[发明专利]马尔可夫多特征随机场模型构建方法及其脑部MR图像分割技术

说明书

技术领域

本发明涉及一种使用马尔可夫随机场实现特征提取的模型构建方法和脑部MR图像分割技术，更具体地说，涉及用于纹理、灰度等多种特征提取的新颖的马尔可夫模型构建方法和基于该模型方法的脑部MR图像分割技术。背景技术

MRF理论提供了一种便利的、一致性的方法来建模诸如图像像素和相关性特征等物理现象间的上下文相关性，它从统计学的角度出发，对图像进行建模，把图像中的像素灰度值看成满足一定概率分布的随机变量。因为从条件MRF分布很难得到联合分布，Hammersley和Clifford提出了MRF和Gibbs分布的等价性理论，他们指出MRF的联合分布是一个具有简单形式的Gibbs分布，从而通过Gibbs势能的概念，利用规模较小的局部计算获得了全局性的结果，大大降低了MRF模型的计算复杂度。为了通过已有的优化理论公式化目标函数，MRF理论往往与统计决策和估计理论联合使用。其中，MAP概率是MRF建模中使用最为广泛的统计准则，而MAP-MRF框架的目标则可以表示成MRF标号的联合后验概率形式。基于MRF模型的贝叶斯框架包括似然项和先验项，前者称之为特征随机场，往往被用于描述诸如图像像素灰度的高斯分布等观测信息，后者称之为标号随机场，通常被用来捕捉诸如图像像素等站点的MRF先验知识。

一种特殊的MRF——隐马尔可夫随机场(HMRF)，是一个由MRF产生的随机过程，它的状态序列不能直接观测到，但能通过观测值随机场推断。基于MRF模型或者HMRF模型的优良品质，国内外许多专家和学者将其应用于求解模式识别和图像分析问题，如脑部MR图像分割问题。为方便记，将已有的MRF模型或者HMRF模型统称为传统的MRF模型。尽管基于传统MRF模型在计算机视觉和图像分析问题中取得了不错的研究成果，但是它们均存在一个明显的不足，模型只考虑了目标对象的灰度观测信息和上下文先验信息，忽略了目标中其它有用的观测特征信息。而实际上，一个目标对象，例如一幅图像特别是脑部MR图像，存在多种具有不同形式的特征模式，除像素灰度特征外，还存在纹理特征、形状特征等等。之后的研究工作并没有融合多种特征信息的新颖的MRF模型理论成果出现。

发明内容

本发明的一个目的是提供一种新颖的马尔可夫多特征随机场(MMFRF)模型构建方法，是为了更有效地捕获诸如图像等物理对象中存在的不同模式的特征信息，从而更加有效地应用于图像存储和分割、图像重建、边缘检测等计算机视觉和图像分析应用。

本发明的另一个目的是提供一种基于MMFRF模型的脑部MR图像分割技术，通过具体的构建纹理特征随机场、灰度特征随机场和标号随机场来获取脑部MR图像中存在的纹理、灰度和空间相关性等特征信息，有效、稳定的实现脑部MR图像分割。

为了达成上述目的，本发明提供一种MMFRF模型构建方法，包括如下步骤：

(1)定义，包括标号随机场、多特征随机场的定义；

(2)模型理论构建，给定多特征随机场集合Г情形下，通过Bayesian理论，得到标号随机场X的组态的后验概率计算方式；

(3)通过最大后验(MAP)概率估计准则对模型中标号随机场X的组态的后验概率进行估计；

(4)通过迭代条件模式(ICM)优化算法对的MAP估计进行优化求解，得到模型中标号随机场X的最终的标号值；

得到MMFRF模型。

其中，步骤(1)所述的定义，包括以下步骤：

1)标号随机场：

随机场X为集合S上关于邻域系统N的马尔可夫随机场(MRF)，记为标号随机场；

2)多特征随机场：

记A＝{1，...，n}表示随机场个数，S＝{1，2，...，z}定义为z个站点索引位置的集合，随机变量组为定义在集合S上的一个特征随机场，其中每个随机变量取其状态空间中的一个值表示随机场F_a的一个实现组态，F_a用于描述诸如图像像素和图像特征等目标对象的观测信息，记作特征随机场，Г＝{F_a，a∈A}表示集合S上的多个特征随机场的集合，称之为多特征随机场。

其中，步骤(2)所述的X的组态的后验概率计算方式：

给定特征随机场F_a组态f_a前提下组态x的后验概率P(x|f_a)为