一種基于魯棒特征統(tǒng)計的三維區(qū)域自適應分割方法
【技術(shù)領域】
[0001] 本發(fā)明涉及自適應分割技術(shù)領域，特別涉及一種基于魯棒特征統(tǒng)計的三維區(qū)域自 適應分割方法。
【背景技術(shù)】
[0002] RG分割能夠較好解決三維圖像處理軟件中感興趣區(qū)域（R0I)的適形確定問題，且 顯著改善了傳統(tǒng)手動分割方法的效率，但仍然需要大量的人下操作，理想的R0I分割方法 是無需太多主觀干預的，完全自動或半自動的自適應算法，僅僅需要操作者對輸出結(jié)果進 行修正和確認。
[0003] 目前，基于三維圖像的半自動分割算法研究很多，例如基于灰度層次的方法、水平 集方法、圖切割算法和統(tǒng)計學分割方法等。以上算法針對的三維R0I分割場景各不相同，由 于三維圖像在成像或重構(gòu)時會受到噪聲、偏移場效應、局部體效應或組織運動等的影響，往 往具有局部不均勻性或模糊性等質(zhì)量缺陷，因此在進行R0I分割時易產(chǎn)生分割不足或泄漏 現(xiàn)象。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的缺陷和不足，提供一種分割效果好的基于魯棒 特征統(tǒng)計的三維區(qū)域自適應分割方法，它基于體素信息的半自動分割方法，有效防止噪聲 干擾，減少醫(yī)生的干預操作，得到較好的分割結(jié)果。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0006] 本發(fā)明所述的一種基于魯棒特征統(tǒng)訃的三維區(qū)域自適應分割方法，包括如下步 驟：
[0007] A.采用LARFS分割方法，分別借鑒RG分割算法與RSS分割算法的原理并結(jié)合應 用；
[0008] B.在三維數(shù)據(jù)空間中選取種子點，進行三維影像幾何特征自適應建模；
[0009] C.根據(jù)LARFS分割方法，基于水平集的RSS快速分割算法對圖像生長特征進行建 模；
[0010]D.采用水平集方法對特征區(qū)域輪廓進行演化。
[0011] 進一步地，所述的步驟A，在圖像輪廓演變過程，基于統(tǒng)計學的方法抽取更多的圖 像局部穩(wěn)健特征信息。
[0012] 進一步地，所述的步驟A，是先人工選取單顆種子點作為輸入信息，利用RG分割算 法根據(jù)種子點及鄰域?qū)傩赃M行圖像特征建模，并在三維數(shù)據(jù)場中進行區(qū)域自適應生長；此 后將適應結(jié)果點集作為輸入特征標簽進行圖像區(qū)域特征統(tǒng)計和建模；然后使用水平集算法 對特征區(qū)域的輪廓進行演化；最終得到分割結(jié)果。
[0013] 進一步地，所述RG算法為一種半自動分割方法，進行RG算法前，操作者需要對圖 像中的目標R0I區(qū)域標記種子信息，算法開始時，系統(tǒng)將自動檢查種子點所行相鄰體素的 特征值，并根據(jù)其與種子的相似程度來決定是否將該相鄰體素加入分割結(jié)果中。
[0014] 進一步地，所述RSS算法綜合應用圖像位置信息和像素信息對特征圖像建模，然 后通過幾何主動輪廓模型進行輪廓演化。
[0015] 進一步地，所述的步驟B，是先根據(jù)種子點及其相鄰26個空間點的灰度值計算出 一個閾值區(qū)間；然后一種子點為基準向外生長，將圖像區(qū)域灰度值在閾值區(qū)間內(nèi)的點分割 出來，作為新的種子點；此后重復上述過程，直至生長范圍不在擴大或迭代次數(shù)達到預先設 定值位置；最終得到種子點集合，即為幾何特征自適應結(jié)果。
[0016] 進一步地，所述的步驟C，是先提取圖像局部位置信息和像素信息；然后根據(jù)每一 時刻特征區(qū)域的初始范圍通過幾何主動輪廓模型進行輪廓演化。
[0017] 進一步地，所述的步驟D，通過將二維曲線嵌入至三維平面中，實現(xiàn)閉合分割輪廓 曲線的分裂與合并。
[0018] 采用上述結(jié)構(gòu)后，本發(fā)明有益效果為：本發(fā)明所述的一種基于魯棒特征統(tǒng)計的三 維區(qū)域自適應分割方法，將傳統(tǒng)的區(qū)域增長算法與統(tǒng)計學方法結(jié)合應用，充分利用圖像的 區(qū)域信息，表示局部分割特征并驅(qū)動輪廓演化，采用LARFS方法，能夠有效防止噪聲干擾， 減少使用者的干預操作，得到較好的分割效果。
【附圖說明】
[0019] 圖1為本發(fā)明中LARFS分割方法流程圖；
