一种基于骨架角点的可视化人体切片图像序列化分割方法

1.一种基于骨架角点的可视化人体切片图像序列化分割方法，其特征在于，包括以下步骤：
(1)载入序列化可视人体彩色切片图像数据集以及备用的相邻彩色像素颜色相似度阈值；
(2)开辟种子点集空间，并以手动方式在第一幅图像上选取若干种子点，将其存储在种子点集空间中；
(3)相邻像素间的颜色相似度比较：从种子点集空间中提取一个种子点，计算种子点与其邻域像素的颜色相似度，与备用的颜色相似度阈值进行比较，若计算得到的颜色相似度大于预设的颜色相似度阈值，且该邻域像素未标记过，则将该邻域像素存储在种子点集空间中，并标记该像素；否则舍弃该邻域像素；遍历整个种子点集空间，重复本步骤，直至本幅图像所有符合颜色相似度条件的像素都存储在种子点集空间中为止，并将整个种子点集空间作为本幅图像分割得到的目标二值图像；若当前幅图像为最后一幅图像，则结束整个分割过程；
(4)骨架图像提取：对步骤(3)所得到的目标二值图像进行骨架提取，得到本幅图像的目标骨架图像，同时清空种子点集空间；
(5)下一幅切片图像种子点自动生成：采用角点检测方法对已得到的目标骨架进行处理，将所得到的若干个角点的位置作为下一幅图像的种子点坐标，并将其存储在种子点集空间中；
(6)返回步骤(3)，实现连续分割，直至所有待分割切片图像都分割完毕；步骤(3)中利用基于尺度不变性的语义数学模型方法计算两个像素间的相似度：
首先，对于待比较的两个像素(R1,G1,B1)和(R2,G2,B2)，计算颜色值中间变量然后，计算相似度
2.根据权利要求书1所述的可视化人体切片图像序列化分割方法，其特征在于，步骤(4)中所述骨架图像提取具体包括两次子迭代过程：
[1]对于待处理的目标二值图像中某个像素p＝1，如果p的八邻域内各像素同时满足以下条件，则标记p＝0或删除该像素：
<1>像素p八邻域各像素按逆时针顺序的像素值由0变到1的变化的次数为1；
<2>2≤像素p的非0值邻域像素个数≤6；
<3>像素p的上邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；
<4>像素p的左邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；
[2]对于待处理的目标二值图像中某个像素p'＝1，如果p'的八邻域内各像素同时满足以下条件，则标记p'＝0或删除该像素：
<1>像素p'八邻域各像素按逆时针顺序的像素值由0变到1的变化的次数为1；
<2>2≤像素p'的非0值邻域像素个数≤6；
<3>像素p'的上邻域像素、左邻域像素和下邻域像素的像素值乘积＝0；
<4>像素p'的上邻域像素、左邻域像素和右邻域像素的像素值乘积＝0；
对该幅图像反复执行第一和第二子迭代运算过程，直到没有可删除像素为止。

一种基于骨架角点的可视化人体切片图像序列化分割方法\n技术领域\n[0001] 本发明属于人体器官可视化技术领域，特别涉及一种基于骨架角点的可视化人体切片图像序列化分割方法。\n背景技术\n[0002] 人体器官可视化研究在20世纪后期出现，以信息技术和医学科学为基础，这是一个先进且跨学科研究的领域。获取并数字化人体器官结构的基本数据是人体可视化科学研究的基础和前提，具有很高的学术意义和研究价值。目前，人体可视化研究已完成了超大规模(百GB级别)彩色切片图像的精确采集阶段。面对如此庞大的图像数据，使用繁重的手工分割或半自动交互式分割方法提取人体器官的几何模型是一项巨大的工程。因此，为了提高人体彩色切片图像分割的效率和质量，亟待研究一种针对此超大规模序列化彩色切片图像数据集的人体器官快速准确分割方法。\n[0003] 对于虚拟可视人彩色切片图像分割，国内学者提出了一些方法，发表的文献包括:\n《系统仿真学报》的“基于Canny算子的水平集数字虚拟人图像分割算法”，该算法结合了Canny算子精确定位边界的优点和Level Set图像空间连续演化的思想，该算法可得到较好的目标分割结果。