基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法

摘要

本发明提出了一种基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，包括：S1，采集医学图像数据，对该图像数据进行初步筛选，获得具备差异性的图像数据，将具备差异性的图像数据进行空间转换，从RGB空间图像转化到HIS空间图像，从HIS空间图像中获得色度图像IH和饱和度图像IS；S2，获得最终的用于分割的带有全局颜色信息的图像IHue；S3，获得带有局部纹理信息的图像Itexture；S4，将IHue和Itexture的图像信息构建出色度纹理嵌入的基于区域活动轮廓模型，用于分割具有色度和纹理差异的医学图像数据。为专业人员自动分割感兴趣的区域，降低时耗，提高效率。

权利要求

1.一种基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，包括：S1，采集医学图像数据，对该图像数据进行初步筛选，获得具备差异性的图像数据，将具备差异性的图像数据进行空间转换，从RGB空间图像转化到HIS空间图像，从HIS空间图像中获得色度图像IH和饱和度图像IS；

S2，使用归一化规则对色度图像IH进行归一化转换，然后对归一化后的色度图像进行高斯低通滤波，获得最终的用于分割的带有全局颜色信息的图像IHue；

S3，在饱和度图像IS上通过自适应阈值的PIF纹理描绘子描述纹理特征，获得带有局部纹理信息的图像Itexture；

S4，将IHue和Itexture的图像信息嵌入到基于区域活动轮廓模型中，构建出色度纹理嵌入的基于区域活动轮廓模型，用于分割具有色度和纹理差异的医学图像数据。

2.根据权利要求1所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S1从HIS空间图像中获得色度图像步骤包括：S1-1，色度图像IH作为图像的全局颜色信息，色度是使用角度来反映空间波长的一种颜色信息，其中θ∈[0，2π]，Ir，Ig，Ib是RGB空间上图像在R，G，B通道上的像素值。

3.根据权利要求1所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S1从HIS空间图像中获得饱和度图像步骤包括：S1-4，计算饱和度图像IS(x)，在饱和度图像IS(x)上获得局部纹理信息，图像饱和度IS计算如下：其中Ir，Ig，Ib是RGB空间上图像在R，G，B通道上的像素值。

4.根据权利要求2所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S2归一化规则步骤包括：S2-1，获取经过计算后的全局颜色信息图像IHue(x)，自定义的归一化规则对图像进行归一化，获得归一化图像I'h，根据如下公式：S2-2，利用高斯低通滤波对I'h图像进行平滑处理获得计算后反映全局颜色信息的色度图像IHue(x)，如下：IHue(x)＝G(x)*Ih'(x)

G(x)高斯低通滤波器。

5.根据权利要求1所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S3包括：S3-1，计算局部纹理信息图像Itexture(x)；

获得纹理图像Itexture(x)，计算如下：Ω'(p)＝{q∈N(p):|IS(p)-IS(q)|＞v}，其中，p为图像数据像素标号，N(p)＝{q∈IS:|px-qx|≤k,|py-qy|≤k,k∈z}，N(p)以k为尺度以q为中心的方形区域内的像素点集合，Z是实数集合，|·|表示集合中元素的个数，Ω'(p)指代灰度不均匀的像素点集合，q表示中心像素点坐标或者标号。

6.根据权利要求1所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S4图像信息嵌入到基于区域活动轮廓模型步骤包括：S4-1，获取全局颜色能量泛函，将全局颜色信息嵌入基于区域活动轮廓模型之中，全局颜色能量泛函计算公式为：分别表示初始化曲线C内部和外部的颜色信息平均值；

S4-2，获得局部纹理信息能量泛函，将局部纹理信息嵌入基于区域活动轮廓模型之中，局部纹理信息能量泛函计算公式为：和 分别是图像Itexture(x)中初始化曲线C内部和外部的平均值。

7.根据权利要求1所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，所述S4分割具有色度和纹理差异的医学图像数据步骤包括：A，初始化水平集函数φ0＝φ0和n＝0；

