一種基於先驗知識的大腦磁共振圖像超體素生成方法與流程

2023-10-11 15:14:49 2

本發明涉及數字圖像處理技術領域，涉及大腦磁共振圖像的處理方法，更為具體的說，是涉及一種基於先驗知識的大腦磁共振圖像超體素生成方法。

背景技術：

超像素(superpixel)或超體素(supervoxel)是近年來快速發展的一種圖像預處理技術，它是指圖像中局部的、具有一致性的、能夠保持一定圖像局部結構特徵的子區域，相比傳統處理方法中的基本單元——像素，超像素更有利於局部特徵的提取與結構信息的表達，並且能夠大幅度降低後續處理的計算複雜度，在計算機視覺領域尤其是圖像分割中得到了廣泛應用。此外，超像素還被引入目標跟蹤、人體姿態估計、目標識別、顯著性分析等其他計算機視覺研究領域。

2003年，ren等人首次提出了超像素的概念，並且被應用於圖像分割中。經過十餘年的發展，許多經典的超像素生成算法先後被提出。目前已有的超像素生成算法大致分為兩類：一種是基於圖論的算法，其基本思想是將圖像中的像素點看做圖節點，並賦予節點間的邊以權值，而後採用各種分割準則對圖進行劃分，從而形成超像素(如shi等人提出的normalizedcuts算法)；另一種是基於梯度上升的算法，其基本思想是從最初的像素聚類開始，採用梯度法迭代修正聚類結果直至滿足收斂條件，從而形成超像素(如achanta等人提出的slic算法)。

但是，對於不同類型的圖像，目前的超像素生成算法普遍在超像素數量、緊密度與分割質量、算法實用性之間存在相互制約的問題。同時，對特殊目標也難以取得較好的分割結果。特別是對於mri噪聲大、弱邊界的特點，上述算法並不是很適用，特別當圖像受噪聲的幹擾比較嚴重時，得不到較好的超像素生成效果。

技術實現要素：

為解決上述問題，本發明公開了一種基於先驗知識的大腦磁共振圖像超體素生成方法，基於k-means聚類算法，利用空間距離、像素強度和先驗知識的加權作為距離度量，對圖像像素進行聚類，把大腦磁共振圖像分割為一系列均勻並且較好地貼合圖像邊緣的超體素。

為了達到上述目的，本發明提供如下技術方案：

一種基於先驗知識的大腦磁共振圖像超體素生成方法，包括如下步驟：

步驟1，概率圖譜配準到個體空間

採用配準得到模板圖像變形為目標圖像的空間變換，利用所述空間變換將與模板圖像相對應的已知結果，即圖譜信息，映射到目標圖像，將概率圖譜配準到個體空間，從而得到個體空間上，不同體素的概率分布；

