專利名稱：一種基于knn分類算法的mr圖像灰度不均勻性校正分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及MR圖像的灰度不均勻性校正算法。
背景技術(shù)：
為了提高磁共振(MR)圖像的質(zhì)量和圖像分割、配準(zhǔn)等處理的精確度，需要在處理 前對磁共振圖像的灰度不均勻性進(jìn)行校正，傳統(tǒng)的校正方法主要包括(1)基于濾波的方法因?yàn)榛叶炔痪鶆驁鲈谡麄€圖像區(qū)域中是緩慢變化的，所以 可以把灰度不均勻場頻譜歸為低頻譜。因此可以采用低通濾波器來將灰度不均勻場和真實(shí) 圖像分開。但是在磁共振圖像中，真實(shí)圖像和灰度不均勻場的頻譜有重疊的部分，所以這種 方法效果有限。(2)基于統(tǒng)計信息的方法該方法假設(shè)局部區(qū)域的中值等于這一類型組織的中 值，而灰度不均勻場的存在使之偏移了組織中值，因此，可以利用局部圖像的中值和某組織 的中值之差來校正圖像。但是這種假設(shè)并不是對所有MR圖像都合適，有一定的局限性。(3)基于分割的方法這種方法在進(jìn)行圖像分割的同時對圖像進(jìn)行校正，獲得不 均勻場。這種方法能夠有效利用像素點(diǎn)的信息，進(jìn)行圖像校正，能夠自動獲得校正圖像和分 割圖像。例如基于EM (expectation-maximization，期望最大化)的灰度不均勻性校正和分 割方法，該方法對初始值要求較高，需要手動選取各個組織的特征點(diǎn)作為初始值，分割結(jié)果 受初始值影響較大；基于FCM(Fuzzy c-means clustering，模糊C均值聚類)的灰度不均勻 性校正和分割方法，該方法引入一個平滑項(xiàng)來確保灰度不均勻場的平滑性，分割結(jié)果較好， 但是算法復(fù)雜，計算量較大。

發(fā)明內(nèi)容
本發(fā)明目的是提供一種基于能量最小和KNN (K-Nearest Neighbor, K最近鄰)分 類算法的MR圖像灰度不均勻性校正分割方法。該方法屬于一種基于分割的方法，可以確保 分割結(jié)果不受初始值的影響，不用人工干預(yù)，而且在消除灰度不均勻性的同時，大大降低部 分容積效應(yīng)(partial volume effect)和噪聲對分割算法的影響。該方法首先基于曲面擬合原理，采用一組正交歸一化的基函數(shù)構(gòu)造灰度不均勻場 模型，然后建立灰度不均勻場模型的能量函數(shù)(也就是原始MR圖像和灰度不均勻場模型之 間的誤差函數(shù))；接下來通過對能量函數(shù)最小化的迭代計算，當(dāng)原始MR圖像和灰度不均勻 場模型之間的誤差達(dá)到最小時，就可以求出灰度不均勻場模型的模型參數(shù)；再將灰度不均 勻場模型的模型參數(shù)代入灰度不均勻場模型中求出最終經(jīng)灰度校正的MR圖像分割結(jié)果。為了方便理解和描述，先介紹本發(fā)明所涉及到的一些原理和數(shù)學(xué)模型(1)灰度不均勻場模型現(xiàn)在廣泛使用的模型是將灰度不均勻場簡化為一個光滑 的乘性場。以二維圖像為例，即I = BJ。其中I為原始圖像，B灰度不均勻場，J為未受灰 度不均勻場污染的圖像。MR圖像的灰度不均勻場在空間上是緩慢變化的，表現(xiàn)在二維空間上就是一個光滑的曲面，可以用一組正交歸一化基函數(shù)來擬合

權(quán)利要求
1. 一種基于KNN分類算法的MR圖像灰度不均勻性校正分割方法，包括以下步驟 步驟1 建立灰度不均勻場模型；所述灰度不均勻場模型為
