一个基于HMM和特征重叠抽取技术的的对象定位方法研究.pdfVIP

第14届中国神经网络学术会议论文集 一个基于HMM和特征重叠抽取技术的的对象定位方法研究 郁斌徐涛 南京航空航天大学信．电科学与技术学院 南京210016 yubin@dinner．corn．c11 摘要本文以医学图像中眷柱的定位为应用背景，采取对象特征重叠抽取技术，提出了一种基于隐马 尔可夫模型(HMM)进行二雏图像中线性结构对象定位的新方法，并以真实的人体脊拄x光照片为实 验样本进行了定位实验．实验结果表明：HMM模型不需要对图像施加较多的限制，就可获得较成功的 定位结果，同时加入了特征重叠特征抽取技术后，定位效果有了进一步的提高．本文还通过实验分析了 实现特征重垒抽取的采样窗口的变化及重叠度对定位性能的影响． 关键词对象定位，隐马尔可夫模型，脊柱，医学图像，特征重叠抽取 1．引言 Markov 隐马尔可夫模型(Hidden 过程的模型，具有一套完整的理论、方法及算法体系，其坚实的理论基础使它得以蓬勃发展。20世纪80 年代以后就成功应用于语音信号的数字处理，并逐渐发展成为现代语音识别主流技术的基础。它可以很 好地描述信号的平稳性和可变性，国内外计算机视觉研究者从中受到了很大启发，在HMM的理论和应用 像分割算法p]，并应用于文档及航空图像的分割等，其性能明显优于传统的基于分块的图像分割算法。 J。这些应用成果 展和应用【61。xu对Viterbi算法进行了改进并在医学图像对象定位上取得了良好的效果17 充分显示HMM理论框架已经显示出广阔的应用前景和发展潜力。 然而，文”1在图像对象定位中，特征的提取采用了简单的提取单行像素的特征提取方式-·这种特征 提取方式往往会丢失相当一部分特征信息．达不到最优的对象定位效果。为了解决这个问题，本文在此 基础上提出了具有重叠度的特征抽取方法，并分析了不同重叠度下的定位效果的差异，获得了良好的定 位效果。 2．隐马尔可夫模型(HMM) HMM的理论由Baum首先提出的。它是一种用概率统计的方法来描述非静止(即信号的统计特性 含有限的状态、状态转移概率矩阵和一个初始状态概率分布；(2)与Markov链每一状态相关联的一个 输出概率密度函数集。 通常．一个HMM可以用如下四元组定义： 五=(Ⅳ，A，B，兀) (1) 其中．Ⅳ：模型中状态的数量 A：状态转移概率矩阵 B：观察输出概率矩阵 人工神经网络与自然计算研究进展 n：初始状态概率分布 3．图像中线性结构对象的特征表示与提取 二维图像中的对象很多具有一维或线性结构的内在特点。其表现为在对象中存在一条中心轴线．本 文针对医学上的脊柱灰度图像，用来实现对人体脊柱中心轴线的定位． 一般说来，中心轴线由沿对象方向的一系列中心点组成，可用如下序列形式表示： 【cl，c2，…·q，…-臼J 其中：c；为中心轴上第f个点的坐标，丁为中心轴线长度． 翻 卜 口q 方向 圈1沿对象中心轴进行特征采样 因此．每一个线性结构对象可由指示其内在方向性的中心轴线表示，沿这个中心轴线使用采样技术 可以获得特征矢量序列(如图l所示)·其中第f个特征矢量记作岛，该特征矢量以中心轴线上的点q为 中心。采样窗口在图像中沿中心轴线移动可得到特征矢量序列(又称观察序列)如下： O(01，D2，．．．，q．．．．，唧) 图2脊柱图像中特征矢量采样窗口及重叠量 闰3重叠采样窗口获取的相邻两对象特征矢量 于是·每个特征矢