《计算机应用研究》的“利用支持向量机分割虚拟人切片数据”提出了基于支持向量机的虚拟人切片数据分割方法，提高了虚拟人切片数据分割的自动化程度，在一定程度上可以实现自动分割，但在分割过程中需要大量时间来获取准确的空间信息，另外该方法的分割速度较慢，因此无法实现实时高效的分割操作。\n[0004] 国外的相关文献中也报道了类似的研究成果。在《Computerized Medical Imaging and Graphics》上发表的“Segmentation and three-dimension reconstruction of Chinese digitized human cerebrum”以及“Creation of a female and male segmentation dataset based on Chinese Visible Human(CVH)”两篇文章中，使用Photoshop软件对所有基于CVH男性和女性数据集的图像进行半自动分割来实现三维模型重构，为虚拟可视人彩色切片图像自动分割算法研究提供了一种准确的数字化解剖模型。\n[0005] 以上这些技术只能用作单层彩色切片图像的分割操作，不能被用于虚拟可视人超大规模序列化(三维空间)切片图像的分割。因此，目前所提出的虚拟人彩色切片图像数据分割方法还存在很大局限性。\n发明内容\n[0006] 本发明提出一种基于骨架角点的可视化人体切片图像序列化分割方法，用于快速准确地分割可视化人体切片的主要器官。利用本方法，可以实现连续自动地在三维真彩色切片图像数据集中分割出目标器官。该算法的时间效率和分割精度明显好于目前的手工分割方法。\n[0007] 本发明的目的是为了满足可视人体研究的需要，解决可视人体切片图像主要器官的快速准确分割问题，从而提出一种自动的序列化人体切片彩色图像分割方法。\n[0008] 本发明包括以下步骤：\n[0009] (1)载入序列化可视人体(Visible Human)彩色切片图像数据集以及备用的相邻彩色像素颜色相似度阈值；\n[0010] (2)开辟种子点集空间，并手动方式在第一幅图像上选取若干种子点，将其存储在种子点集空间中；\n[0011] (3)相邻像素间的颜色相似度比较：从种子点集空间中提取一个种子点，计算种子点与其邻域像素的颜色相似度，与备用的颜色相似度阈值进行比较，若计算得到的颜色相似度大于预设的颜色相似度阈值，且该邻域像素未标记过，则将该邻域像素存储在种子点集空间中，并标记该像素；否则舍弃该邻域像素。遍历整个种子点集空间，重复本步骤，直至本幅图像所有符合颜色相似度条件的像素都存储在种子点集空间中为止，并将整个种子点集空间看做为本幅图像分割得到的目标二值图像；若当前幅图像为最后一幅图像，则结束整个分割过程；\n[0012] (4)骨架图像提取：对步骤(3)所得到的目标二值图像进行骨架提取，得到本幅图像的目标骨架图像，同时清空种子点集空间；\n[0013] (5)下一幅切片图像种子点自动生成：采用角点检测方法对已得到的目标骨架进行处理，将所得到的若干个角点的位置作为下一幅图像的种子点坐标，并将其存储在种子点集空间中；\n[0014] (6)返回步骤(3)，实现连续分割，直至所有待分割切片图像都分割完毕。