步驟2，種子點的初始化，具體包括如下步驟：

步驟2-1，假設圖像一共有n個體素，期望生成的超體素個數為m，則每個超體素的大小為：

v＝n/m；

步驟2-2，其中m也表示初始的種子點的數，每個超體素的邊長為：

上式中，l為每一次迭代地步長；

步驟2-3，計算每個種子點與周圍3×3×3的區域像素的灰度值的平均，作為與該種子點的灰度值i，計算公式如下：

其中(xi，yi，zi)分別表示種子點i的坐標，ixyz是(x,y,z)坐標下的像素值；

步驟3，計算加權距離作為體素與種子點間的測度算子；

步驟3-1，設加權距離為d，d包含三個部分：像素強度di，空間距離ds和先驗知識da，用d0表示這三個部分的距離，具體公式如下：

上式中，di、ds的計算公式如下：

上式中，ij和ii分別表示種子點j處和體素點i處的像素強度，

上式中，(xj，yj，zj)和(xi，yi，zi)分別表示種子點j和體素點i的坐標；

da的值由圖像配準得到；

步驟3-2，將di，ds和da分別除以一個係數wi，wa和wa得到修正的加權距離d′：

其中，n為圖像的體素總數，m為期望得到的超體素個數，係數wi和wa分別用常數m和λ來表示，將d′表示如下：

步驟3-3，將d′簡化後得到最後的加權距離d：

步驟4，採用改進的k-means聚類方法將體素聚類到各個種子點生成超體素，具體包括如下步驟：

步驟4-1，在圖像中選取m個位於區域2l×2l×2l中心的體素點，然後將各個點在以它為中心的3×3×3的區域內移動到梯度值最小的地方作為初始的種子點；

步驟4-2，採用步驟3-3得到的公式計算區域內各個體素點到種子點的加權距離d，並把體素點歸到距離最近的種子點那一類；

步驟4-3，一旦所有的體素點都被歸類到離它最近的那個種子點，則再次計算每個類的聚類中心作為該類的新的種子點；

步驟4-4，重複上述步驟4-2、步驟4-3過程直至最新生成的聚類中心和上一次之間的誤差不再變化或小於某個閾值，算法停止。

進一步的，所述步驟1中模板圖像包括三個概率分布的標準模板cfs腦脊液圖像、gm灰質圖像、wm白質圖像。

進一步的，所述步驟2-2中，為每個種子點分配一個單獨的標籤。

進一步的，所述步驟3-3中，簡化過程為將步驟3-2中d′乘以係數λm。

與現有技術相比，本發明具有如下優點和有益效果：

本發明通過融入大腦不同組織的先驗知識，設計一種新型測度算子，構建一種魯棒的超體素生成方法，實現對大腦磁共振圖像的超體素分割，能夠減小圖像噪聲對分割結果的影響。與已有的超體素生成方法相比，本發明方法效率更高，邊界貼合度更高，能較好地抑制噪聲的影響。

附圖說明

圖1為本發明提供的基於先驗知識的大腦磁共振圖像超體素生成方法步驟流程圖。

圖2為二維圖像灰度最鄰近插值示意圖。

圖3(a)為常規k-means算法計算整幅圖中的點示意圖，圖3(b)為本方法計算局部區域的點示意圖。

圖4(a)為含噪聲的大腦mri軸向視圖，圖4(b)為本方法基於圖4(a)得到的超體素圖像。

圖5(a)為含噪聲的大腦mri冠狀面圖，圖5(b)為本方法基於圖5(a)得到的超體素圖像。

圖6(a)為含噪聲的大腦mri矢狀面圖，圖6(b)為本方法基於圖6(a)得到的超體素圖像。

圖7為本方法與其他方法時間比較圖。

圖8(a)為大腦mri軸向視圖，圖8(b)為大腦mri冠狀面圖，圖8(c)為大腦mri軸向視圖，圖8(d)為本方法基於圖8(a)得到的超體素圖像，圖8(e)為本方法基於圖8(b)得到的超體素圖像，圖8(f)為本方法基於圖8(c)得到的超體素圖像，

具體實施方式

以下將結合具體實施例對本發明提供的技術方案進行詳細說明，應理解下述具體實施方式僅用於說明本發明而不用於限制本發明的範圍。

本發明提供的一種基於先驗知識的大腦磁共振圖像超體素生成方法，將三個組織的概率分布圖譜配準到個體模板，在選取種子點之後，融合先驗知識設計一種新的測度算子，將體素聚類到種子點生成超體素。本發明具體流程如圖1所示，包括如下步驟：

步驟1，概率圖譜配準到個體空間。

採用配準得到模板圖像變形為目標圖像的空間變換，然後利用這個空間變換將與模板圖像相對應的已知結果，即圖譜信息，映射到目標圖像。本發明採用將三個概率分布的標準模板cfs(腦脊液圖像)、gm(灰質圖像)、wm(白質圖像)配準到個體模板的配準方法採用方法(kleins,staringm,murphyk,viergeverma,pluimjp.elastix:atoolboxforintensity-basedmedicalimageregistration.ieeetransactionsonmedicalimaging.2010；29(1):196-205.)中公開的配準方法完成概率圖譜配準到個體空間，從而得到個體空間上，不同體素的概率分布。

