基于自适应权重法的 K-means
模型对遥感图像进行分割的方法,该方法利用二维高斯函数对遥感图像进行滤波平滑处理,然后根据
收敛度和自适应值找到最优权重作为初始聚类中心,以提高图像分割精度。
基于能量泛函的分割方法是通过连续曲线表示目标边缘,然后定义一个能量泛函使其自变量包括边缘
曲线,从而进行图像分割,最具代表性的是 Osher 提出的水平集模型。如黄国鹏等
[
4
]
利用偏移场校
正和局部区域信息拟合来构建能量函数,并通过加性算子分裂策略提高图像分割精度和效率。
基于人工神经网络的分割方法是通过训练多层感知机得到线性决策函数,然后通过决策函数对图像像
素进行分类,从而分割出目标的过程。其优点是有效解决了图像灰度不均匀和噪声问题,但需要大量
数据集,且速度很慢。如唐思源等
[
5
]
提出一种基于改进粒子群优化算法的 BP 神经网络医学图像分割
方法,提高了图像分割精度。
基于区域的分割方法主要采用分裂与合并两种方法,把具有相似性的像素连通,构成最终的分割区域 。
其优点是区域特征较好,且能有效克服图像分割空间小的缺点,但容易出现过分割现象。其中分水岭
变换分割是最强大、应用最广泛的基于区域的图像分割方法之一。针对其过分割的缺点,人们提出一
些改进的分水岭分割方法。如周小明
[
6
]
采用最大熵算法对梯度图像进行校正,然后进行图像分割,取
得了良好的图像分割效果。
随着机器学习算法的快速发展,越来越多机器学习算法被应用于解决分水岭算法的过分割问题
[
7
]
。机
器学习算法是一种监督算法,需要进行大量训练和相应标记才能对测试图像进行准确分割
[
8
]
。但在大
多数情况下,训练数据和测试数据的数量不足,无法保证训练图像的质量和相似度,故不需要标记数
据的无监督方法
[
9
]
在数据短缺情况下表现得更好。无监督的聚类方法不需要训练及标记数据,可自动
将相似数据点分组到同一聚类中。模糊 C-means 聚类
[
10
]
和 K-means 聚类算法
[
11
]
是最著名的无监
督聚类算法,已应用于各种领域的数据聚类。本文采用一种比 K-means 聚类算法更优秀的聚类算法
——K-means++聚类算法对人体脊柱图像进行去噪,并修改区域最小值。相较于 K-means,该算
法分割效率更高。为了得到更好的分割效果,采用在传统分水岭算法基础上进行改进的标记符控制的
分水岭算法
[
13
]
对 K-means++聚类算法处理后的初始聚类图像进行分割。
1 K-means++聚类算法
在原始人体脊柱 CT 图像中往往存在灰度相似的区域,这些区域会产生许多不必要的局部极小值,如
图 1 所示。
图 1人体脊柱 CT 图像
Fig. 1CT image of human spine
下载:%原图^|%高精图^|%低精图
如果先用 K-means 对图像进行初始聚类处理,可减少这种不必要的局部极小值,从而改善分水岭算
法的过分割现象。K-means++算法
[
14
]
为解决 K-means 算法中聚类中心选取过于随意,且结果对
初始聚类中心过于敏感的问题,对初始聚类中心选取方式进行改进,具体步骤如下:
(1)从数据集中随机选取一个样本作为初始聚类中心 c1。
(2)计算数据集中每个样本 xi 与已选取聚类中心的距离,用 D(x)表示。
(3)计算每个样本被选为下一个聚类中心的概率,与当前已有聚类中心距离较远的样本有更大概率
被选为下一个聚类中心。具体概率计算公式如下
[
15
]
:
P(x)=D(x)∑x∈XD(x)2Px=Dx∑x∈XDx2
其中,x 表示样本点,D(x)表示样本点到聚类中心的距离。
(4)重复步骤(2)、(3),直到选择出 K 个聚类中心。
(5)计算每个样本分别到 K 个聚类中心的距离,将各样本划分到与其距离最近的聚类中心所属类别
中。
(6)针对每个类别计算其所有样本特征均值,将该均值作为该类别新的聚类中心。其均值计算公式
如下
[
16
]
:
ci=1|i|∑x∈ixci=1i∑x∈ix
其中,i 表示该类别中的样本点数,x 表示样本点。
(7)重复步骤(5)、(6),直到聚类中心位置不再发生变化。
原始人体脊柱图像的像素经过 K-means++处理后分成了 K 类,由于在医学图像中,脊柱区域是聚
