基于k－均值聚类及信息融合的角膜病灶图像分割方法

暂无

技术领域\n本发明涉及医学图像领域及外眼病的临床诊断治疗，设计了一种结合外 眼病图像特征，基于改进的k-均值聚类及信息融合的角膜病灶图像分割方法， 将病灶从角膜病灶图像中分割出来以便于随后的特征分析。\n背景技术\n与角膜病灶图像分割相关的背景技术如下：\n角膜病灶图像分割即角膜病灶图象中的角膜区域分割，是图象分割方法 的一种具体应用。根据使用知识的特点与层次，通常的图象分割一般分为数 据驱动与模型驱动两大类型。诸如边缘检测、区域聚类等算法。\n分割算法中的区域聚类通常采用动态聚类法：先选择若干样品作为聚类 中心，再按某种聚类准则。其中k-均值算法是一种典型的动态聚类法，此种 算法能使聚类域中所有样品到聚类中心的距离平方和最小，其步骤如下所示： (1)选取k个聚类中心Z1 1，Z2 1，Λ，Zk 1：(上角标记为聚类中的迭代次数)； (2)对于样本X(设进行到第k次迭代)\n如果 $|X-Z_j^k|<|X-Z_i^k|$ 则 $X\in S_j^k$ (i，j＝1，2，Λ，k且i≠j)    (1)\n其中Sj k是以Zj k为聚类中心的样本集； (3)计算各聚类中心的新向量值： $Z_j^{k+1}=\frac{1}{n_j}\underset{X\in S_j^K}{\Sigma }X---(j=\mathrm{1,2},K,k)---\left(2\right)$\n式中nj为Sj所包含的样本数； (4)如果 $Z_j^{k+1}\ne Z_j^k,---j=\mathrm{1,2},\Lambda ,k$ 则回到第二步，将全部样品重新分类，重 新迭代计算；\n如果 $Z_j^{k+1}=Z_j^k,---j=\mathrm{1,2},\Lambda ,k$ 则结束。\n这种k-均值聚类算法的优点是：它能够动态聚类，具有一定的自适应性。 但是，k-均值聚类的结果易受聚类中心的个数k及初始聚类中心的影响，同 时也受样本的几何形状及排列次序的影响。因此，算法能否收敛取决于样本 的特性和其能够形成不同区域的个数。\n通常图像分割还需利用数学形态学进行结果优化。数学形态学的基本运 算有膨胀、腐蚀、开、闭等，其中膨胀和腐蚀是两种最基本的运算，有直观 的几何背景，根据它们可定义其它运算。\n设A为原始图象，B是对原图像进行运算的结构元素，且Ac是A被b的 平移，Ab表示A的补集， 表示B的反射。 A被B膨胀的结果： $A\oplus B=\underset{b_i\in B}{Y}{A}_{b_i}=\left\{p\right|\underset{b_i\in B}{\exists }(p\in A_{b_i})\}=\{p\left|\underset{b_i\in B}{\exists }\underset{a_j\in A}{\exists }(p=a_j+b_i)\right\}---\left(3\right)$ A被B腐蚀的结果： 二值图象的开运算：    foB＝(fΘB)B     (5) 开运算的处理效果常表现为使目标轮廓平滑，消除毛刺和孤立点。 二值图象的闭运算：    f·B＝(fB)ΘB    (6) 闭运算的处理效果常表现为使目标轮廓平滑，填平小沟，弥合空洞和裂缝。\n彩色图像的分割通常需要进行彩色空间变换，彩色空间是以数值方式描 述色彩的模型，如RGB空间，YIQ空间，HIS空间，CY空间等。由于人眼不能 直接感知红绿蓝三色的比例，所以在RGB空间进行图象分割不符合人眼视觉。 通常的图像分割算法都利用HIS空间或CY空间进行彩色变换。