2.根據(jù)權(quán)利要求1所述的基于KNN分類算法的MR圖像灰度不均勻性校正分割方法，其 特征在于，步驟4中對初始未受灰度不均勻場污染的MR圖像J(1) (χ, y)進(jìn)行分類，求出初始 隸屬函數(shù)U(1) (χ, y)的具體過程包括以下步驟步驟4-1 定義灰度值概率密度函數(shù)樹妁=+1夂(11^2 ，其中P(q)表示灰度值為q的概率密度，η為MR圖像的像素點(diǎn)總數(shù)，Κ( ·)為0均值方差為1的高斯核函數(shù)，h為窗口寬度；步驟4-2 在W，50]像素寬度范圍內(nèi)確定一個合適的窗口寬度h，使得灰度值概率密度 函數(shù)P(q)曲線的波峰數(shù)量為4;灰度值概率密度函數(shù)ρ (q)曲線的4個波峰對應(yīng)著MR圖像 中腦白質(zhì)、腦灰質(zhì)、腦脊液和背景4個區(qū)域的最大概率處的灰度值；步驟4-3 采用最大類間方差法確定腦脊液與灰質(zhì)間的閾值TCG以及灰質(zhì)與白質(zhì)間的 閾值TGW;具體方法是a)從步驟4-1和步驟4-2確定的灰度值概率密度函數(shù)ρ (q)曲線中 確定一個灰度區(qū)間[qmin，qmax]，其中qmin為[5，10]之間的一個灰度值；b)在灰度區(qū)間[qmin， QfflaJ內(nèi)，找出一個灰度值qmral，使得在灰度區(qū)間[qmin，qmJ內(nèi)，利用最大類間方差法求出腦脊 液與灰質(zhì)間的閾值TCG，在灰度區(qū)間[TCG，qmax]內(nèi)，利用最大類間方差法求出白質(zhì)與灰質(zhì)間 的閾值 TGW，且 TGW= qmed ； 步驟4-4 粗分類；利用步驟4-3)所得的閾值TCG與TGW，加上一定的偏差δ，將灰度區(qū)間[qmin，QfflaJ分 為4類區(qū)域灰度值為[qmin，TCG- δ ]的腦脊液區(qū)域Ω工；灰度值為[TCG+ δ，TGff- δ ]的腦 灰質(zhì)區(qū)域Ω2;灰度值為[TGW+δ，qmax]的腦白質(zhì)區(qū)域Ω3;灰度值為[TCG-δ，TCG+ δ ]或 [TGff- δ，TGff+ δ ]的待定區(qū)域 Ω 0 ；步驟4-5 采用KNN分類算法對待定區(qū)域Qci中的像素點(diǎn)進(jìn)行分類；最終得到初始隸屬函數(shù)f/(1)(x，>0 = (uf}(X,U^(χ,u^(χ,u^(χ,^))，其中 t 、 ι 當(dāng)象素點(diǎn)(Χ,>0屬于第i類時4= 當(dāng)象素點(diǎn)⑶不屬于第i類時，i = 1，2，3或4。
3.根據(jù)權(quán)利要求1所述的基于KNN分類算法的MR圖像灰度不均勻性校正分割方法，其 特征在于，步驟7中迭代次數(shù)設(shè)定值k'設(shè)為[10，20]之間。
全文摘要
一種基于KNN分類算法的MR圖像灰度不均勻性校正分割方法，屬于圖像處理領(lǐng)域。本發(fā)明首先利用曲面擬合的的知識，用一組正交歸一化的基函數(shù)構(gòu)造灰度不均勻場模型，建立能量函數(shù)；然后依據(jù)能量函數(shù)最小化原理求解模型參數(shù)，實(shí)現(xiàn)灰度不均勻性校正和圖像分割。其中解模型參數(shù)過程中采用迭代算法，并采用KNN算法求解隸屬函數(shù)。這樣可以在去除灰度不均勻場的同時，大大降低部分容積效應(yīng)，同時降低了噪聲對MR圖像灰度不均勻性校正分割的影響。在KNN求解隸屬函數(shù)時，先用核估計算法得到準(zhǔn)確光滑的歸一化直方圖，然后用最大類間方差法分別求解腦脊液與灰質(zhì)間的閾值TCG以及灰質(zhì)與白質(zhì)間的閾值TGW，利用這兩個閾值對算法進(jìn)行粗分類，最后采用傳統(tǒng)的KNN算法對待定點(diǎn)進(jìn)行精確分類。
文檔編號G01R33/565GK102135606SQ201010583560
公開日2011年7月27日 申請日期2010年12月13日 優(yōu)先權(quán)日2010年12月13日
發(fā)明者解梅, 趙瑋, 高婧婧 申請人:電子科技大學(xué)