[0020] 圖2為本發(fā)明中閾值區(qū)間計算公式。
[0021] 圖3為本發(fā)明中水平集方法的幾何主動輪廓演化流程圖。
[0022] 圖4為本發(fā)明中單個體素改變量計算公式。
【具體實施方式】
[0023] 下面結(jié)合附圖對本發(fā)明作進一步的說明。
[0024] 如圖1至圖4所示，本發(fā)明所述的一種基于魯棒特征統(tǒng)計的三維區(qū)域自適應分割 方法，包括如下步驟：
[0025] A.采用LARFS分割方法，分別借鑒RG分割算法與RSS分割算法的原理并結(jié)合應 用；
[0026] B.在三維數(shù)據(jù)空間中選取種子點，進行三維影像幾何特征自適應建模；
[0027] C.根據(jù)LARFS分割方法，基于水平集的RFS快速分割算法對圖像生長特征進行建 模；
[0028] D.采用水平集方法對特征區(qū)域輪廓進行演化。。
[0029] 所述的步驟A，在圖像輪廓演變過程，基于統(tǒng)計學的方法抽取更多的圖像局部穩(wěn)健 特征信息。
[0030] 所述的步驟A，是先人工選取單顆種子點作為輸入信息，利用RG分割算法根據(jù)種 子點及鄰域?qū)傩赃M行圖像特征建模，并在三維數(shù)據(jù)場中進行區(qū)域自適應生長；此后將適應 結(jié)果點集作為輸入特征標簽進行圖像區(qū)域特征統(tǒng)計和建模；然后使用水平集算法對特征區(qū) 域的輪廓進行演化；最終得到分割結(jié)果。
[0031] 所述RG算法為一種半自動分割方法，進行RG算法前，使用者需要在圖像中的R0I 區(qū)域標記種子信息，算法開始時，系統(tǒng)將自動檢查種子點所有相鄰體素的特征值，并根據(jù)其 與種子的相似程度來決定是否將該相鄰體素加入分割結(jié)果中。
[0032] 所述RSS算法綜合應用圖像位置信息和像素信息對特征圖像建模，然后通過幾何 主動輪廓模型進行輪廓演化。
[0033] 所述的步驟B，是先根據(jù)種子點及其相鄰26個空間點的灰度值計算出一個閾值 區(qū)間；然后一種子點為基準向外生長，將圖像區(qū)域灰度值在閾值區(qū)間內(nèi)的點分割出來，作為 新的種子點；此后重復上述過程，直至生長范圍不在擴大或迭代次數(shù)達到預先設定值位置； 最終得到種子點集合，即為幾何特征自適應結(jié)果。
[0034] 所述的步驟C，是先提取圖像局部位置信息和像素信息；然后根據(jù)每一時刻特征 區(qū)域的初始范圍通過幾何主動輪廓模型進行輪廓演化。
[0035] 所述的步驟D，通過將二維曲線嵌入至三維平面中，實現(xiàn)閉合分割輪廓曲線的分裂 與合并。
[0036] 如圖1所示，本發(fā)明中LARFS分割方法的系統(tǒng)流程如下：
[0037] (1)三維圖像序列獲??；
[0038] (2)體繪制可視化渲染；
[0039] (3)種子點標記；
[0040] (4)三維區(qū)域增長分割；
[0041](5)輸出區(qū)域數(shù)據(jù)信息；
[0042](6)區(qū)域特征向量統(tǒng)計；
[0043] (7)數(shù)值輪廓演變；
[0044] (8)輸出三維數(shù)據(jù)場；
[0045] (9)分割結(jié)果表面重構(gòu)；
[0046] 步驟（9)后再次進行步驟（2)體繪制可視化渲染，產(chǎn)生疊加顯示。
[0047] 本發(fā)明中計算閾值區(qū)間的方法，選取種子點集的領域灰度平均值MEAN和標準方 差VARIANCE計算底N次迭代的置信區(qū)間ΩΝ，計算過程公式如圖2中公式（3-24)、（3-25) 和（3-26)所示；
[0048] 其中，Seeds表示種子點數(shù)量，VoxelSize代表種子點集領域內(nèi)樣本體素數(shù)量，0是 生長因子；
[0049] 計算上述領域灰度平均值MEAN、標準方差VARIANCE和置信區(qū)間Ω,后，再計算單 顆種子點的領域灰度平均值mean和平方和seedsqr，計算過程公式如圖2中公式（3-27)和 (3-28)所示；
[0050] 其中，voxel表示種子點i的灰度值。以上方法利用了概率論中對置信區(qū)間的估 計，生長因子的取值會直接影響整體方法的分割效果，分割區(qū)域范圍與Θ的取值大小成正 比，對于滿足正態(tài)分布的像素樣本，Θ取2. 5即可滿足99%的置信度。
[0051] 本發(fā)明將中算法在運行前需要輸入靶區(qū)的種子點集