基于區(qū)域增長的可視人彩色圖像分割

2019-11-17 04:48:56

字體：大中小

供稿：網(wǎng)友

基于區(qū)域增長的可視人彩色圖像分割來源：電子技術(shù)應(yīng)用作者：張雯郝重陽
摘要：提出了一種基于區(qū)域生長的彩色圖像分割算法，以提取可視人數(shù)據(jù)集中真彩解剖切片的組織器官。通過對彩色圖像顏色特片空間RGB和HSV的分析，選擇出適合可視人數(shù)據(jù)中肺部器官特征的顏色分量作為生長算法中分割合并的特征度量法則。實(shí)驗(yàn)表明，該方法能較好地分割出可視人真彩胸部圖像中的肺癌器官。要害詞：區(qū)域生長可視人彩色圖像分割人體可視化研究是20世紀(jì)后期興起的一項(xiàng)信息技術(shù)與醫(yī)學(xué)學(xué)科相互交叉、綜合發(fā)展鹽業(yè)的世界前沿性研究領(lǐng)域，是將成千上萬個(gè)人體斷面數(shù)據(jù)信息在計(jì)算機(jī)里整合、重建成人體的三維立體結(jié)構(gòu)圖像，構(gòu)成人體形態(tài)學(xué)信息研究的實(shí)驗(yàn)平臺，為開展各種人體相關(guān)研究提供形象而真的模型，具有重大的社會應(yīng)用價(jià)值。可視人計(jì)劃（Visible Human PRoject）由美國國家醫(yī)學(xué)圖書館在1989年率先提出，1994年和1995年相繼推出世界首例一男一女兩具冰凍解剖尸體的高精度、高分辨率的真彩組織切片光學(xué)照片并伴有相應(yīng)的CT和MRI圖像作為輔助數(shù)據(jù)集。中國可見化人體計(jì)劃于2001年正式啟動，由第三軍醫(yī)大學(xué)可視人體計(jì)劃研究目組在2002年和2003年推出了中國首例男女尸體數(shù)據(jù)集。該數(shù)據(jù)集較之美國具有更小切片間距、更高分辨率以及更大容量的優(yōu)點(diǎn)。目前人體可視化研究進(jìn)入到對人體及組織器官的重建和理解階段，其中對真彩圖像的組織器官的成功分割是該項(xiàng)目能否順利進(jìn)行的核心環(huán)節(jié)，同時(shí)也是目前最挑戰(zhàn)性的問題。彩色圖像的分割方法主要包括彩色特片聚類（clustering）、邊緣檢測（edge-based）、區(qū)域生成（region growing）等。其中彩色特片聚類是基于灰度閾值分割的多維擴(kuò)展，通常對每一顏色分量上的直方圖分別采用閾值分割，再將結(jié)果組合起來。但由于彩色直方圖閾值難于確定以及色彩映射導(dǎo)致信息耗散，采用這種方法通常出現(xiàn)聚類相互重疊。基于邊緣的方法主要是利用圖像中梯度或曲率行等特征的突變來檢測邊界，但對功節(jié)明顯的復(fù)雜醫(yī)學(xué)圖像，其邊緣有連續(xù)性較難保證。區(qū)域生成的方法是目前采用較多、效果較好的一類方法；缺點(diǎn)是對種子點(diǎn)的選取會影響結(jié)果的好壞，但對于完全采用自動分割目前尚屬不易的醫(yī)學(xué)解剖圖像，人工交互選取子點(diǎn)是可行的方法。本文選取了第三軍醫(yī)大學(xué)可視人數(shù)據(jù)集婦女性尸體胸部數(shù)據(jù)20張，分析了脈沖的顏色和紋理特征。采取了區(qū)域增長的方法，初始種子點(diǎn)由手工選取，并以肺部彩色特征作為增長算法的分割準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明，該方法能較好地分割出肺部區(qū)域。1 分析1．1 區(qū)域增長區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。首先在待分割的每個(gè)區(qū)域中選擇一個(gè)種子點(diǎn)作為生長的起始點(diǎn)，然后在種子點(diǎn)的領(lǐng)域中搜索那些與種子點(diǎn)的相似特征度滿足指定生長準(zhǔn)則的像素，并與種子點(diǎn)所在區(qū)域合并。此時(shí)將新合并的像素作為新的種子點(diǎn)，繼續(xù)以上搜索和合并過程，直到?jīng)]有可以合并的像素為止。令F表示衡量像素相似程度的特征函數(shù)，Rk代表第k步時(shí)生長的區(qū)域，則Rk的區(qū)域特征函數(shù)為F（Rk）。同樣，令當(dāng)前像素為s(i,j)，其特征向量為F（s），區(qū)域增長算法的核心就是比較F（Rk）與F(s)的特征距離是否滿足一定的閾值T。假如F（Rk）-F(s)<T，則像素s被合并至Rk+1=Rk+s，否則跳過像素s，搜索下一個(gè)相鄰像素。1．2 彩色特征空間彩色圖像分割面臨的最大問題，是需要處理五維信息，其中兩維是幾何信息，三維是彩色信息。一個(gè)像素的顏色分布可以用彩色空間中三維向量來表示。在計(jì)算機(jī)硬件中，彩色圖像用RGB顏色空間來存儲及顯示，而經(jīng)過變化可以得到HSV、XYZ、YIQ等多種顏色空間。其中HSV是面向用戶的一種符合主觀感覺的色彩模型，更接近于人眼對顏色的感知，Hue表示色度，Saturation表示飽和度，Value表示強(qiáng)度。在對肺部數(shù)據(jù)的分析處理中，發(fā)現(xiàn)真彩圖像中肺部區(qū)別于胸部其它器官的主要特征表現(xiàn)在V=（R+G+B）/3分量均值和方差都相對較小，說明肺部區(qū)域具有V分量較大相似度。因此將用像素的強(qiáng)度特征分量作為判定法則，RGB顏色空間向SHV顏色空間轉(zhuǎn)換公式如下：基于區(qū)域增長的可視人彩色圖像分割（圖一）

