[发明专利]一种高效的基于博弈框架的医学图像分割方法

权利要求书

1.一种高效的基于博弈框架的医学图像分割方法，其特征是，该方法采用博弈框架模型、索贝尔边缘检测算法和大津阀值自适应算法对图像进行操作，包括样本集合建立，图像预操作，选定候选点集合和详细分割四个部分，具体步骤如下：

第一步，在图像数据库中选取N幅图像作为训练集，每幅图像手工标定T-形连接处、拐角点和等间距的轮廓边界的中间点共n个特征点。接下来计算训练集中每张样本图像中标记点图像强度和标记位置的平均值和标准差，存储在内存空间中。由于每次分割新的图像时，样本集和不变，因此存储样本集合中标记点图像强度和标记位置的平均值和标准差避免了Ibragimov,B提出的基于标记的博弈论框架图像分割技术中存在的每次分割图像都必须重复计算上述参数的问题；

第二步，加载源图像，通过计算图像的强度梯度确定源图像的二值化边缘图像；

1.分别将两个方向模板沿着图像从一个像素移到另一个像素，并将模板的中心像素与图像中的某个像素位置重合；

2.分别将模板内的系数与其对应的图像像素值相乘，得到水平方向和垂直方向的偏导数值x_s，y_s；

3.将x_s，y_s分别求绝对值并相加，作为该像素的新灰度值；

4.根据Otsu阈值自适应算法确定一个合适的阈值TH，再根据阈值TH，若像素的新灰度值大于TH，则判断该像素点为边缘点，得到源图像的二值化图像；

Otsu阈值自适应算法流程如下：

1)在灰度级为L的灰度图像中，灰度值为i的像素个数用表示，总的像素个数用n表示，其中n＝n₁+n₂+Λ+n_L-1；用p_i表示灰度图像中灰度值i出现的概率，则：

pi=nin---(1)]]>

其中，Σl=0L-1pi=1.]]>

2)将图像中的像素按灰度值用阈值t分成两类C₀和C₁，即C₀={0,1,2,…,t},C₁={t+1,t+2,…L-1}。则这两类像素C₀、C₁出现的概率ω₀、ω₁分别为：

ω0=Σi=0tpi=ω(t)---(2)]]>

ω1=Σi=t+1L-1pi=1-ω(t)---(3)]]>

显然，ω₀+ω₁=1。

C₀、C₁的均值μ₀、μ₁和图像的总均值μ_T分别为：

μ0=Σi=0tipiω0=μ(t)ω0---(4)]]>

μ1=Σi=t+1L-1ipiω1=μT-μ(t)ω1---(5)]]>

μT=Σi=0L-1ipi=μ0ω0+μ1ω1---(6)]]>其中，μ(t)=Σi=0tipi.]]>

C₀、C₁的方差σ₀²、σ₁²分别为：

σ02=Σi=0t(i-μ0)2piω0---(7)]]>

σ12=Σi=t+1L-1(i-μ1)2piω1---(8)]]>

C₀、C₁的类间方差σ_B²和类内方差σ_W²分别为：

σ_B²=ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²  （9）

σ_W²=ω₀σ₀²+ω₁σ₀₁²  （10）

Otsu法取类间方差最大同时类内方差最小时对应的t作为最佳阈值,记为则：

因为最大类间方差准则与最小类内方差准则是等价的,因此，公式（11）亦可写成：

或者：

选取式（13）作为阈值选取准则。对公式（9）进一步简化得：

σB2=ω0ω1(μ0-μ1)2=[μ(t)-μTω(t)]2ω(t)[1-ω(t)]---(14)]]>

第三步，重新加载源图像，根据样本集合上的标记位置，确定源图像上标记候选点的位置。任意确定一个包含某一标记p的候选点集合Sp内全部候选点的区域Q，找到集合S_p内所有候选点的最大和最小横坐标及纵坐标。计算出横坐标最大距离d_x，纵坐标最大距离d_y。从而确定一个面积为的区域Q，然后以国际棋盘的样式，从奇数行中取第1,3,5···个点，偶数行中取2,4,6，···点，均匀地从区域Q中取出个点,组成集合Q_p。

在第二步得到的源图像的二值化图像中边界点为黑点，背景点为白点。取出这些显示为黑色的点，组成集合B_p。在区域Q内，取出即属于Q_p又属于B_p的点，组成新的标记候选点集合。

第四步，结合新的标记候选点集合，使用基于博弈框架的图像分割方法，对源图像进行分割，获得最佳分割候选点位置集合。

其步骤具体如下：

计算候选点的强度似然：

fp(v)=Σn∈Nv1σp(n)exp(-(I(n)-μp(n))22σp(n)2)---(15)]]>

其中，μ_p(n)和σ_p(n)分别为训练集图像上标记p的周围点p(n)图像强度的平均值和标准差。

计算候选点的角度似然：

计算候选点的距离似然：

Dpiq(d)=Σi∈T1σdexp(-(dpiq(i)-d)22σd2)---17]]>

计算形状似然：

其中，Δ和θ分别为距离及角度常量，λ为权重。

结合加权后的强度似然和形状似然，得到图像似然：

其中，Δ和θ分别为距离及角度常量，τ为权重。

接下来进行博弈分割计算：

1.生成支付矩阵W，标记集合P。

2.从训练集选择任意一个标记p，p∈P。

引入最大支付效用ψ^*，初始化为ψ^*=0。引入最佳策略集合σ^*，并初始化为σ^*={…}。

3.对标记p对应于目标图像的目标点的所有策略点集合S_p的每一个元素s_p执行如下操作：

1)引入集合S；并初始化为S={S_p}。

2)当中有标记时，即选出任意一个标记q，计算出使得得失最大的最佳策略

将标记q移出将添加到S。并计算效用Ψ_q。

由于每次分割图像时使用的支付矩阵仅与待分割图像有关，每个支付矩阵的内容在计算过程中仅使用一次，因此本发明在此计算过程结束后丢弃支付矩阵，此步骤节省了大量的内存消耗。

3)当标记q满足计算效用的总和Ψ。如果效用总和大于最大效用，则替换最大效用与最佳策略点集合；反之亦然。

4)对下一个标记p，重复以上步骤。最终得到最佳策略集合。

其中，Q表示包含了候选点S_q的区域，和分别为微调的距离和角度分量。

4.对得到的最佳策略集合进行微调，得到最终的最佳策略集合σ。

第五步，基于上一步骤获得的最佳分割候选点集合，通过最佳路径选取方法，获取相邻标记间的路径，形成连通图，得到最终的分割结果。