[发明专利]一种基于超像素模糊聚类的脑部MR图像分割方法

说明书

技术领域

本发明涉及医学图像分割领域，具体地说是一种基于超像素模糊聚类的脑部MR图像分割方法。

背景技术

医学影像处理与分析借助于图形图像技术的有力手段，利用现有的医学影像设备极大地提高了医学临床诊断水平，为医学的研究与发展提供了坚实的基础，具有重要应用价值。核磁共振技术是一种非侵害性的医学成像技术，通过分析MR图像序列，我们可以得到具有高分辨率的带有解剖学和功能信息的3D图像，这有利于提高诊断水平和对疾病的处理。随着统计学理论、模糊集理论、机器学习理论在图像分割领域应用的不断深入，近几十年来，很多新的方法与思想被应用于医学图像分割领域，其中比较有代表性的有模糊c—均值聚类法以及超像素分割算法。

模糊c—均值聚类算法具有无监督、实现简单、运算速度快等特点，能够准确地分割对比度比较明显、信噪比较高的图像，但也存在着明显的不足。它在聚类过程中仅考虑了单个像素的灰度值分别与各聚类中心的距离，各像素间的数据是相互独立的，未考虑相邻像素之间的影响，也就是未能利用空间信息。因此运用模糊c—均值聚类法分割叠加了噪声的低信噪比MR脑部图像时，会产生较大的偏差。此外，面对某些存在灰度不均现象的图像，如果单纯只用模糊c—均值聚类法进行分割，由于图像整体灰度值对比度较差，因此分割准确率也会比较低。

超像素分割方法能够有效利用空间约束信息，具有一定的抗噪性，并且在强化图像局部一致性的同时保留了图像原始边界信息，超像素分割出来的原子区域还包含了单个像素所不具备的一些图像特征，比如形状、边界轮廓信息以及区域灰度直方图等，有利提高的图像处理的准确度，而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。另外，对于某些图像存在的灰度不均现象，超像素作为原子区域其内部的灰度值差异较小，整体的灰度不均现象则不存在于超像素中，有效的避免了此现象对图像分割的影响。

发明内容

本发明为克服上述现有技术的不足，提供一种基于超像素模糊聚类的脑部MR图像分割方法。该方法可以充分利用模糊聚类在医学图像处理中的优势，并使用超像素方法有针对性的加强空间约束信息以及有效的处理灰度不均问题，弥补了单纯使用模糊c—均值聚类算法在处理噪声和偏场方面的不足，提高了脑部MR图像分割的准确性和鲁棒性。

为实现上述目的，本发明采用如下技术方案：

一种基于超像素模糊聚类的脑部MR图像分割方法，它的步骤为：

第一步，获取MR图像；

第二步，对MR图像进行超像素分割，得到若干原子区域；

第三步，对灰度值方差较大的原子区域进行二次细化分割；

第四步，对原子区域进行模糊聚类，得到每个原子区域的类别隶属度；

第五步，对于隶属度不够明确的原子区域定义其为模糊块，并用函数迭代方法实现模糊块的归属类判别；

第六步，对原子区域进行超像素合并操作，获得图像分割结果。

所述第二步中，采用超像素分割算法对图像进行超像素分割，得到L个超像素R_i{i=1,2,…,L}。

所述第三步中，采用自动阈值分割法进行二次分割：对每个超像素内部灰度值进行方差计算，将获得的方差与设定阈值进行比较，如果大于该阈值，则进行二次分割，然后计算超像素灰度均值；如果小于该阈值，则直接计算超像素灰度均值；为减少噪音点对分割准确度的影响，引入一个比例参数t，仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留，以抑制噪音点的影响；经过二次分割后，总共产生了K个超像素R_i{i=1,2,…,K}，K≥L，这K个超像素即是第四步骤所要处理的对象。

所述第四步中，模糊聚类采用模糊c—均值聚类方法，对于MR脑图像，将其内容分为灰质、白质和脑脊液三部分，在模糊c—均值聚类时将聚类数固定设置为三类；聚类时，以每个超像素内部的平均灰度值μ作为聚类参数，通过对上节产生的K个超像素R_i{i=1,2,…,K}进行聚类，得到聚类中心C(c₁,c₂,c₃)以及隶属度矩阵U，每个超像素的分类通过U来确定。

所述第五步中，归属类判别的实现采用基于巴特沃斯函数迭代方法实现模糊块的归属类判别：