C-Y色空间 与RGB色空间的转换关系如下(Y是亮度分量，R-Y和B-Y是色差分量)： $\left[\begin{array}{c}Y\\ R-Y\\ B-Y\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ 0.701& -0.587& -0.114\\ -0.299& -0.587& 0.866\end{array}\right]·\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(7\right)$ 在C-Y色空间内定义为： 饱和度分量S：    S＝[(R-Y)2+(B-Y)2]1/2    (8) 色调分量θ： $\theta =\arctan \left(\frac{R-Y}{B-Y}\right)---\left(9\right)$\n亮度分量Y：    Y＝0.299*R+0.587*G+0.114*B    (10) 其中θ表示彩色彼此相互区分的特性，不同波长的单色光具有不同的色调。而 且，传统的彩色图像的分割算法很少利用信息融合的技术，只是简单地对图像 的分割结果进行叠加。\n发明内容\n为了能将角膜病灶图像中的病灶自动分割出来，本发明充分考虑了角膜 病灶图像的特点，利用图象处理中的现有技术加以创新，设计了一种新的分 割方法，本发明基于上述技术的研究，利用改进的k-均值聚类、数学形态学 及信息融合等方法，实现了角膜病灶图像的自动分割。\n本发明的技术特征思路为：\n1、利用外眼角膜病灶图像特征的色度信息，通过改进的k-均值聚类完成图像 的初次分割，即自学习确定初始色度聚类中心，然后再通过全图搜索确定最 佳聚类中心，进行聚类分割；\n2、其次利用图像的亮度信息，通过改进的k-均值聚类完成图像的二次分割， 即自学习确定初始亮度聚类中心，然后再通过全图搜索确定最佳聚类中心， 进行聚类分割；\n3、利用一种信息融合技术，根据一种新的判断准则完成对色度和亮度信息分 割结果的融合；\n4、利用数学形态学，设计结构算子及图像边缘检测算子，来完成对图像分割 结果的优化；\n本发明的技术方案参见图1、图2。这种基于改进的k-均值聚类及信息融 合的角膜病灶图像分割方法，是由数码相机完成采集角膜病灶图像(一般指 钴兰光病灶图像)，并将角膜病灶图像的光学信号转换为电信号图象输入到计 算机进行处理、传输等操作，计算机处理主要是通过USB接口软件、在k-均 值聚类及数学形态学的基础上对角膜病灶图像进行读/写处理，处理后的角膜 病灶图像或对角膜病灶图象进行分割处理后输出到缓存器，经显示器显示结 果，本发明的特征在于它还依次包括下述步骤：\n(1)计算机从USB接口读入角膜病灶图象信号，并保存在内存中；\n(2)采用通用的直方图均衡的方法对图像进行预处理，由于该系统中的裂隙 灯光源条件的限制，拍摄出的角膜病灶图像受光照不均的影响较大，因此在 对角膜病灶图像进行病灶分割之前，必须对图像进行预处理； 分别对图象的R、G、B三个通道的灰度图象进行直方图均衡， 具体方法是：将各通道灰度图象各象素灰度进行以下变换，得到原k级灰度 对应的sK值： $s_K=\underset{j=0}{\overset{K}{\Sigma }}\frac{n_j}{n}---k=\mathrm{0,1},···,l-1$ 其中，nj，n分别表示图象中具有j级灰度的象素数和象素总数；l表示灰度的 最大级数。 