其中，步骤(3)中利用基于尺度不变性的语义数学模型方法计算两个像素间的相似度：\n[0015] [1]首先，对于待比较的两个像素(R1,G1,B1)和(R2,G2,B2)，计算颜色值中间变量[0016]\n[0017] [2]然后，计算相似度\n[0018] 步骤(4)中所述骨架提取的方法具体包括两次子迭代过程：\n[0019] [1]对于待处理的目标二值图像中某个像素p＝1，如果p的八邻域内各像素同时满足以下条件，则标记(删除)p＝0：\n[0020] <1>像素p八邻域各像素按逆时针顺序的像素值变化(0→1)的次数为1；\n[0021] <2>2≤像素p的非0值邻域像素个数≤6；\n[0022] <3>像素p的上邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；\n[0023] <4>像素p的左邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；\n[0024] [2]对于待处理的目标二值图像中某个像素p'＝1，如果p'的八邻域内各像素同时满足以下条件，则标记(删除)p'＝0：\n[0025] <1>像素p'八邻域各像素按逆时针顺序的像素值变化(0→1)的次数为1；\n[0026] <2>2≤像素p'的非0值邻域像素个数≤6；\n[0027] <3>像素p'的上邻域像素、左邻域像素和下邻域像素的像素值乘积＝0；\n[0028] <4>像素p'的上邻域像素、左邻域像素和右邻域像素的像素值乘积＝0；\n[0029] 对该幅图像反复执行第一和第二子迭代运算过程，直到没有可删除的像素点为止。\n[0030] 本发明采用基于尺度不变性的语义数学模型-SIMILATION来计算颜色相似度，对于虚拟可视人彩色切片图像，该算法的准确性较高，并且有较好的健壮性和较低的计算复杂度。能够较好地应用于虚拟可视化人体彩色切片图片中主要器官的快速序列化分割中；\n[0031] 本发明采用并行快速细化算法进行感兴趣区域图像的骨架提取，实现了种子点集的自动化生成，所需的人工干预较少，算法的自动化程度较高，时间复杂度较低。该算法大大提高了骨架提取过程中的运行效率，并且较好地保持了目标区域的主要拓扑结构，为将当前幅图像目标区域的骨架信息应用于下一幅图像目标区域的识别提供了支持；\n[0032] 本发明采用Harris角点检测算法提取骨架上的角点，不仅计算简单，而且所提取的角点合理准确。由于该算法对图像旋转、灰度变化、噪声影响和视点变化不敏感，因此是一种比较稳定的提取关键特征点的算法；\n[0033] 本发明可以实现虚拟可视化人体彩色切片图像的序列化自动分割，较大程度上提高了分割的速度和准确度，可以实现连续并自动地在三维真彩色图像空间中分割出目标器官。该算法的时间效率和自动化程度均好于目前的分割方法。\n附图说明\n[0034] 图1为八邻域像素编号的示意图；\n[0035] 图2为前后幅图像序列化自动分割过程的示意图；\n[0036] 图3为整体分割过程流程图。\n具体实施方式\n[0037] 为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步地详细说明。\n[0038] 为了实现快速准确分割出可视化人体切片的主要器官，本发明提出了一种自动序列化彩色图像分割方法，参见图3，详见下文描述：\n[0039] 一种自动序列化彩色图像分割方法，该方法包括以下步骤：\n[0040] (1)载入序列化可视人体(Visible Human)彩色切片图像数据集以及备用的相邻彩色像素颜色相似度阈值；\n[0041] (2)开辟种子点集空间，并手动方式在第一幅图像上选取若干种子点，将其存储在种子点集空间中；\n[0042] (3)相邻像素间的颜色相似度比较：从种子点集空间中提取一个种子点，计算种子点与其邻域像素的颜色相似度，与备用的颜色相似度阈值进行比较，若计算得到的颜色相似度大于预设的颜色相似度阈值，且该邻域像素未标记过，则将该邻域像素存储在种子点集空间中，并标记该像素；否则舍弃该邻域像素。