專利名稱：支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法。
背景技術(shù)：
圖像分割技術(shù)是最重要的圖像處理技術(shù)之一，在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用。目前，圖像分割方法主要有兩類基于區(qū)域的方法和基于邊緣的方法。其中基于區(qū)域的方法主 要有閾值法、區(qū)域增長(zhǎng)法和分類方法。區(qū)域增長(zhǎng)法是從若干種子點(diǎn)出發(fā)，根據(jù)一定的增長(zhǎng)規(guī)則向外增長(zhǎng)，由增長(zhǎng)規(guī)則判 定與種子點(diǎn)具有相似特征的點(diǎn)被加入的分割結(jié)果中。增長(zhǎng)規(guī)則可基于灰度信息、紋理信息 等，種子點(diǎn)通常采用人機(jī)交互方式手動(dòng)選取。這種方法的關(guān)鍵在于種子點(diǎn)的選取和增長(zhǎng)規(guī) 則的確定。在實(shí)際應(yīng)用中，根據(jù)具體情況確定增長(zhǎng)規(guī)則往往比較困難。分類方法是圖像分割方法中的一類重要方法，特別是當(dāng)目標(biāo)區(qū)域比較分散時(shí)，比 其它分割方法更具優(yōu)勢(shì)。用分類器進(jìn)行分割是一種有監(jiān)督的統(tǒng)計(jì)方法，它需要已知分割結(jié) 果的樣本集作為對(duì)新圖像進(jìn)行自動(dòng)分割的參考。典型的分類方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī) 等。然而這種方法需要對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行特征提取并使用分類器判別，因此分割 速度通常較慢。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)上述問題提供一種支持向量機(jī)(SVM)與區(qū)域增長(zhǎng)相結(jié)合的 圖像分割方法，該方法能夠有效地解決經(jīng)典區(qū)域增長(zhǎng)算法中生長(zhǎng)規(guī)則確定的困難和單純使 用支持向量機(jī)分割速度慢的問題。上述的目的通過以下的技術(shù)方案實(shí)現(xiàn)支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，該方法包括如下步驟(1)選取樣本訓(xùn)練分類器；(2)自動(dòng)選取種子點(diǎn)；(3)使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)；(4)進(jìn)行后處理。所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，步驟(1)所述的選取樣本 訓(xùn)練分類器的方式為從已知分割結(jié)果的圖像中選取一組目標(biāo)區(qū)域與非目標(biāo)區(qū)域樣本點(diǎn)作 為支持向量機(jī)分類器的訓(xùn)練樣本。所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，步驟(2)所述的自動(dòng)選取 種子點(diǎn)的方法為以粒度N，即每隔N行N列取一個(gè)像素點(diǎn)，利用訓(xùn)練好的支持向量機(jī)判別 該點(diǎn)是否屬于目標(biāo)區(qū)域，如果該點(diǎn)屬于目標(biāo)區(qū)域，則將該點(diǎn)記為種子點(diǎn)。所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，步驟(3)所述的使用支持 向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)的具體方法為以步驟⑵所選種子點(diǎn)做起點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，使 用支持向量機(jī)對(duì)像素點(diǎn)進(jìn)行分類判別，決定是否將該點(diǎn)標(biāo)記為目標(biāo)區(qū)域。