B，在色度图像通道上获得带有全局颜色信息的图像IHue(x)；

C，在饱和度图像通道上通过自适应阈值的PIF算子，获得带有局部纹理信息的图像Itexture；

D，固定水平集轮廓函数φn，通过如下公式：计算拟合变量

E，固定拟合变量 通过如下公式：

n+1

迭代计算出φ ；

F，检查是否满足条件停止条件：如果不满足，n＝n+1，返回到D；

G，输出最终医学图像数据和φn。

8.根据权利要求7所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，其特征在于，还包括：将全局颜色信息和局部能量信息嵌入到基于区域的活动轮廓之中并添加规则化项，如下所示：λ1和λ2是大于0的常量，EH为全局颜色能量泛函，ET为局部纹理信息能量泛函，ER表示初始曲线C的长度，计算如下：ER＝μ·Length(C)，其中μ≥0；

在水平集框架下，将

改成如下的能量泛函：

其中，H是Sigmoid函数H1,ε(z)，如下所示：

说明书

基于色度的颜色和空间不均匀的纹理差异双通道医学图像的

分割方法

技术领域

[0001] 本发明涉及计算机视觉图像分割领域，尤其涉及一种基于色度的颜色和空间不均匀的纹理差异双通道医学图像（NBI）的分割方法。

背景技术

[0002] 目前，ME-NBI（奥林巴斯研发的一种医学成像器械）内镜已经成为一种用于人的肠胃道的疾病检测的有效的工具。其放大高清的图像质量能够很好的描述人体肠胃道中的黏膜上层及下层的血管和腺管等微组织的形态和颜色，是一种诊断肠胃道疾病（如：早期癌，慢性炎症等）的可靠依据。但是，根据ME-NBI图像的诊断，主观性强，分类粗放且初学者门槛高，学习曲线陡。同时，随着病人数量的增多，图像数量庞大，然而这些海量的图片数据只能由专业的内镜医务人员进行人工判读，工作强度大、效率低、消耗大量的时间。因此，寻找一种可靠的高效的方法为专业人员自动分割感兴趣的区域，降低时耗，提高效率。这就亟需本领域技术人员解决相应的技术问题。

发明内容

[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于色度的颜色和空间不均匀的纹理差异双通道医学图像（NBI）的分割方法。

[0004] 为了实现本发明的上述目的，本发明提供了一种基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，包括：

[0005] S1，采集医学图像数据，对该图像数据进行初步筛选，获得具备差异性的图像数据，将具备差异性的图像数据进行空间转换，从RGB空间图像转化到HIS空间图像，从HIS空间图像中获得色度图像IH和饱和度图像IS；

[0006] S2，使用归一化规则对色度图像IH进行归一化转换，然后对归一化后的色度图像进行高斯低通滤波，获得最终的用于分割的带有全局颜色信息的图像IHue；

[0007] S3，在饱和度图像IS上通过自适应阈值的PIF纹理描绘子描述纹理特征，获得带有局部纹理信息的图像Itexture；

[0008] S4，将IHue和Itexture的图像信息嵌入到基于区域活动轮廓模型（C-V模型）中，构建出色度纹理嵌入的基于区域活动轮廓模型，用于分割具有色度和纹理差异的医学图像数据。

[0009] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S1从HIS空间图像中获得色度图像步骤包括：

[0010] S1-1，色度图像Ih作为图像的全局颜色信息，色度是使用角度来反映空间波长的一种颜色信息，

[0011]

[0012]

[0013] 其中θ∈[0，2π]，Ir，Ig，Ib是RGB空间上图像在R，G，B通道上的像素值。

[0014] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S1从HIS空间图像中获得饱和度图像步骤包括：

[0015] S1-4，计算饱和度图像Is(x)，在饱和度图像Is(x)上获得局部纹理信息，图像饱和度Is计算如下：

[0016] 其中Ir，Ig，Ib是RGB空间上图像在R，G，B通道上的像素值；

[0017] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S2归一化规则步骤包括：

[0018] S2-1，获取经过计算后的全局颜色信息图像IHue(x)，

[0019] 自定义的归一化规则对图像进行归一化，获得归一化图像I'，根据如下公式：

[0020]

[0021] S2-2，利用高斯低通滤波对I'图像进行平滑处理获得计算后反映全局颜色信息的色度图像IHue(x)，如下：

[0022] IHue(x)=G(x)*I'h(x)

[0023] G(x)高斯低通滤波器。

[0024] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S3包括：

[0025] S3-1，计算局部纹理信息图像Itexture(x)；

[0026] 获得纹理图像Itexture(x)，计算如下：

[0027]

