本發(fā)明涉及數(shù)字圖像技術(shù)，具體涉及一種基于聚類超像素分割的病理圖像特征提取方法。

背景技術(shù)：

圖像的特征是描述圖像的重要屬性，特征提取的好壞決定著圖像的處理能否順利進(jìn)行，常用的圖像特征包括顏色，紋理，形狀。常用的顏色特征提取方法有RGB，HSV等；紋理特征提取方法有統(tǒng)計(jì)法(灰度共生矩陣等)，結(jié)構(gòu)法，頻譜法等；形狀特征提取方法有面積，周長(zhǎng)等。

病理圖像分割是圖像處理中最為關(guān)鍵的步驟之一，病理圖像的后序處理如特征提取，目標(biāo)識(shí)別等好壞都依賴于分割效果的好壞。然而到目前為止也沒(méi)有一項(xiàng)通用的方法可以對(duì)所有圖像進(jìn)行有效分割。目前的病理圖像分割主要有基于直方圖的閾值分割算法，基于梯度信息的分水嶺分割算法。然而這些算法都有其局限性，如閾值分割算法由于圖像染色程度的多變性效果不佳，分水嶺算法的精確性依賴于細(xì)胞核位置的精準(zhǔn)獲取。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的不足，提供一種基于聚類超像素分割的病理圖像特征提取方法。

技術(shù)方案：本發(fā)明的一種基于聚類超像素分割的病理圖像特征提取方法，依次包括以下步驟：

(1)初始化種子點(diǎn)，具體過(guò)程為：

(1-1)確定預(yù)分割為K個(gè)相同尺寸的超像素；

(1-2)假設(shè)圖像有N個(gè)像素點(diǎn)，預(yù)分割為K個(gè)相同尺寸的超像素，那么每個(gè)超像素的大小為N/K，求出每個(gè)種子點(diǎn)的距離；

(1-3)對(duì)原圖中非邊緣的每點(diǎn)求出像素差；

(2)相似度衡量；

(2-1)以種子點(diǎn)為中心，在預(yù)分割每塊的區(qū)域大小中，求出該區(qū)域所有像素點(diǎn)距離最近的種子點(diǎn)的歐幾里得距離；

(2-2)求像素點(diǎn)與種子點(diǎn)的相似程度距離；

(2-3)確定每個(gè)像素點(diǎn)的所屬種子點(diǎn)的標(biāo)簽；

(2-4)求出誤差，當(dāng)誤差高于一定值時(shí)反復(fù)迭代，直到誤差低于設(shè)定值時(shí)跳出迭代；

(2-5)增強(qiáng)連通性：對(duì)于分割的每一塊區(qū)域計(jì)算其像素點(diǎn)個(gè)數(shù)，如果低于一定值，則給該塊區(qū)域賦值為相鄰的標(biāo)簽；

(3)提取分割圖像的特征：

(3-1)提取分割部分圖像的形狀特征；

(3-2)提取分割部分圖像的直方圖信息：

(3-3)提取分割部分圖像的紋理特征。

進(jìn)一步的，所述步驟(1-2)中，每個(gè)種子點(diǎn)的距離近似為

width_strips＝image_width/superpixel_step

width_err＝image_height-superpixel_step*width_strips

height_strips＝image_height/superpixel_step

height_err＝image_height-superpixel_step*height_strips

其中，N為圖像的總共像素點(diǎn)，K為確定的預(yù)分割的超像素集合個(gè)數(shù)，

superpixel_step為每個(gè)種子點(diǎn)的距離；width_strips為圖像的寬可以容納的種子的個(gè)數(shù)，height_strips為圖像的高可以容納的種子的個(gè)數(shù)；

image_width是圖像的寬，image_height是圖像的高，width_err為圖像的寬容納種子個(gè)數(shù)后多余的空間，height_err為圖像的高容納種子個(gè)數(shù)后多余的空間。