然后，再对sK进行均匀量化得到其对应的新的灰度值K，量化公式为： ${\hat{S}}_K=\mathrm{Int}[\frac{S_K-S_{\min }}{1-S_{\min }}(l-1)+0.5]$ 其中，smin为sK的最小值，Int[]表示取整运算；\n(3)进行色度空间转化，将图像从RGB空间转换到CY空间来得到其相应 的色度图像和亮度图像；由于角膜病灶图像是彩色图象，而彩色图象与灰度 图象的分割有着极大的差别：单纯利用颜色信息对彩色图象进行分割，在光 照均匀的前提下，分割效果较好，但在光照不均或光照条件差的条件下，效 果较差；而仅利用亮度信息对其分割，会丢失相关彩色信息，造成误分。所 以本发明充分利用颜色和亮度信息完成图像分割。同时对于彩色图像而言， 由于人眼不能直接感知红绿蓝三色的比例，所以在RGB空间进行图象分割不 符合人眼视觉。CY空间和HIS空间都定义了颜色属性的色度、亮度及饱和度， 与人类的视觉感知紧密相关；但是由于从RGB空间到HIS空间的转变较为复 杂，而从RGB空间到CY空间的转变较为简单，而且速度很快。因此图像在 CY空间当中进行色彩分割，效果会更好；\n(4)对色度图像进行角膜病灶的分割，其步骤为：设角膜病灶图像的宽度为 M，高度为N，同时设图像的像素为所需要聚类的样本，根据图象像素亮度及 色度等特点，可将样本分为两类，即病灶像素类和非病灶像素类，具体分类 过程为： a、通过自学习确定两个初始聚类中心Z1 1，Z2 1， 设角膜病灶图像的像素为X，其三基色为R、G、B，其色度值为Xu，其计算 参见背景技术中的公式9， 如果G＞R并且G＞B则 $X\in S_1^1,$ 且S1类中心的矢量 $Z_1^1=\frac{1}{n_1}\underset{X\in S_1^1}{\Sigma }{X}_u,$ 如果B＞G并且B＞R则 $X\in S_2^1,$ 且S2类中心的矢量 $Z_2^1=\frac{1}{n_2}\underset{X\in S_2^1}{\Sigma }{X}_u,$\n接下来再利用传统的k-均值聚类方法进行聚类： b、如果 $|X_u-Z_1^k|<|X_u-Z_2^k|$ 则 $X\in S_1^k,$ c、计算两个聚类中心的新向量值， $Z_j^{k+1}=\frac{1}{n_j}\underset{X\in S_j^K}{\Sigma }{X}_u---(j=\mathrm{1,2}),$ d、如果 $|Z_j^{k+1}-Z_j^k|>ϵ---j=\mathrm{1,2},$ 则回到b，重新迭代计算，\n如果 $|Z_j^{k+1}-Z_j^k|\le ϵ---j=\mathrm{1,2},$ 则结束；\n分割的主要思路见图3。因角膜病灶图象(一般指钴兰光病灶图像)有其 独特的特征：①图象的背景大都偏蓝；②所分割的病灶颜色以黄绿色为主； ③图象的颜色信息受亮度影响较大；④病灶的形状大都是封闭的、不规则的。 并且角膜病灶图像可分为病灶和非病灶两部分，即目标和背景两部分。所以 k-均值算法的聚类中心应为：k＝2。同时本发明利用这些已有的先验知识， 对k-均值算法加以改进：\n由于眼科病灶图象是卤素灯全光谱光源通过钴蓝滤色片拍摄而成，这种 钴蓝滤色片对红光和绿光有一定的抑制作用，并且对于红光的抑制比绿光更 为明显，同时由于滴染的荧光素作用，角膜中的病灶着染为绿色。