所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，步驟(4)所述的進(jìn)行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作中的一種或幾種。本發(fā)明的有益效果(1)單純使用支持向量方法對(duì)圖像進(jìn)行分割，需要對(duì)圖像中的每個(gè)點(diǎn)使用支持向 量機(jī)進(jìn)行分類判別，而本方法通常不需要對(duì)所有點(diǎn)進(jìn)行判別，因此在速度上要優(yōu)于單純使 用支持向量機(jī)的分割方法。(2)與經(jīng)典的區(qū)域增長(zhǎng)算法相比，避免了手動(dòng)選取種子點(diǎn)的交互操作以及增長(zhǎng)規(guī) 則和終止條件的選擇困難問題。在該方法中種子點(diǎn)的選取使用支持向量機(jī)自動(dòng)搜索，只需 根據(jù)具體情況確定合適的粒度N即可。而在區(qū)域增長(zhǎng)過程中直接使用支持向量機(jī)自動(dòng)判 別。(3)該方法只需提供一已知分割結(jié)果的圖像用于訓(xùn)練支持向量機(jī)，訓(xùn)練好后就可 以實(shí)現(xiàn)同類圖像的自動(dòng)分割。


附圖1是本發(fā)明的流程框圖。附圖2(A)是肺部上段的CT圖像，⑶是肺部中段的CT圖像，(C)是肺部下段的 CT圖像。附圖3(A)是對(duì)肺部上段的CT圖像自動(dòng)搜索找到的種子點(diǎn)，⑶是對(duì)肺部中段的 CT圖像自動(dòng)搜索找到的種子點(diǎn)，(C)是對(duì)肺部下段的CT圖像自動(dòng)搜索找到的種子點(diǎn)。附圖4(A)是對(duì)肺部上段的CT圖像根據(jù)自動(dòng)搜索找到的種子點(diǎn)使用支持向量機(jī)判 別的區(qū)域生長(zhǎng)結(jié)果，(B)是對(duì)肺部中段的CT圖像根據(jù)自動(dòng)搜索找到的種子點(diǎn)使用支持向量 機(jī)判別的區(qū)域生長(zhǎng)結(jié)果，(C)是對(duì)肺部下段的CT圖像根據(jù)自動(dòng)搜索找到的種子點(diǎn)使用支持 向量機(jī)判別的區(qū)域生長(zhǎng)結(jié)果。附圖5(A)是對(duì)附圖4(A)經(jīng)后處理后的二值圖像，⑶是對(duì)附圖4⑶經(jīng)后處理后 的二值圖像，(C)是對(duì)附圖4(C)經(jīng)后處理后的二值圖像。附圖6(A)是附圖5㈧和附圖2㈧相乘并去背景后的結(jié)果，⑶是附圖5(B)和附圖2(B)相乘并去背景后的結(jié)果，(C)是附圖5(C)和附圖2(C)相 乘并去背景后的結(jié)果，
具體實(shí)施例方式實(shí)施例1 支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，該方法框圖如圖1所示，其具體 實(shí)施方式如下(1)選取樣本訓(xùn)練分類器從已知分割結(jié)果的圖像中選取一組目標(biāo)區(qū)域與非目標(biāo)區(qū)域樣本點(diǎn)作為支持向量 機(jī)分類器的訓(xùn)練樣本并訓(xùn)練支持向量機(jī)。本方法需要已知分割結(jié)果的樣本集作為對(duì)新圖像進(jìn)行自動(dòng)分割的參考，訓(xùn)練樣本 從已知分割結(jié)果的圖像中均勻選取或隨機(jī)選取，選取數(shù)量可根據(jù)實(shí)際情況而定，例如選取 1000個(gè)(目標(biāo)區(qū)域和非目標(biāo)區(qū)域各500個(gè))。已知分割結(jié)果的圖像可來自手動(dòng)分割或其它方法。像素點(diǎn)的特征可在該像素點(diǎn)附近的MXM鄰域內(nèi)提取(M可適當(dāng)選取，例如選取5)，可根據(jù)圖像的特點(diǎn)提取其灰度特征、紋理特征等。支持向量機(jī)算法的實(shí)現(xiàn)可借助相應(yīng)軟件包。(2)自動(dòng)選取種子點(diǎn)針對(duì)待分割圖像，以粒度N，即每隔N行N列取一個(gè)像素點(diǎn)，提取該像素點(diǎn)的特征， 然后利用訓(xùn)練好的支持向量機(jī)判別該點(diǎn)是否屬于目標(biāo)區(qū)域，如果該點(diǎn)屬于目標(biāo)區(qū)域，則將 該點(diǎn)記為種子點(diǎn)。此處所述“待分割圖像”與步驟⑴中所述“已知分割結(jié)果的圖像”應(yīng)為同一類圖 像，例如均為肺部CT圖像。(3)使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)以步驟(2)中所選取到的種子點(diǎn)作為起點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，使用支持向量機(jī)對(duì)像素 點(diǎn)進(jìn)行分類判別，決定是否將該點(diǎn)標(biāo)記為目標(biāo)區(qū)域。