[发明专利]一种基于改进梯度向量流模型的医学图像分割方法

权利要求书

1.一种基于改进梯度向量流模型(GVF Snake)的医学图像分割方法，其特征在于，所述方法包括：

对模糊的医学皮肤镜图像进行预处理，包括图像均衡化，滤波和边缘检测等；

基于纹理分割的方法，提取出图像的粗糙轮廓，获取到图像有效信息点，自动初始图像轮廓；

将黎曼空间中用于计算梯度向量场的方法取代欧式空间向量场的计算，加快迭代计算的速度，提高计算的效率；

运用改进后的梯度向量蛇模型对图像进行精细的处理，提取精确光滑的图像轮廓，为医学诊断提供一个参考。

2.根据权利要求1所述的一种基于改进梯度向量流模型(GVF Snake)的方法，其特征在于，对模糊的医学皮肤镜图像进行预处理，包括图像均衡化，滤波和边缘检测等；

直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。它可用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。亮度可以更好地在直方图上分布，这样就可以用于增强局部的对比度而不影响整体的对比度。

图像滤波，它是为了尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。根据实际的图像，选用线性滤波或者非线性滤波等具体的方法。常用的滤波方法有：如中指滤波，卡尔曼滤波和高斯滤波等。

边缘检测的目的是标识数字图像中亮度变化明显的点或线。对于图像中的边缘主要包括灰度上的不连续、表面方向不连续等。常用的检测算子有：一阶算子：Roberts，Prewitt，Sobel算子；二阶算子：Canny，Laplacian算子。

3.根据权利要求1所述的一种基于改进梯度向量流模型(GVF Snake)的方法，其特征在于，基于纹理分割的方法提取出图像的粗糙轮廓，获取到图像有效信息点，自动初始化活动轮廓模型的初始轮廓：

一般纹理分割方法主要包含两步，纹理特征的选择和用合理的目标函数来定义纹理特征。通过纹理分割确定出一条初始轮廓，然后利用有效信息点，自动生成活动轮廓模型的初始轮廓线。

4.根据权利要求1所述的一种基于改进梯度向量流模型(GVF Snake)的方法，其特征在于，用黎曼空间中用于计算梯度向量场的方法取代欧式空间向量场的计算，所述对医学图像进行分割处理，通过最小化能量函数来计算出图像的轮廓：对于一幅图像I(x，y)的边界图f(x，y)。将w(x，y)作为外力项，可得GVF-Snake模型，整理得到如下能量函数：

E=∫∫μ(ux2+uy2+vx2+vy2)+|▿f|2|W-▿f|2dxdy]]>

其中，μ是规整化因子，为Laplacian算子，W(x，y)＝(u(x，y)，v(x，y))。u_x，u_y，v_x，v_y分别是u(x，y)，v(x，y)在x和y方向的偏导数。使用变分法，上述(1)式方程的求解，可以直接求解下列的欧拉-拉格朗日方程得到：

0=μ▿2u(x,y,t)+|▿f|2[u(x,y,t)-fx(x,y)]]]>

0=μ▿2v(x,y,t)+|▿f|2[v(x,y,t)-fy(x,y)]]]>

可得黎曼空间中梯度力场u(x，y)，v(x，y)的迭代式，u(x，y)和v(x，y)是等价的。以u(x，y)为例：

uk+1=uk+αkF(uk)Duk]]>

其中F(u^k)矩阵基于黎曼空间构造的正定矩阵，用于力场矢量u(x，y)的迭代计算。同理可得v(x，y)的梯度力场迭代式：

vk+1=vk+αkF(vk)Dvk]]>

其中F(v^k)矩阵基于黎曼空间构造的正定矩阵，用于力场矢量v(x，y)的快速迭代计算。

5.根据权利要求1所述的一种基于改进梯度向量流模型(GVF Snake)的医学图像分割方法，其特征在于，运用改进后的梯度向量流蛇模型对图像进行精细的处理，提取精确光滑的图像轮廓，为医学诊断提供一个参考。可以增加人机交互的方式，减少全部人工手动标定的工作量。

对于GVF Snake模型，流场u(x，y)，v(x，y)即为外能，由此可知：

Ax+u(x，y)＝0

Ay+v(x，y)＝0

这个方程的显示解法为：

Ax_t+u(x_t-1，y_t-1)＝-γ(x_t-x_t-1)

Ay_t+v(x_t-1，y_t-1)＝-γ(y_t-y_t-1)

矩阵求逆之后得到-个迭代通式：

x_t＝(A+γI)^-1(γx_t-1-u(x_t-1，y_t-1))

y_t＝(A+γI)^-1(γy_t-1-v(x_t-1，y_t-1))

通过上述两式可以确定最终的迭代点，得到轮廓曲线最终的边界线。