所以眼科 病灶图象以蓝绿分量为主，而红色分量低于蓝绿分量，\n对图6a进行色度图像角膜病灶的分割后的结果见图6b；\n(5)对亮度图像进行角膜病灶的分割；由于裂隙灯硬件拍摄条件的限制，拍 摄出的图像受光照的影响很大，在对亮度进行聚类之前，应对其先进行亮度 直方图均衡处理，通过亮度直方图均衡处理过的图像对比度和亮度都得到了 明显的改善，这样便于以后的图像分割；经过直方图均衡处理过的图象，再 对其亮度进行k-均值聚类，聚类时只有第一步自学习确定两个初始聚类中心 与色度的聚类过程不同，其他都相似，\n计算图象的平均亮度的步骤是： $\mathrm{aver}\left(Y\right)=\frac{\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}Y(i,j)}{M*N}$ (M为图像的高度，N为图像的宽度，Y为图象像 素的亮度分量)， a、通过自学习确定两个初始聚类中心Z1 1，Z2 1，\n如果Y＜aver(Y)+ε  (ε＝10)则 $Z_j^1=\frac{1}{n_j}\underset{X\in S_j^1}{\Sigma }Y---(j=1),$\n否则Y≥aver(Y)+ε  (ε＝10)则 $Z_j^1=\frac{1}{n_j}\underset{X\in S_j^1}{\Sigma }Y---(j=2),$\n接下来再利用传统的k-均值聚类方法进行聚类： b、如果 $|Y-Z_1^k|<|Y-Z_2^k|$ 则 $X\in S_1^k,$ c、计算两个聚类中心的新向量值 $Z_j^{k+1}=\frac{1}{n_j}\underset{X\in S_j^K}{\Sigma }Y---(j=\mathrm{1,2}),$ d、如果 $|Z_j^{k+1}-Z_j^k|>ϵ---j=\mathrm{1,2},$ 则回到b，重新迭代计算，\n如果 $|Z_j^{k+1}-Z_j^k|\le ϵ---j=\mathrm{1,2},$ 则结束，\n对图6a进行亮度图像角膜病灶的分割后的结果见图6c；\n(6)将色度分割和亮度分割这两种方法得到的结果进行信息融合：\n设外眼图像的角膜区域为全集W，色度的k均值聚类结果为A(AW)， 亮度的k均值聚类结果为B(BW)，最终的聚类结果为S，则根据下式进 行聚类结果信息融合：\n在光照条件均匀的情况下，色度和亮度的聚类结果都比较理想，S应为二 者的交集，但是在光照条件不理想的情况下，色度的聚类结果失真较大，亮 度的聚类结果较为理想，故S应为亮度的聚类结果，而不应取二者的交集，\n对图6b和图6c进行色度、亮度分割信息融合后的结果见图6d；\n(7)利用数学形态学对得到的图像结果进行优化处理，具体处理过程为：\n根据眼科病灶图象特点选择十字形的4-连通结构算子B1，3×3方形的8 -连通结构算子B2，设原始图像为f，设计了剔除噪声点的数学形态学的边缘 检测算子： f·B-(fΘB1)ΘB1即(fB1)ΘB2-(fΘB1)ΘB1，\n利用该公式得到分割图象的边缘，由于溃疡病灶基本都是闭合的，所以 边缘如果是线状、枝状等非闭合形状，应全部剔除，接下来填充图象，并对 图象进行开运算，使分割图象轮廓平滑，消除毛刺和孤立点，\n再对图象进行闭运算，填补分割图象中的空洞和裂缝，\n对图6d进行数学形态学优化处理后的结果见图6e；\n(8)输出并显示图像分割结果。\n本发明提出的方法复杂度低，能够满足分割角膜病灶图象的要求，分割 效果较理想，而且在光照不均匀的条件下也能得到理想的结果，具有较好的 鲁棒性。