[0028] Ω'(p)＝{q∈N(p):|I(p)-I(q)|＞v}，其中，p为图像数据像素标号，N(p)={q∈I:|px-qx|≤k,|py-qy|≤k,k∈z}，N(p)以k为尺度以q为中心的方形区域内的像素点集合，Z是实数集合，|·|表示集合中元素的个数，Ω'(p)指代灰度不均匀的像素点集合，q表示中心像素点坐标或者标号。

[0029] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S4图像信息嵌入到基于区域活动轮廓模型步骤包括：

[0030] S4-1，获取全局颜色能量泛函，将全局颜色信息嵌入基于区域活动轮廓模型之中，全局颜色能量泛函计算公式为：

[0031]

[0032] 分别表示初始化曲线C内部和外部的颜色信息平均值；

[0033] S4-2，获得局部纹理信息能量泛函，将局部纹理信息嵌入基于区域活动轮廓模型之中，局部纹理信息能量泛函计算公式为：

[0034]

[0035] 和 分别是图像Itexture(x)中初始化曲线C内部和外部的平均值。

[0036] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，所述S4分割具有色度和纹理差异的医学图像数据步骤包括：

[0037] A，初始化水平集函数φ0=φ0和n＝0；

[0038] B，在色度图像通道上获得带有全局颜色信息的图像IHue(x)；

[0039] C，在饱和度图像通道上通过自定义的PIF算子，获得带有局部纹理信息的图像Itexture；

[0040] D，固定水平集轮廓函数φn，通过如下公式：

[0041]

[0042]

[0043]

[0044]

[0045] 计算拟合变量

[0046] F，固定拟合变量 通过如下公式：

[0047]

[0048] 迭代计算出φn+1；

[0049] F，检查是否满足条件停止条件。如果不满足，n＝n+1，返回到D；

[0050] G，输出最终医学图像数据和φn。

[0051] 所述的基于色度的颜色和空间不均匀的纹理差异双通道医学图像的分割方法，优选的，还包括：

[0052] 将全局颜色信息和局部能量信息嵌入到基于区域的活动轮廓之中并添加规则化项，如下所示：

[0053]

[0054] λ1和λ2是大于0的常量，EH为全局颜色信息能量泛函，ET为局部饱和度信息能量泛函，ER表示初始曲线C的长度，计算如下：

[0055] ER＝μ·Length(C)，其中μ≥0；

[0056] 在水平集框架下，将

[0057] 改成如下的能量泛函：

[0058]

[0059] 其中，H是Sigmoid函数H1,ε(z)，如下所示：

[0060]

[0061] 综上所述，由于采用了上述技术方案，本发明的有益效果是：

[0062] 本发明所给出的分割方法对于分割具有颜色和纹理差异的NBI图像，具有适应性强和定位医学感兴趣区域能力强等优点，为专业人员自动分割感兴趣的区域，降低时耗，提高效率。

[0063] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0064] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

[0065] 图1是本发明总体示意图。

具体实施方式

[0066] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

[0067] 在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0068] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

[0069] 如图1所示，我们提出了一种基于双通道的视觉特征提取的自动分割的方法，该方法是基于图像的纹理和颜色两个视觉特征，并将其嵌入到基于区域的活动轮廓之中，创建了Hue-texture-embedded region-based model用于分割出NBI图像中感兴趣的区域（region of interest ROI）。首先，我们基于色度信息，获得图像的全局颜色能量函数；然后，我们基于饱和度图像和自适应阈值的PIF算子获得图像的局部纹理能量函数；最后，我们将颜色能量和纹理能量分别嵌入到C-V模型（基于区域活动轮廓模型）之中（公式1），构建出我们的Hue-texture-embedded region-based model，用于自动分割。

[0070]

[0071] 其中μ,v≥0；λ1,λ2>0是固定常量。lengt(C)是初始化曲线C的长度，inside(C)是初始化曲线C的内部，outside(C)是曲线C的外部。area(inside(C))是初始化曲线C内部的面积。I(x)是被分割的图像，c1和c2分别是曲线C内部和外部的平均值。

[0072] 1.全局颜色泛函

[0073] (1)获取色度图像Ih(x)

[0074] 我们选用HIS颜色空间来提取图像的颜色特征，HIS空间不仅适合描述视觉的颜色特征同时也解释和反映了图像颜色和图像灰度信息之间的内部联系。颜色的提取，我们选用色度图像（H图像）作为图像的全局颜色信息（公式2），色度是使用角度来反映空间波长的一种颜色信息。