進(jìn)一步的，所述步驟(1-3)中，對(duì)原圖中非邊緣的每點(diǎn)求出像素差具體過(guò)程為：

mat_edge(pixel_i,pixel_j)＝pixel_dx+pixel_dy

pixel_dx＝(mat_image(pixel_i-1,pixel_j)-mat_image(pixel_i+1,pixel_j))^2

pixel_dy＝(mat_image(piexl_i,pixel_j-1)-mat_image(pixel_i,pixel_j+1))^2

mat_image為原圖的像素矩陣，piexl_i是橫坐標(biāo)，pixel_j為縱坐標(biāo)；

為避免種子點(diǎn)處在圖像的邊緣位置，以及對(duì)后續(xù)的聚類過(guò)程造成干擾，需要將種子點(diǎn)移動(dòng)每個(gè)預(yù)分割區(qū)域的中心位置，并向中心位置的周圍8個(gè)方向?qū)ふ业较袼攸c(diǎn)差最小的位置，將該種子點(diǎn)移動(dòng)該位置，同時(shí)為每個(gè)種子分配一個(gè)單獨(dú)的標(biāo)簽。

進(jìn)一步的，所述步驟(2-1)的具體方法為：

distance_spatial＝sqrt((seed_i-pixel_i)^2+(seed_j-pixel_j)^2)；

distance_spatial為像素點(diǎn)距離最近種子點(diǎn)的歐幾里得距離，seed_i為種子點(diǎn)橫坐標(biāo)，seed_j為種子點(diǎn)縱坐標(biāo)，pixel_i為像素點(diǎn)橫坐標(biāo)，pixel_j為像素點(diǎn)縱坐標(biāo)。

進(jìn)一步的，所述步驟(2-2)的具體方法為：

distance_np＝distance_intensity+distance_spatial*m_weight/superpixel_square

distance_intensity＝abs(seed_intensity-pixel_intensity)

seed_intensity為種子點(diǎn)的像素，pixel_intensity為像素點(diǎn)的像素；

distance_spatial為像素點(diǎn)的歐幾里得距離，m_weight為自定義的權(quán)重，

superpixel_square是每個(gè)種子點(diǎn)預(yù)分割的區(qū)域大小。

進(jìn)一步的，所述步驟(2-3)中確定每個(gè)像素點(diǎn)的所屬種子點(diǎn)的標(biāo)簽的過(guò)程是：

mat_pixel_distance(pixel_i,pixel_j)＝inf

if(distance_np<mat_pixel_distance(pixel,pixel_j)

mat_pixel_distance(pixel_i,pixel_j)＝distance_np；

mat_segment_label(pixel_i,pixel_j)＝m；

建立初始矩陣mat_pixel_distance為像素點(diǎn)距離種子點(diǎn)的相似度距離，并賦上初始值為正無(wú)窮；對(duì)于每個(gè)種子點(diǎn)的周圍預(yù)分割大小內(nèi)的像素點(diǎn)求出相似度，取最小相似度距離的種子點(diǎn)標(biāo)簽，并給該像素點(diǎn)所屬標(biāo)簽賦值。

進(jìn)一步的，所述步驟(2-4)的具體方法為：對(duì)圖像中所有像素點(diǎn)進(jìn)行遍歷，得到各個(gè)標(biāo)簽的所有像素點(diǎn)的橫坐標(biāo)之和sigma_i(pixel_label),縱坐標(biāo)之和sigma_j(pixel_label)，像素值之和sigma_intensity，以及像素點(diǎn)的個(gè)數(shù)sigma_pixelnumber(pixel_label)；

i_segmentseeds＝segmentseeds

i_segmentseeds(:,1)＝round(sigma_i./sigma_pixelnumber)；

i_segmentseeds(:,2)＝round(sigma_j./sigma_pixelnumber)；

i_segmentseeds(:,3)＝round(sigma_intensity./sigma_pixelnumber)；

i_seederror＝abs(i_segmentseeds(:,1:2)-segmentseeds(:,1:2))

i_seederror_sum＝sum(i_seederror(:))