类中心值最 大且面积最大 的连通区域,故可将聚类中心值 最大且面积最 大的连通分量 Si(i=1,2,
⋯,k)作为脊柱图像区域
[
17
]
。
Si=argmaxi(S1,⋯,Si,⋯Sk)Si=argmaxi(S1,⋯,Si,⋯Sk)
其中,argmaxi 表示括号内的最大值,即为脊柱区域面积值。
2 形态学处理与标记符控制的分水岭算法
分水岭变换是一种基于形态学的图像分割工具,其基本思想是把图像看作测地学上的拓扑地貌,把每
个像素点灰度值表示为该点的海拔高度,然后模拟泛洪过程
[
18
]
。假设在图像的局部极小值面刺穿一
个小孔,并让水以均匀的速率从小孔中涌出,随着水深逐步增加,为防止不同集水盆地汇聚到一起,
在两个集水盆地间修建大坝,即形成分水岭。
2.1 形态学技术去除噪声
利用 K-means++聚类算法初始分割后的人体脊柱图像虽然过分割率下降了很多,但是仍然存在过分
割现象,且脊柱区域连通分量会参杂部分背景像素,故对 K-means++聚类算法初始分割后的脊柱图
像进行基于重建的开操作和闭操作,在保留图像重要区域轮廓的同时去除细节和噪声
[
19
]
。
2.1.1 开操作与闭操作
形态学处理有两种基本运算,分别为腐蚀和膨胀,开操作和闭操作就是结合腐蚀和膨胀两种基本形态
学运算而形成的
[
20
]
。开操作是先腐蚀再膨胀,闭操作是先膨胀再腐蚀。
形态学闭操作如下:
A∙B=(A⊕B)ΘBA•B=A⊕BΘB
其中,A 表示图像,B 表示结构元。
形态学开操作如下:
A∘B=(AΘB)⊕BA∘B=AΘB⊕B
其中,A 表示图像,B 表示结构元。
膨胀可填充图像中的小孔洞和图像边缘处的一些小凹陷,对图像的外部进行滤波;腐蚀可去除图像中
一些小的“突刺”,对图像内部进行滤波,并缩小图像。开操作和闭操作是一种去噪处理,开操作可滤
掉小的“突刺”,闭操作可填充孔洞缺口
[
21
]
。
2.1.2 基于重建的开操作与闭操作
采用基于重建的开操作和闭操作清理使用 K-means++聚类算法处理后的人体脊柱图像,先对图像采
用基于重建的开操作,在开操作结果上利用基于重建的闭操作进行滤波重建。在简化初始分割图像的
同时,准确定位轮廓分水线,从根源上消除过分割现象。在分割前需要选一个结构元素,用来对图像
进行形态学重建。利用该结构元素处理图像后,图像中的灰度跃变急剧增加,可消除梯度对边缘方向
的依赖性。
基于重建的开操作:
O(n)R(F)=RDF[(FΘnB)]ORnF=RFDFΘnB
基于重建的闭操作:
C(n)R(F)=RDF[(F⊕nB)]CRnF=RFDF⊕nB
其中,FΘnB 表示 B 对 F 的 n 次腐蚀,F⊕nB 表示 B 对 F 的 n 次膨胀,RDF 表示重建处理操作。
2.2 标记符控制的分水岭算法
在标记符控制的分水岭算法中,首先将使用 K-means++聚类算法初始分割后的人体脊柱图像转换成
灰度图像
[
22
]
,应用形态学算子对图像进行去噪处理,确定前景标记并与原始图像叠加,然后确定背
景标记,获得原始图像的梯度图像并对其进行修改,最后应用分水岭变换生成分割图像。基于标记符
控制的分水岭算法流程如图 2 所示。
图 2基于控制标记符的分水岭算法流程
Fig. 2Flow of watershed algorithm based on control marker
下载:%原图^|%高精图^|%低精图
具体步骤如下:
(1)由于脊柱骨骼区域在人体脊柱 CT 图中一般是灰度值较高的连通像素块,将形态学处理后的图像
记为 fo_rec。
(2)计算 fo_rec 的局部区域最大值,并将局部区域最大值作为前景标记,然后把前景标记的灰度图
像转换成二值图像,记为 fgm。
(3)将前景图像叠加到原始图像上,某些对象中的前景标记会一直覆盖到对象边缘。
(4)通过对前景图像执行先闭操作后侵蚀的形态学去噪处理,清理标记斑点的边界,使得前景标记
向内收缩。
(5)使用阈值分割方法
[
23
]
对图像 fo_rec 进行分割,并将分割结果作为背景标记图像,记为 fbw,
以识别背景中的暗像素。
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3659
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功