步驟2，種子點的初始化。具體包括如下步驟：

步驟2-1，假設圖像一共有n個體素，期望生成的超體素個數為m。則每個超體素的大小為

v＝n/m

步驟2-2，其中m也表示初始的種子點(即中心點)的數。每個超體素的邊長為

上式中，l即為每一次迭代地步長，為每個種子點分配一個單獨的標籤。

步驟2-3，同時，為了降低噪聲的影響，計算每個種子點與周圍3×3×3的區域像素的灰度值的平均，作為與該種子點的灰度值i，計算公式如下：

其中(xi，yi，zi)分別表示種子點i的坐標，ixyz是(x,y,z)坐標下的像素值。

步驟3，計算加權距離作為體素與種子點間的測度算子。

步驟3-1，對每個體素點i，分別計算與之距離最近的聚類中心j(即種子點)之間的相似程度，將最相似種子點的標籤賦給該體素點。通過不斷迭代該過程，直到收斂。其中的「相似程度」即通過加權距離來度量。設加權距離為d，包含三個部分：像素強度，空間距離和先驗知識。可以簡單表示為這三個部分的距離，用d0來表示，具體公式如下：

其中：di：像素強度，ds：空間距離，da：先驗知識。這三部分將對聚類結果產生不同的影響。當ds的權重較大時，生成的超體素更加的緊湊，但是邊界的貼合度將減小。同理，當di的權重較大時，超體素能很好的貼合圖像的邊緣地區，同時超體素也會變得比較不規則。da則控制圖像噪聲對超體素生成結果的影響。

di、ds的計算公式如下：

上式中，ij和ii分別表示種子點j處和體素點i處的像素強度。

上式中，(xj，yj，zj)和(xi，yi，zi)分別表示種子點j和體素點i的坐標。

da的值則由步驟1中的圖像配準得到。

步驟3-2，將di，ds和da分別除以一個係數wi，ws和wa得到修正的加權距離d，用d′來表示：

其中，n為圖像的體素總數，m為期望得到的超體素個數。對於不同的圖像，di和da的計算有很大不同。本例中，這兩部分的係數wi和wa分別用常數m和λ來表示。於是d′可以表示如下：

步驟3-3，將上式簡化(乘以係數λm)後得到最後的加權距離d：

步驟4，將體素聚類到各個種子點生成超體素。具體包括如下步驟：

步驟4-1，在圖像中選取m個位於區域2l×2l×2l中心的體素點作為種子點；

步驟4-2，採用步驟3-3得到的公式計算區域內各個體素點到種子點的加權距離d，並把體素點歸到「距離」最近的種子點那一類。

傳統的k-means算法是計算整幅圖像中所有點到各種子點的距離，而本算法只是計算一塊局部區域內所有體素點到種子點的距離，如圖3(b)所示，極大地減少了計算數量，從而大大提高了算法的效率。。由於每個超體素的大小為l×l×l，因此將局部區域設置為以種子點為中心大小為2l×2l×2l。

步驟4-3，重新計算已經得到的各個類的質心。一旦所有的體素點都被歸類到離它最近的那個種子點，則再次計算每個類的聚類中心作為該類的新的種子點。

步驟4-4，重複上述步驟4-2、步驟4-3過程直至最新生成的聚類中心和上一次之間的誤差不再變化或小於某個閾值，算法停止。

採用本發明方法基於含噪聲的大腦mri軸向視圖生成的超體素圖像如圖4(b)所示，基於含噪聲的大腦mri冠狀面圖生成的超體素圖像如圖5(b)所示，基於含噪聲的大腦mri矢狀面圖生成的超體素圖像如圖6(b)所示。可見，針對含有噪聲的圖像，本發明得到的超體素圖像邊界貼合度高，可以較好地抑制噪聲的影響。本發明構建的該魯棒的超體素生成方法，能夠減小圖像噪聲對分割結果的影響。

而針對無噪聲的圖像，我們將本發明與兩種現有方法進行了比較，圖7為本發明與現有兩種方法生成不同個數的超體素所花費的時間，可以看出本算法的效率最高。圖8為本發明得到的超體素圖像，可見邊界貼合度很高。

本發明方案所公開的技術手段不僅限於上述實施方式所公開的技術手段，還包括由以上技術特徵任意組合所組成的技術方案。應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護範圍。