i_segmentseeds(:,1)表示所有標(biāo)簽相同點(diǎn)的橫坐標(biāo)平均值；

i_segmentseeds(:,2)表示所有標(biāo)簽相同點(diǎn)的縱坐標(biāo)平均值；

i_segmentseeds(:,3)表示所有標(biāo)簽相同點(diǎn)的像素值平均值；

i_seederror_sum為誤差和，當(dāng)誤差和低于一定值時(shí)跳出迭代。

進(jìn)一步的，所述步驟(3-1)中，提取分割部分圖像的形狀特征的具體過(guò)程是：

上述所得原圖的像素點(diǎn)矩陣mat_image和每個(gè)像素點(diǎn)的標(biāo)簽矩陣mat_segment_label,因?yàn)闃?biāo)簽相同的為分割結(jié)果的同一塊區(qū)域，調(diào)用matlab的內(nèi)置函數(shù)regionprops(mat_segment_label,’all’)；

可以得到每塊區(qū)域的形狀特征以及每一塊區(qū)域的像素點(diǎn)坐標(biāo)位置index(label)；

label為像素點(diǎn)所屬的標(biāo)簽，index(label)的第一維是像素點(diǎn)的縱坐標(biāo)，第二維是橫坐標(biāo)。

進(jìn)一步的，所述步驟(3-2)中提取分割部分圖像的直方圖信息的方法為：

對(duì)于每一塊分割區(qū)域的所有像素點(diǎn)進(jìn)行遍歷

dy＝index(j，1)，dx＝index(j,2),

pixel＝mat_image(dx,dy),counts(pixel)＝counts(pixel)+1

Index(label)為像素點(diǎn)的坐標(biāo)，index(j,1),index(j,2)分別為像素點(diǎn)的縱坐標(biāo)和橫坐標(biāo)，counts(pixel)為統(tǒng)計(jì)該區(qū)域包含該像素值的點(diǎn)個(gè)數(shù)。

進(jìn)一步的，所述步驟(3-3)的具體方法為：

使用直方圖提取圖像的紋理特征的方法，直方圖反映的是圖像的亮度在各個(gè)灰度級(jí)上出現(xiàn)的概率，用函數(shù)f(x)表示，x代表灰度值；令m為x的均值，即：則均值m的n階矩為：

其中，i的取值范圍為像素點(diǎn)變化的范圍，即L為像素點(diǎn)的最大值255，x_i的取值范圍為0-255，且為整數(shù)，因?yàn)閤₀為0，所以在公式中直接省去；u₁表示圖像灰度值的分散程度，u₂為方差，是灰度對(duì)比度的量度，表達(dá)了灰度值相對(duì)于均值的分布情況，描述了直方圖的相對(duì)平滑程度，可反映圖像中紋理的深淺程度。u₃定義為偏度，表達(dá)了灰度值相對(duì)于均值的對(duì)稱性，描述了直方圖的偏斜圖，即直方圖分布對(duì)稱與否的情況，可反映圖像中紋理灰度起伏分布。u₄定義為峰度，它表示了直方圖的相對(duì)平坦性，即直方圖分布聚集于均值附近還是接近兩端的情況，進(jìn)一步描述了圖像中紋理灰度的反差。

有益效果：本發(fā)明基于區(qū)域增長(zhǎng)，通過(guò)顏色和距離的相似性進(jìn)行聚類超像素分割，方法思想簡(jiǎn)單、效果良好。對(duì)分割后的每一塊區(qū)域通過(guò)直方圖提取該區(qū)域的顏色，紋理的特征信息，并計(jì)算該區(qū)域的面積，周長(zhǎng)，以及與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓長(zhǎng)軸長(zhǎng)度，短軸長(zhǎng)度作為形狀特征。

綜上所述，本發(fā)明速度較快，能生成緊湊，近似均勻的超像素，分割效果好。

附圖說(shuō)明

圖1為實(shí)施例中原圖；

圖2位實(shí)施例中超像素分割后的示意圖；

圖3為實(shí)施例中分割后的某一區(qū)域的直方圖。

具體實(shí)施方式

下面對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明的保護(hù)范圍不局限于所述實(shí)施例。