s=1-{3×[min(R,G,B)]/(R+B+G)V=(R+B+G)/32 實(shí)現(xiàn)
2．1 降低分辨率對可視人數(shù)據(jù)進(jìn)行處理的一個(gè)很大挑戰(zhàn)，就是其超大的數(shù)據(jù)量。即使是身體上很小的一部分，要想保持完全分辨率，也將占用很大的硬盤空間和內(nèi)存。例如，一張真彩胸部切片是18MB，分辨率為3072×2048，顏色深度為24位。因此，在分割之前，必須降低分辨率。筆者通過每3×3個(gè)像素采樣，將之降到1024×683。當(dāng)然分辨率的降低可能導(dǎo)致或增強(qiáng)局部體效應(yīng)。2．2 自適應(yīng)區(qū)域生長算法本文采用了自適應(yīng)區(qū)域增長算法，首先操作者在感愛好區(qū)域（ROI）居中位置選擇一種子點(diǎn)s(i,j)作為初始點(diǎn)，然后搜索其5×5領(lǐng)域φ，計(jì)算該領(lǐng)域V分量的均值和方差，并將閾值Thd和方差σ作為判定準(zhǔn)則，計(jì)算公式如下：均值基于區(qū)域增長的可視人彩色圖像分割（圖二）

，其中v為φ中像素的v分量值，pv為分量值等于v的概率基于區(qū)域增長的可視人彩色圖像分割（圖三）

閾值Thd=Raver-sv,其中sv表示種子點(diǎn)的v的分量值。算法中定義了三個(gè)操作集合，集合Cur_Set用于存放分割區(qū)域的像素點(diǎn)；Ready_Set集合存放待檢驗(yàn)的像素點(diǎn)，由于每次都檢驗(yàn)四個(gè)相鄰像素點(diǎn)，所以該集合中元素個(gè)數(shù)始終為4；臨時(shí)集合Temp_Set用于存放新的候選中心點(diǎn)。初始化時(shí)，Cur_Set中僅有初始種子點(diǎn)s，Ready_Set中有s的四個(gè)領(lǐng)域點(diǎn)s(i,j-1)、s(i,j+1)、s(i-1,j)、s(i+1,j，Temp_Set集合為空。程序首先搜索Ready_Set集合中的點(diǎn)，假如與種子點(diǎn)的分量差值小于閾值且方差小于0.02，則將該點(diǎn)放入Cur_Set集合中，并將該點(diǎn)的四個(gè)相鄰像素點(diǎn)放入集合Temp_Set中，等待下一步處理；否則，該點(diǎn)將從Ready_Set中去除。依次計(jì)算，直到Ready_Set集合為空，然后再分別以臨時(shí)集合Temp_Set中元素為種子點(diǎn)，建立新的四領(lǐng)域點(diǎn)，要新Ready_Set集合，程序重復(fù)以上步驟，直到Teady_Set集合為空。
基于區(qū)域增長的可視人彩色圖像分割（圖四）

2．3 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)中，選取上胸部直彩圖像。由于數(shù)據(jù)量很大，完成整個(gè)胸部的分割，必須在工作站上進(jìn)行。為了提高運(yùn)算速度并能在PC機(jī)上運(yùn)行，在左、右肺分別進(jìn)行分割。在Matlab6.5上分別用時(shí)4分56秒和3分40秒。實(shí)驗(yàn)結(jié)果如圖1（a）～（d）所示。由圖1可知，該算法能比較好的地分割出肺部區(qū)域，但邊界的平滑性還需要進(jìn)一步處理。本文針對可視人真彩解剖圖像的待分割器官的顏色特征，采用了基于人工選取種子點(diǎn)的區(qū)域增長算法進(jìn)行初步研究。實(shí)驗(yàn)結(jié)果表明，該方法對可見人肺部區(qū)域的分割能較好達(dá)到精度要求。但是還有一些問題需要進(jìn)一步探索和解決，包括肺部血管的提取，如何在提高運(yùn)算速度的同時(shí)不犧牲圖像分辨率和精度，如何將算法有效推廣到其他器官部位等。

上一篇：多相晶粒圖像分析中復(fù)雜晶界的提取

下一篇：Accumulation Buffer（累積緩存）