區(qū)域增長(zhǎng)的過程是以種子點(diǎn)作為起始點(diǎn)，判斷該點(diǎn)周圍的四鄰域(該點(diǎn)的上、 下、左、右四個(gè)像素點(diǎn))或八鄰域(圍繞該點(diǎn)的八個(gè)像素點(diǎn))的像素點(diǎn)是否屬于目標(biāo)區(qū)域， 判斷方法是使用步驟(1)中訓(xùn)練好的支持向量機(jī)進(jìn)行判別，如果某點(diǎn)屬于目標(biāo)區(qū)域，則繼 續(xù)判別該點(diǎn)周圍四鄰域或八鄰域內(nèi)未判別過的點(diǎn)，直到某點(diǎn)周圍四鄰域或八鄰域內(nèi)的未判 別的點(diǎn)都不屬于目標(biāo)區(qū)域，此時(shí)增長(zhǎng)過程完成，增長(zhǎng)停止。(4)進(jìn)行后處理經(jīng)上述步驟⑴、⑵、(3)處理后的結(jié)果圖像可能存在瑕疵，這時(shí)就需要根據(jù)實(shí)際 情況進(jìn)行必要的后處理操作。主要是針對(duì)邊緣和噪聲像素點(diǎn)進(jìn)行必要的后處理包括平滑、 濾波、數(shù)學(xué)形態(tài)學(xué)的操作。實(shí)施例2 支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，該方法框圖如圖1所示，下面以 肺部CT圖像的肺實(shí)質(zhì)分割為例，說明其具體實(shí)施方式
，本實(shí)施例使用了 512X512X20(像素)的已知肺實(shí)質(zhì)分割結(jié)果的肺部CT圖像(記 為圖像A)和512 X 512 X 64 (像素)的待分割肺部CT圖像(記為圖像B)，實(shí)驗(yàn)中，分別從圖 像A的目標(biāo)區(qū)域(肺實(shí)質(zhì))和非目標(biāo)區(qū)域(肺實(shí)質(zhì)以外的部分)，隨機(jī)地選取500個(gè)像素 點(diǎn)共1000個(gè)樣本點(diǎn)，隨機(jī)選取的方法是使用randomO函數(shù)生成三個(gè)范圍分別在W，511]、
,
的隨機(jī)整數(shù)，由這三個(gè)整數(shù)確定要選取的點(diǎn)的坐標(biāo)，如果選取的點(diǎn)與之前 選取的點(diǎn)重復(fù)則舍棄該點(diǎn)并重新選取。然后從每個(gè)樣本點(diǎn)的5X5鄰域中提取包括當(dāng)前像素點(diǎn)灰度值、當(dāng)前像素鄰域均 值、當(dāng)前像素鄰域中值以及由當(dāng)前像素鄰域的灰度共生矩陣導(dǎo)出的5個(gè)紋理特征(角二階 矩、對(duì)比度、相關(guān)性、方差和、反差矩，取東西、西北-東南、南北、東北-西南四個(gè)方向上的平 均值)共8個(gè)特征?；叶裙采仃嚤欢x為從灰度為i的象素點(diǎn)，離開某個(gè)固定的位置關(guān) 系δ = (Dx，Dy)的點(diǎn)上的灰度為j的概率(或頻度)，表示為p(i，j) = {(x,y) f(x, y) = i, f (x+Dx, y+Dy) = j ；x, y = 0,1,2, ...，N_1}其中，i，j =0,1,2,…，L_1，L是灰度級(jí)數(shù)目，p(i，j)表示了符合上式定義的象 素個(gè)數(shù)，(X，y)是圖像中象素的坐標(biāo)，f(x, y)是該點(diǎn)的灰度級(jí)，Dx, Dy是偏移量。在實(shí)際計(jì) 算中，反映固定的位置關(guān)系的參數(shù)Dx，Dy既包括偏移量的選擇，又包括方向的選擇。一般限 定方向只取東西、西北_東南、南北、東北_西南這四個(gè)方向。因此，Dx, Dy的選擇只會(huì)選取以下這四種值(Dx = d，Dy = 0)、(Dx = d，Dy = d)、(Dx = 0，Dy = d)、(Dx = _d，Dy = d)。1)角二階矩<formula>formula see original document page 6</formula>
2)對(duì)比度
<formula>formula see original document page 6</formula> 3)相關(guān)<formula>formula see original document page 6</formula>其中μ χ，μ y，δ χ，δ y分別是Ρχ，Py的均值和方差，Px, Py的定義是
<formula>formula see original document page 6</formula>則<formula>formula see original document page 6</formula>4)方差和<formula>formula see original document page 6</formula>