本發(fā)明的一種基于超像素分割提取圖像特征的方法，包括如下步驟：

(1)初始化種子點(diǎn)：

(1-1)確定預(yù)分割為K個(gè)相同尺寸的超像素；

(1-2)假設(shè)圖像有N個(gè)像素點(diǎn)，預(yù)分割為K個(gè)相同尺寸的超像素，那么每個(gè)超像素的大小為N/K，且每個(gè)種子點(diǎn)的距離近似為

(1-3)對(duì)原圖中非邊緣的每點(diǎn)求出像素差

mat_edge(pixel_i,pixel_j)＝pixel_dx+pixel_dy

pixel_dx＝(mat_image(pixel_i-1,pixel_j)-mat_image(pixel_i+1,pixel_j))^2

pixel_dy＝(mat_image(piexl_i,pixel_j-1)-mat_image(pixel_i,pixel_j+1))^2

mat_edge位原圖的像素矩陣，pixel_i是橫坐標(biāo)，pixel_j為縱坐標(biāo)

將種子點(diǎn)移動(dòng)到每個(gè)預(yù)分割區(qū)域的中心位置，并在中心位置的周圍8個(gè)方向?qū)ふ业较袼攸c(diǎn)差最小的位置，將該種子點(diǎn)移動(dòng)該位置，同時(shí)為每個(gè)種子分配一個(gè)單獨(dú)的標(biāo)簽。

(2)相似度衡量：

(2-1)以種子點(diǎn)為中心，在預(yù)分割每塊的區(qū)域大小中求出該區(qū)域所有像素點(diǎn)距離最近的種子點(diǎn)的歐幾里得距離：

distance_spatial＝sqrt((seed_i-pixel_i)^2+(seed_j-pixel_j)^2)

distance_spatial為像素點(diǎn)距離最近種子點(diǎn)的歐幾里得距離，seed_i為種子點(diǎn)橫坐標(biāo)，seed_j為種子點(diǎn)縱坐標(biāo)，pixel_i為像素點(diǎn)橫坐標(biāo)，pixel_j為像素點(diǎn)縱坐標(biāo)。

(2-2)求像素點(diǎn)與種子點(diǎn)的相似程度距離：

distance_np＝distance_intensity+distance_spatial*m_weight/superpixel_square

distance_intensity＝abs(seed_intensity-pixel_intensity)

seed_intensity為種子點(diǎn)的像素，pixel_intensity為像素點(diǎn)的像素

distance_spatial為像素點(diǎn)的歐幾里得距離，m_weight為自定義的權(quán)重，

superpixel_square是每個(gè)種子點(diǎn)預(yù)分割的區(qū)域大小。

(2-3)確定每個(gè)像素點(diǎn)的所屬種子點(diǎn)的標(biāo)簽：

mat_pixel_distance(pixel_i,pixel_j)＝inf

if(distance_np<mat_pixel_distance(pixel,pixel_j)

mat_pixel_distance(pixel_i,pixel_j)＝distance_np；

mat_segment_label(pixel_i,pixel_j)＝m；

建立初始矩陣mat_pixel_distance為像素點(diǎn)距離種子點(diǎn)的相似度，并賦上初始值為正無(wú)窮。對(duì)于每個(gè)種子點(diǎn)的周圍預(yù)分割大小內(nèi)的像素點(diǎn)求出相似度，取最小相似度距離的種子點(diǎn)標(biāo)簽，并給該像素點(diǎn)所屬標(biāo)簽賦值。