[0075]

[0076]

[0077] 其中θ∈[0，2π]，Ir，Ig，Ib是RGB空间上图像在R，G，B通道上的像素值。

[0078] （2）获取“干净”的全局颜色（色度）信息图像IHue(x)

[0079] 但是，从NBI图像中获得的原始的色度图像中，存在太多的无关信息的干扰。因此，我们通过2步来获得更加“干净”的图像，第一步，我们使用本发明自定义的归一化规则对图像进行归一化，获得归一化图像I'h，根据如下公式：

[0080]

[0081] 第二步，利用高斯低通滤波对I'h图像进行平滑处理获得“干净”的反映全局颜色信息的色度图像IHue(x)，如下：

[0082] IHue(x)=G(x)*I'h(x)   （4）

[0083] G(x)高斯低通滤波器。

[0084] （3）获取全局颜色能量泛函

[0085] 最终，将全局颜色信息嵌入C-V模型之中，获得全局颜色能量泛函：

[0086]

[0087] 分别表示初始化曲线C内部和外部的颜色信息平均值。

[0088] 2.局部纹理能量泛函

[0089] 仅仅通过全局颜色信息来分割复杂的NBI图像是无法获得满意的结果的，所以像素间的局部空间关系不容忽视。我们通过这种局部空间关系来获得图像的局部纹理信息。
在一幅图像的局部空间关系之中，根据一定的评估准则，中心像素点的空间邻域值要么就与其邻域值相似，反之则不相似。不同的评估准则，可以获得不同空间编码，有不同的纹理表述方法。

[0090] （1）自适应的PIF局部纹理描述方法

[0091] 我们选用PIF（pixel inhomogeneity factor）像素不一致因子准则来进行空间纹理特征描述，如下所示：

[0092]

[0093] Ω'(p)＝{q∈N(p):|I(p)-I(q)|＞v}

[0094] 其中|·|表示集合中元素的个数，

[0095] N(p)={q∈I:|px-qx|≤k,|py-qy|≤k,k∈z}以k为尺度以q为中心的方形区域内的像素点集合。

[0096] 阈值v的设定是决定图像纹理特征信息表达好坏的关键，但是，硬性的规定v的值并不能很好的满足NBI图像纹理特征的提取。所以，我们提出了一种自适应阈值的PIF（pixel inhomogeneity factor），v的取值方法如下所示：

[0097] 1）获得水平，对角线，垂直和斜对角线方向与中心像素点之间的距离集合，如下所示：

[0098] D0°I(x)={|I(i,j)-I(i+1,j)|;i=1,2,3,...,m-1,j=1,2,3,...,n}

[0099] D45°I(x)={|I(i,j)-I(i+1,j1)|;i=1,2,3,...,m-1,j=2,3,4,...,n}

[0100] D90°I(x)={|I(i,j)-I(i,j+1)|;i=1,2,3,...,m,j=1,2,3,...,n-1}

[0101] D135°I(x)={|I(i,j)-I(i-1,j-1)|;i=2,2,3,...,m,j=2,2,3,...,n}   （7）

[0102] 其中D0°I(x),D45°I(x),D90°I(x),D135°I(x)分别表示图像中以像素点I(i,j)为中心的方形邻域中水平，对角线，垂直和斜对角线方向的像素点与中心像素点I(i,j)之间的距离集合；

[0103] 2）分别计算水平，对角线，垂直，斜对角线距离集合中的距离频数，获得距离频数集合C(DdI(x))(d=0°,45°,90°,135°)，获得C(DdI(x))集合中频数处于最中间的值，然后获得其对应的距离值，如下所示：

[0104] M(DdI(p))={DdI(p):min(median[C(DdI(x))])}   （8）

[0105] M(DdI(p))表示在方向为D的距离集合中，在点p处获得频数处于最中间的距离值，min(median[C(DdI(x))])表示，当处于最中间的频数所对应的距离值不止一个的时候，去这几个距离值中最小的一个值。

[0106] 3）计算阈值v，如下：

[0107]

[0108] 通过结合公式（6）-（9），获得自适应阈值的PIF描绘子。

[0109] （2）计算饱和度图像（S图像）Is(x)

[0110] 在饱和度图像Is(x)上获得局部纹理信息，图像饱和度Is计算如下：

[0111]