5)反差矩<formula>formula see original document page 6</formula>將提取的8個(gè)特征進(jìn)行歸一化，歸一化的計(jì)算公式為<formula>formula see original document page 6</formula>歸一化后形成SVM的輸入向量Xi訓(xùn)練支持向量機(jī)，訓(xùn)練支持向量機(jī)的方法是使用 LibSVM軟件包中的SVm_train()函數(shù)。其中，支持向量機(jī)的核函數(shù)選擇徑向基核函數(shù)，其函 數(shù)表達(dá)式如下<formula>formula see original document page 7</formula>參數(shù)ο取0· 1，懲罰因子C取500。在搜索種子點(diǎn)過程中粒度N取20，即每隔20行20列取一點(diǎn)判別是否為種子點(diǎn)。以 所選取到的種子點(diǎn)作為起點(diǎn)進(jìn)行四鄰域區(qū)域增長(zhǎng)，其過程是以種子點(diǎn)作為起始點(diǎn)，判斷該 點(diǎn)周圍的四鄰域(該點(diǎn)的上、下、左、右四個(gè)像素點(diǎn))的像素點(diǎn)是否屬于目標(biāo)區(qū)域，判斷方法 是使用訓(xùn)練好的支持向量機(jī)進(jìn)行判別(通過使用LibSVM軟件包中的SVm_prediCt()函數(shù) 實(shí)現(xiàn))，如果某點(diǎn)屬于目標(biāo)區(qū)域，則繼續(xù)判別該點(diǎn)周圍四鄰域內(nèi)未判別過的點(diǎn)，直到某點(diǎn)周 圍四鄰域內(nèi)無未判別的點(diǎn)或未判別的點(diǎn)都不屬于目標(biāo)區(qū)域，此時(shí)增長(zhǎng)過程完成，增長(zhǎng)停止。后處理過程依次進(jìn)行了開運(yùn)算(先對(duì)圖像進(jìn)行腐蝕操作后對(duì)圖像進(jìn)行膨脹操作) 和閉運(yùn)算(先對(duì)圖像進(jìn)行膨脹操作后再對(duì)圖像進(jìn)行腐蝕操作)，在開閉運(yùn)算中均使用7X7 的矩形結(jié)構(gòu)元素。膨脹操作的具體實(shí)施方法是用結(jié)構(gòu)元素掃描圖像中的每一個(gè)像素，將結(jié) 構(gòu)元素與其覆蓋的二值圖像做“與”操作，如果都為0，結(jié)果圖像的該像素為0，否則為1 ；腐 蝕操作的具體實(shí)施方法是用結(jié)構(gòu)元素掃描圖像中的每一個(gè)像素，將結(jié)構(gòu)元素與其覆蓋的 二值圖像做“與”操作，如果都為1，結(jié)果圖像的該像素為1，否則為0。應(yīng)用本方法對(duì)圖像B進(jìn)行分割的各階段結(jié)果如下所示，分別選取肺部上、中、下段 各一張圖像作為示例。其中圖2為原始圖像，圖3為自動(dòng)搜索找到的種子點(diǎn)，圖4為使用支 持向量機(jī)判別的區(qū)域生長(zhǎng)結(jié)果(二值圖像)，圖5為經(jīng)后處理后的二值圖像，圖6為分割得 到的二值結(jié)果圖像與原始圖像相乘并去背景后的結(jié)果。從以上實(shí)施例可以看出，本方法只需對(duì)搜索種子點(diǎn)及搜索到的種子點(diǎn)附近像素點(diǎn) 進(jìn)行判別，而單純使用支持向量機(jī)的方法需要對(duì)所有像素點(diǎn)進(jìn)行判別，因此本方法在速度 上明顯優(yōu)于單純使用支持向量機(jī)的分割方法；在該方法中種子點(diǎn)的選取使用支持向量機(jī)自 動(dòng)搜索，只需根據(jù)具體情況確定合適的粒度N即可，粒度N的確定應(yīng)根據(jù)目標(biāo)區(qū)域的大小 來確定，通常一個(gè)可參考的值是目標(biāo)區(qū)域短徑的1/5左右。而在區(qū)域增長(zhǎng)過程中直接使用 支持向量機(jī)自動(dòng)判別，避免了經(jīng)典的區(qū)域增長(zhǎng)算法手動(dòng)選取種子點(diǎn)的交互操作以及增長(zhǎng)規(guī) 則和終止條件的選擇困難問題；該方法只需提供一已知分割結(jié)果的圖像用于訓(xùn)練支持向量 機(jī)，訓(xùn)練好后就可以實(shí)現(xiàn)同類圖像的自動(dòng)分割。從實(shí)驗(yàn)結(jié)果來看，分割效果較好。該方法也 可以用于其它領(lǐng)域的圖像分割。
權(quán)利要求
一種支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征是該方法包括如下步驟(1)選取樣本訓(xùn)練分類器；(2)自動(dòng)選取種子點(diǎn)；(3)使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)；(4)進(jìn)行后處理。
