一种改进分水岭乳腺肿块图像分割的方法.docVIP

一种改进分水岭乳腺肿块图像分割的方法 　　摘要：针对分水岭算法对噪声敏感、易产生过分割现象的问题，在图像的滤波和区域合并方法上做了改进.该算法首先对肿块图像做初步预处理，设计高斯差分滤波器，实现平滑滤波，增强图像的信噪比，并计算图像的梯度幅值；然后，依据传统分水岭变换算法进行粗分割，计算各个子区域的灰度均值并排序，依次合并灰度均值相似的区域，直到将整个肿块区域完整分割出来；最后，保留合并后灰度均值最大的肿块区域，去除灰度值较小的区域，得到最后的分割结果.实验结果表明：该算法相较于三层地形分割方法、自适应区域生长算法和二次分水岭算法，能够得到更准确的肿块边缘轮廓，误分率减少到23.07%，运行速度高. 　　关键词：高斯差分滤波；分水岭变换：灰度均值；区域合并 　　DOI：10.15938/j.jhust.2015.05.005 　　中图分类号：TN911.73 　　文献标志码：A 　　文章编号：1007-2683（2015）04-0025-05 　　0 引言 　　乳腺钼靶X射线成为乳腺癌早期诊断的重要依据，乳腺肿块的分割是医生进行高层次图像处理及图像分析的重要基础，肿块图像分割是将图像中互相不交叉的感兴趣区域（ROI，Region of Interest）和背景区分开，每个区域都满足特定区域的一致性特点.因为分水岭算法可以得到比较窄的、封闭的分割线及对细微的灰度变化非常敏感等特点心，应用在乳腺肿块分割中可以实现比较好的效果. 　　然而，分水岭算法在分割图像时会受到肿块周围的腺体、血管、脂肪组织等干扰，使算法对图像中的伪边缘进行误判，分割出过多小区域，造成过分割现象.国内外许多学者已对分水岭分割算法的缺点进行了改进.文提出一种基于分水岭和核聚类算法的图像分割算法，对分割成的多个小区域进行聚类分析，但由于数据量的有限性，聚类分析不能得到准确的肿块轮廓.文利用区域邻接图的邻接数据结构描述过分割区域之间的关系，采用分级阈值合并的方式完成区域快速合并，而肿块与周围腺体组织的灰度相似性会导致误分割，从而影响分割精度.文提出一种结合形状特征和改进标记分水岭的图像肿块方法，自适应的选择形态学参数，但肿块的形状特征参数复杂多变，尤其是恶性肿块，很难确切构建适应性强的形状模板，不能得到准确的肿块轮廓. 　　本文在分水岭分割算法对背景噪声非常敏感的情况下，对肿块图像感兴趣区域做初步预处理后，设计高斯差分滤波器，将二维滤波器分解成两个一维的高斯滤波核函数，与原图像卷积滤波，得到对比度增强的图像.应用基于传统标记分水岭算法进行粗分割得到多个小区域，标记子区域，计算各个区域的灰度均值并排序，合并灰度值相似的区域，直到得到完整的肿块轮廓.最后保留灰度均值最大的区域，去除灰度均值较小的区域，得到肿块边缘的准确分割图像. 　　1 图像预处理 　　首先利用最小二乘平面拟合的方法拟合出背景平面，将原来的ROI图像与背景平面差运算后的图像进行线性拉伸得到去除背景的图像.然后利用形态学方法增强图像的对比度，得到肿块所在的高亮度感兴趣区域，最后，进行高斯差分滤波，增强图像对比度，尽可能保留图像的边界信息，得到梯度图像. 　　2.1 背景去除 　　首先利用多点最小二乘方法拟合背景平面，设背景平面方成为： 　　那么对于一系列的n个点（n≥3），记为（Xi，yi，Zi），i=0，1，2，…n-1要拟合出背景平面则需要求出拟合值与原ROI图像的背景平面值之间的平方和，如： 　　解上述线性方程，的到系数a0、a1与a2，代人式（1），即得到感兴趣区域的背景平面，再将原图像与背景平面做差运算后得到去除背景趋势结果. 　　1.2 形态学增强 　　高帽变化（Top-hat）是原始图像与图像开运算结果之差，低帽变化（Bot-hat）是图像的闭运算结果与原始图像之差，假设原始图像为f，结构元素为b，高、低帽变化的定义为： 　　高帽变换： 　　低帽变化： 　　高帽变化具有高通滤波的特性，常用于暗背景上的亮物体，突出图像的高亮度区域；低帽变化能检测出图像的像素谷值，常用于亮背景上的暗物体，突出肿块图像的背景区域. 　　形态学增强的步骤是将高帽变化的图像与原图像做和，再与低帽变化的图像做差，最后对图像数据进行取反运算，达到图像灰度增强效果. 　　1.3 高斯差分滤波算子 　　高斯滤波器是一种根据高斯函数的形状来选择权值的线性平滑滤波器.本文设计的高斯差分滤波器的基本思想是：由高斯函数的可分离性得到，将二维高斯滤波器用两个一维滤波器逐次卷积来实现，一个沿水平方向，一个沿垂直方向，可以提高滤波效果和计算速度.两个一维高斯核函数的公式为：一维高斯低通滤波核函数为： 一维高斯高通滤波核函数为： 　　在进行边缘检测处理时，用高斯函数的一阶导数作为阶跃边缘的