(2-4)求出誤差，當(dāng)誤差高于一定值時(shí)反復(fù)迭代，直到誤差低于設(shè)定值時(shí)跳出迭代。

對(duì)圖像中所有像素點(diǎn)進(jìn)行遍歷，得到各個(gè)標(biāo)簽的所有像素點(diǎn)的橫坐標(biāo)之和sigma_i(pixel_label),縱坐標(biāo)之和sigma_j(pixel_label)，像素值之和sigma_intensity，以及像素點(diǎn)的個(gè)數(shù)sigma_pixelnumber(pixel_label)。

i_segmentseeds＝segmentseeds

i_segmentseeds(:,1)＝round(sigma_i./sigma_pixelnumber)；

i_segmentseeds(:,2)＝round(sigma_j./sigma_pixelnumber)；

i_segmentseeds(:,3)＝round(sigma_intensity./sigma_pixelnumber)；

i_seederror＝abs(i_segmentseeds(:,1:2)-segmentseeds(:,1:2))

i_seederror_sum＝sum(i_seederror(:))

i_segmentseeds(:,1)表示所有標(biāo)簽相同點(diǎn)的橫坐標(biāo)平均值

i_segmentseeds(:,2)表示所有標(biāo)簽相同點(diǎn)的縱坐標(biāo)平均值

i_segmentseeds(:,3)表示所有標(biāo)簽相同點(diǎn)的像素值平均值

i_seederror_sum為誤差和，當(dāng)誤差和低于一定值時(shí)跳出迭代

(2-5)增強(qiáng)連通性

對(duì)于分割的每一塊區(qū)域計(jì)算其像素點(diǎn)個(gè)數(shù)，如果低于一定值，則給該塊區(qū)域賦值為相鄰的標(biāo)簽。

(3)提取分割圖像的特征：

(3-1)提取分割部分圖像的形狀特征：

經(jīng)過(guò)前面三個(gè)步驟我們已經(jīng)得到原圖的像素點(diǎn)矩陣mat_image和每個(gè)像素點(diǎn)的標(biāo)簽矩陣mat_segment_label,因?yàn)闃?biāo)簽相同的為分割結(jié)果的同一塊區(qū)域，調(diào)用matlab的內(nèi)置函數(shù)regionprops(mat_segment_label,’all’)可以得到每塊區(qū)域的形狀特征以及每一塊區(qū)域的像素點(diǎn)坐標(biāo)位置index(label)。label為像素點(diǎn)所屬的標(biāo)簽，index(label)的第一維是像素點(diǎn)的縱坐標(biāo)，第二維是橫坐標(biāo)。

(3-2)提取分割部分圖像的直方圖信息：

對(duì)于每一塊分割區(qū)域的所有像素點(diǎn)遍歷

dy＝index(j，1)，dx＝index(j,2),

pixel＝mat_image(dx,dy),counts(pixel)＝counts(pixel)+1

(3-3)提取分割部分圖像的紋理特征：

借助灰度直方圖的矩來(lái)描述紋理特征是統(tǒng)計(jì)方法中最簡(jiǎn)單的一種。直方圖反映的是圖像的亮度在各個(gè)灰度級(jí)上出現(xiàn)的概率，可用函數(shù)f(x)表示，x代表灰度值。令m為x的均值，即：則均值m的n階矩為：u₁表示圖像灰度值的分散程度，u₂為方差，是灰度對(duì)比度的量度。u₃定義為偏度，表達(dá)了灰度值相對(duì)于均值的對(duì)稱性，描述了直方圖的偏斜圖，即直方圖分布對(duì)稱與否的情況，可反映圖像中紋理灰度起伏分布。u₄定義為峰度，它表示了直方圖的相對(duì)平坦性，即直方圖分布聚集于均值附近還是接近兩端的情況，進(jìn)一步描述了圖像中紋理灰度的反差。

實(shí)施例：下面以病理圖像為例來(lái)說(shuō)明本發(fā)明的步驟。

步驟1：讀取原圖大小，大小為1360*1040，如圖1所示，取得原圖像素矩陣；

步驟2：確定超像素集合個(gè)數(shù)；

步驟3：算出超像素種子點(diǎn)的坐標(biāo)；

步驟4：算出超像素每個(gè)種子點(diǎn)包含的其他像素，即原圖中所有像素點(diǎn)所屬標(biāo)簽；

步驟5：反復(fù)迭代，直到誤差低于設(shè)定值；

步驟6：合并某些分割過(guò)于小的區(qū)域，增強(qiáng)連通性；

步驟7：對(duì)于分割好的每一塊區(qū)域提取出圖像的特征值。