2.根據(jù)權(quán)利要求1所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征是 步驟(1)所述的選取樣本訓(xùn)練分類器的方式為從已知分割結(jié)果的圖像中選取一組目標(biāo)區(qū) 域與非目標(biāo)區(qū)域樣本點(diǎn)作為支持向量機(jī)分類器的訓(xùn)練樣本。
3.根據(jù)權(quán)利要求1或2所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征 是步驟(2)所述的自動(dòng)選取種子點(diǎn)的方法為以粒度N，即每隔N行N列取一個(gè)像素點(diǎn)，利 用訓(xùn)練好的支持向量機(jī)判別該點(diǎn)是否屬于目標(biāo)區(qū)域，如果該點(diǎn)屬于目標(biāo)區(qū)域，則將該點(diǎn)記 為種子點(diǎn)。
4.根據(jù)權(quán)利要求1或2所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征 是步驟(3)所述的使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)的具體方法為以步驟(2)所選種 子點(diǎn)做起點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，使用支持向量機(jī)對(duì)像素點(diǎn)進(jìn)行分類判別，決定是否將該點(diǎn)標(biāo)記 為目標(biāo)區(qū)域。
5.根據(jù)權(quán)利要求3所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征是 步驟(3)所述的使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)的具體方法為以步驟(2)所選種子點(diǎn) 做起點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，使用支持向量機(jī)對(duì)像素點(diǎn)進(jìn)行分類判別，決定是否將該點(diǎn)標(biāo)記為目 標(biāo)區(qū)域。
6.根據(jù)權(quán)利要求1或2或5所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其 特征是步驟(4)所述的進(jìn)行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
7.根據(jù)權(quán)利要求3所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征是 步驟(4)所述的進(jìn)行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
8.根據(jù)權(quán)利要求4所述的支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法，其特征是 步驟(4)所述的進(jìn)行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
全文摘要
支持向量機(jī)與區(qū)域增長(zhǎng)相結(jié)合的圖像分割方法。經(jīng)典的區(qū)域增長(zhǎng)算法進(jìn)行圖像分割時(shí)通常需要手動(dòng)選取種子點(diǎn)而且生長(zhǎng)規(guī)則確定困難；典型的分類方法(如支持向量機(jī))進(jìn)行圖像分割時(shí)需要對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行特征提取并使用分類器判別，因此分割速度通常較慢。本發(fā)明的方法步驟為(1)選取樣本訓(xùn)練分類器；(2)自動(dòng)選取種子點(diǎn)；(3)使用支持向量機(jī)判別進(jìn)行區(qū)域增長(zhǎng)；(4)進(jìn)行后處理。本發(fā)明用于同一類圖像的自動(dòng)分割。
文檔編號(hào)G06T7/00GK101826208SQ20101015519
公開日2010年9月8日 申請(qǐng)日期2010年4月26日 優(yōu)先權(quán)日2010年4月26日
發(fā)明者劉露, 張斌, 楚春雨, 馬建為 申請(qǐng)人:哈爾濱理工大學(xué)