[发明专利]基于边缘敏感的SLIC和二次密度聚类的GGO分割方法

权利要求书

1.基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征在于，包括以下步骤：

S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；

S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；

S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；

S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；

S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；

S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；

S7：重复步骤S5、S6，当剩余误差小于等于阈值T时，超像素分割结束，得到超像素分割结果，删除掉此时面积小于初始超像素1/8的孤立区域，认为此时为血管干扰，并将其合并到相邻超像素中；当所述剩余误差大于阈值T时，返回步骤S5；

S8：步骤S7获取所述超像素后，生成邻域矩阵，根据所述邻域矩阵计算超像素与其邻域超像素之间的距离d，并根据阈值进行聚类，得到超像素分类结果，d的计算公式如下：

d(i,j)＝(l_mj-l_mi)²+(a_mj-a_mi)²+(b_mj-b_mi)² (1)

其中，i，j均表示超像素，l_m，a_m，b_m分别表示超像素三个颜色特征分量的均值；

S9：根据所述超像素分类结果，结合GGO类圆度和均匀度的特征，得到三类作为候选GGO，然后根据GGO的密度小于血管的特性，得到准确的GGO定位；

S10：重新计算所述邻域矩阵，根据定位到的所述GGO，计算所述邻域矩阵与除所述邻域矩阵之外的邻域类之间的距离D′，根据自适应阈值的方法，判断其邻域类是否满足合并的条件，当满足合并条件时，则合并为GGO的一部分；当不满足所述合并条件时，则舍去，获取完整的GGO。

2.根据权利要求1所述的基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征还在于：

所述步骤S1在初始状态下，设置参数k,其中k表示将所述肺部图像的分割数量，并选择其中心作为初始的聚类中心点C_i＝[l_ia_ib_ix_iy_i]；

每个网格之间的距离定义为S，其中N表示所述肺部图像中的像素数量，每个所述肺部图像的初始超像素块的大小均为S×S，则聚类中心的局部搜索距离为2S×2S；所述聚类中心搜索区域中每个像素到聚类中心的距离矩阵D：

d_c＝(l_j-l_i)²+(a_j-a_i)²+(b_j-b_i)² (2)

d_s＝(x_j-x_i)²+(y_j-y_i)² (3)

其中，d_c和d_s分别表示像素的颜色距离和空间距离，i表示聚类中心，j表示聚类中心搜索范围内的像素，m表示空间距离与颜色距离的权重系数。