\n附图说明\n图1是外眼病灶图像分割系统框图\n1、数码相机，2、USB接口，3、计算机处理器，4、输出缓存，5、角膜 病灶分割，6、显示器，7、分割结果；\n图2是本发明方法主程序流程图；\n图3是本发明方法中色度的k均值聚类子程序流程图；\n图4是本发明方法中亮度的k均值聚类子程序流程图；\n图5是本发明中信息融合得到分割结果S子程序流程图；\n图6是角膜病灶图像的分割过程示例；\n图中(a)角膜病灶原始图像，(b)色度的k-均值聚类分割结果A，(c) 亮度的k-均值聚类分割结果B，(d)A和B进行信息融合的聚类结果S，(e) 进行数学形态学运算后的最终分割结果；\n图6(a)为输入的角膜病灶原始图象，白色圆圈所包括的范围为角膜， 目的是将病灶从角膜当中分割出来；其中溃疡(如B区)，也就是感兴趣区病 灶，须将其分割；而周围的过渡区(如A区)，并不是溃疡，不需要分割；\n图7是本发明中一幅角膜病灶图像及其分割结果；\n图中(a)角膜病灶原始图像，(b)分割的病灶与角膜对比图，(c) 病灶分割结果；\n其中图b中的三个白色圆圈是角膜当中描述病灶位置的三个常用区域， 两条红色的直线分别为角膜的横轴和纵轴，绿线则是描述病灶的形状轮廓。\n具体实施方式\n本发明的实施方案参见图1-5，原始角膜病灶图象可以是通过数码相机实 时采集到的图象，也可以是实现通过数码相机采集到保存在计算机硬盘里的 图象。\n图1中数码相机和USB接口都是市售的，主要完成采集角膜病灶图象， 将角膜病灶图象的光学信号转换为电信号图象输入到计算机，便于计算机处 理、传输等操作。计算机处理主要是通过USB接口软件对角膜病灶图象进行 读/写处理，处理后的角膜病灶图象输出到缓存器，便于显示。显示器是图象 的输出设备，人眼可以通过显示器观看原始角膜病灶图象和分割结果图象， 角膜病灶分割是对计算机读入的角膜病灶图象进行分割处理，输出分割结果。\n角膜病灶分割主要通过软件来实现。下面结合实例详细描述角膜病灶分 割的过程。我们已通过新的外眼图像采集系统采集了150幅角膜病灶图像， 并存在计算机硬盘当中，其程序流程图可参见方法流程图，步骤如下：\n第一步：首先向病眼滴染荧光素，这样可以着染溃疡病灶，其次在钴兰 光的条件下，利用裂隙灯聚焦，然后通过光电接口用数码相机对病人的眼睛 进行拍摄，然后通过USB接口传到计算机硬盘当中，这样完成了角膜病灶图 像采集过程；\n第二步：对角膜病灶图像进行图像预处理，采用传统的直方图均衡，提高 图像的对比度和亮度，便于接下来的色度和亮度图像的病灶分割；\n第三步：利用已有的色度空间变换公式(见上)，将角膜病灶图像从RGB 空间转换到CY空间得到色度图像和亮度图像；\n第四步：用改进的k-均值聚类对亮度图像进行病灶分割；具体思路见上 述方法简介中的步骤(4)，根据色度信息，确定初始聚类中心。再通过传统 的k-均值聚类算法进行聚类得到初次分割图像1；\n第五步：利用改进的k-均值聚类对亮度图像进行病灶分割，首先对图像 进行亮度直方图均衡预处理。然后对预处理过的图像进行自学习聚类，首先 计算图像的平均亮度，将大于平均亮度的像素值作为集合1进行聚类病计算 聚类中心1，将小于平均亮度的像素值作为集合2进行聚类病计算聚类中心2。 然后再通过全图搜索进行聚类，确定最佳聚类中心，通过上述方法得到分割 的病灶图像2；\n第六步：将上述方法得到的两幅图像进行信息融合，得到最佳结果。如 果在光照均匀的情况下，融合图像取两者的交集；如果在光照不均的情况下， 由于利用色度信息分割的图像1效果较差，融合图像应为亮度分割结果，即 病灶图像2；\n第七步：利用数学形态学对融合图像进行优化——使融合图象轮廓平滑， 消除毛刺和孤立点并填补分割图象中的空洞和裂缝；\n第八步：得到分割图像结果，见图7；\n第九步：得到最佳病灶图像之后，计算病灶中所包含的像素数，同时计 算角膜中所包含的像素数，计算病灶占角膜中的百分比。