[发明专利]结合边缘和区域信息的医学图像分割方法

摘要

本发明公开了一种分割精度高、速度快的结合边缘和区域信息的医学图像分割方法，所公开的模型结合了医学图像的边缘信息、局部信息和全局信息。边缘信息加强了模型对于图像边缘的捕捉能力；局部信息使得在弱边缘或是低对比度区域分割更加精确，能够处理医学中背景及其内部结构复杂的弱边缘图像；全局信息使得模型对于医学图像具有较强的抗噪性，可以任意设置初始轮廓。高斯滤波的引入实现了对水平集函数的正则化；而惩罚项的设置则避免了重新初始化和正则化的复杂计算。

主权项

一种结合边缘和区域信息的医学图像分割方法，其特征在于按照如下步骤进行：步骤1：建立的SPF函数如下：(1)其中，I为医学图像；和是两个常数，分别近似等于水平集轮廓内部和轮廓外部的平均灰度值，它的相应表达式为：(2)分别为在x点附近的逼近曲线内外的图像局部灰度值的光滑函数，相应的表达式为：(3)根据相关数学理论，正则化的Heaviside函数和一维Dirac函数，分别被定义为：；为图像坐标点对应的梯度算子；为局部项和全局项的自适应权值函数，用来实现局部信息和全局信息的自适应平衡，它的具体表达式为：(4)其中，，表示方差为的二维高斯滤波，得到新模型的水平集函数如下：(5)引入惩罚项去替代并未移走的项，简化后的模型为：(6)其中是两个常数值，，当图像目标边缘明显时，利用边缘检测方法处理图像，此时，设置为较大的数值；当图像为弱边缘图像时，利用区域信息分割图像，此时，被设置为较小的数值；步骤2. 初始化水平集函数；步骤3. 对初始图像进行高斯滤波；步骤4. 利用式(2)和(3)计算轮廓内部和外部的平均灰度值,，x点附近的逼近曲线内外的图像局部灰度值的光滑函数；步骤5. 利用式(1)和(4)计算权重函数g及SPF函数值；步骤6. 计算惩罚项的值；步骤7. 利用有限差分法以及式(6)，更新水平集函数，其中为迭代步长，为常数，令；步骤8. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤3。