[0112] （3）计算局部纹理信息图像Itexture(x)

[0113] 结合公式（6）-（10），获得纹理图像Itexture(x)，计算如下：

[0114]

[0115] Ω'(p)＝{q∈N(p):|Is(p)-Is(q)|＞v}

[0116] （4）获得局部纹理信息能量泛函

[0117]

[0118] 和 分别是图像Itexture(x)中初始化曲线C内部和外部的平均值。

[0119] 3.Hue-Texture-Embedded Region-Based Model（色度纹理嵌入的基于区域活动轮廓模型）和数值计算

[0120] （1）模型建立

[0121] 结合公式（5）和（12）将全局颜色能量泛函和局部纹理信息能量泛函嵌入到基于区域的活动轮廓之中并添加规则化项，如下所示：

[0122]

[0123] λ1和λ2是大于0的常量。

[0124] ER表示曲线C的长度是规则化项来避免初始化轮廓C的重新初始化，计算如下：

[0125] ER＝μ·Length(C)   (14)

[0126] （2）数值计算

[0127] 为了解决我们所提出的能量泛函E最小化问题，我们将在水平集框架下解决这一问题。在水平集框架下，我们将

[0128] 改成如下的能量泛函：

[0129]

[0130]

[0131] 其中，H是Sigmoid函数H1,ε(z)，如下所示：

[0132]

[0133] 由于这是一个无约束优化问题，所以可以通过分别对拟合4个变量和活动轮廓变量进行交替计算，如下所示，

[0134] 1）固定水平集轮廓函数，根据 最小化能量函数E，如下：

[0135]

[0136]

[0137]

[0138]

[0139] 2)固定拟合变量 根据水平集函数φ最小化能量函数E，如下：

[0140]

[0141] 迭代计算出φn+1

[0142] t≥0是一个人工时间变量，表示梯度下降方向，通常初始化水平集轮廓为φ0=φ(0)，δ是一个平滑Dirac函数，其是H1,ε的导数，如下所示：

[0143]

[0144] 综上所述，Hue-texture-embedded region-based model的主要计算步骤，如下所示：

[0145] 步骤1：初始化水平集函数φ0=φ0和n＝0；

[0146] 步骤2：在H通道上获得带有全局颜色信息的图像IHue(x)；

[0147] 步骤3：在S通道上通过自定义的PIF算子，获得带有局部纹理信息的图像Itexture(x)；

[0148] 步骤4：通过公式（17）计算拟合变量

[0149]

[0150] 步骤5：通过公式（18）和演化曲线φn，获得演化曲线φn+1；

[0151] 步骤6：检查是否满足条件停止条件（等式E达到最小值或者达到迭代次数）。如果不满足，n＝n+1，返回到步骤4；

[0152] 步骤7：输出结果图像和φn。

[0153] 效果展示

[0154] 1、实验1

[0155] 1）挑选图像

[0156] 实验挑选了12张拥有同种NBI成像模型，染色效果和放大倍数，但是具有不同程度的颜色和纹理差异性的图像：

[0157] 2）实验结果

[0158] 表1

[0159]方法 AFm AFPR
Our model 0.61 0.16
C-V model 0.52 0.32

[0160] AFm和AFPR用于评估分割结果的好坏，其中AFm值越大，效果越好;AFPR值越小，效果越好。AFm是平均F-measure值，综合表示分割结果的精确率和回召率，AFPR是平均FPR值，表示分割结果的错误率。

[0161] 从表中可以看成，我们的方法不论是错误率还是准确率均优于传统的基于区域的分割方法。表明我们的方法用于分割差异性NBI图像分割是一种有效的方法。

[0162] 2.实验2

[0163] 1）挑选图像

[0164] 实验2挑选5张不同模式，不同染色的图像，

[0165] 2）实验结果

[0166] 表2

[0167]

[0168] 我们的方法同样能更好的适用于不同成像设置（不同染色，不同模式，不同放大倍数）的NBI差异性图像。

[0169] （3）实验3

[0170] 1）挑选图像

[0171] 实验3，我们在图像数据库中，随机挑选了113张不同人和不同部位的NBI差异图像。

[0172] 2）实验结果

[0173] 表3

[0174]

[0175] 实验3是为了证明我们的方法相对于传统的基于区域分割的方法而言，其定位医生感兴趣区域的能力更强。这些都能从表3中可以看出。

[0176] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0177] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。