[发明专利]一种基于标记融合的概率图形模型图像分割方法

权利要求书

1.一种基于标记融合的概率图形模型图像分割方法，其特征在于，包括以下步骤：

1)获取目标图像和多幅训练图像，将目标图像与各训练图像进行配准，获得相应的形变场；

2)获取各配准后的训练图像的手工分割标记图像，根据形变场映射得到对应的候补标记；

3)根据配准后的训练图像和目标图像建立概率图形模型；

4)根据概率图形模型，采用局部加权表决的标记融合算法和最大后验概率计算目标图像中每一个像素点处的标记值，完成对目标图像的分割。

2.根据权利要求1所述的基于标记融合的概率图形模型图像分割方法，其特征在于，所述步骤1)中，将目标图像与各训练图像进行配准具体为：

1a)将多幅训练图像分别与目标图像进行刚性配准，对各训练图像按与目标图像的相似度从大到小排序，挑选出前N幅训练图像；

1b)将挑选出的训练图像与目标图像进行非刚性配准，得到相应的形变场以及配准后的训练图像。

3.根据权利要求1所述的基于标记融合的概率图形模型图像分割方法，其特征在于，所述步骤3)具体为：

3a)对图像灰度值信息建立高斯模型：

pn(I(x);In)=12πσ2exp[-12σ2(I(x)-I~n(Φn(x)))2]]]>

其中，I(x)为目标图像在像素点x处的灰度值，I_n为第n幅配准后的训练图像的灰度值，σ²为高斯分布的方差，表示第n幅未经过配准的训练图像的灰度值，Φ_n为配准时相应的形变场；

3b)对标记值信息建立先验模型：

pn(L(x)=l;Ln)=1Zn,ρ(x)exp[ρD~nlΦn(x)]]]>

其中，L(x)为目标图像的标记值，L_n为第n幅配准后的训练图像的候选标记集合，ρ为斜率常数，ρ＞0，Z_n，ρ(x)为与ρ相关的配分函数，为在第n幅训练图像中标记值为l的有符号距离变换；

3c)对目标图像与训练图像集之间的关系建立MRF先验模型，即概率图形模型：

p(M)=1ZβΠx∈Ωexp(βΣy∈Nrδ(M(x),M(y)))]]>

其中，β为标量参数，β≥0，Z_β为只依赖于β的配分函数，N_x为像素点x的空间邻域，M表示隐含的随机场，指定目标图像中的每一个像素点取自某个训练图像，M(x)即为像素点x的训练图像索引，Ω表示像素点的范围。