遍历整个种子点集空间，重复本步骤，直至本幅图像所有符合颜色相似度条件的像素都存储在种子点集空间中为止，并将整个种子点集空间看做为本幅图像分割得到的目标二值图像；若当前幅图像为最后一幅图像，则结束整个分割过程；\n[0043] (4)骨架图像提取：对步骤(3)所得到的目标二值图像进行骨架提取，得到本幅图像的目标骨架图像，同时清空种子点集空间；\n[0044] (5)下一幅切片图像种子点自动生成：采用Harris角点检测算法对已得到的目标骨架进行处理，将所得到的若干个角点的位置作为下一幅图像的种子点坐标，并将其存储在种子点集空间中；\n[0045] (6)返回步骤(3)，实现连续分割，直至所有待分割彩色切片图像都分割完毕。\n[0046] 其中，步骤(3)中利用基于尺度不变性的语义数学模型方法计算两个像素间的相似度具体包括：\n[0047] 首先，设颜色相似性的尺度不变性的语义数学模型-SIMILATION中的调和均值与算术均值为：\n[0048]\n[0049]\n[0050] 则SIMILATION模型值为：\n[0051]    ③\n[0052] 另设：\n[0053]      ④\n[0054] 然后，进行具体像素间的相似度计算。对于两个像素(R1,G1,B1)和(R2,G2,B2)，其中(R1,G1,B1)为种子点的颜色值，(R2,G2,B2)作为其他像素的颜色值，按照公式④计算(R0,G0,B0)。用(R0,G0,B0)代替公式③中的(V1,V2,V3)来计算SIMILATION值。\n[0055] 从公式③可知，(V1,V2,V3)中任意一个值都不能为0，则公式④中所涉及的两组颜色值的任意一个分量值都不能为0。从RGB颜色模型坐标系可知，有些颜色是由三个分量中的两个分量或是一个分量组成的，例如黄色(255,255,0)，那么公式④就无法使用。对于RGB颜色空间中任意一个颜色，当看到该颜色是红色时，则表明该颜色的三个分量中红色分量相对于其他两个分量都要大；而看到颜色是黄色时，则表明蓝色分量相对于其他两个分量都要小，而且其他两个分量的差距较小。\n[0056] 最后，为了可以处理这种含有0分量值的颜色，需选取一个三个颜色分量都不为0的种子点像素，在计算颜色相似度时，先判断领域像素的三分量是否含有0值，若不包含0值则按照计算颜色相似度步骤进行计算。若领域像素的三分量含有0值的，按如下处理：\n[0057] [1]对于像素(R2,G2,B2)三分量中只有一个分量值0的，如(R2,G2,0)。判断(R2-G2)值是否为正数，值为正数的则表示该颜色呈现为红色，否则是呈现为绿色。同样，其他类似的颜色组合也可以按照该方法来计算。\n[0058] [2]对于颜色(R2,G2,B2)三分量中有两个分量值为0的，如颜色(R2,0,0)。对于颜色(R2,0,0)可以直接得知该颜色呈现为红色。同样地，颜色(0,G2,0)和(0,0,B2)则分别呈现为绿色和蓝色。\n[0059] [3]对于黑色(0,0,0)不做任何的计算。\n[0060] [4]最后将该结果与种子点颜色进行对比，属于同一色系就表明两种颜色是相似的。\n[0061] 另外，步骤(4)中所述骨架提取的过程具体包括：\n[0062] [1]对于待处理的目标二值图像中某个像素p＝1，如果p的八邻域内各像素同时满足以下条件，则标记(删除)p＝0：\n[0063] <1>像素p八邻域各像素按逆时针顺序的像素值变化(0→1)的次数为1；\n[0064] <2>2≤像素p的非0值邻域像素个数≤6；\n[0065] <3>像素p的上邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；\n[0066] <4>像素p的左邻域像素、右邻域像素和下邻域像素的像素值乘积＝0；\n[0067] [2]对于待处理的目标二值图像中某个像素p'＝1，如果p'的八邻域内各像素同时满足以下条件，则标记(删除)p'＝0：\n[0068] <1>像素p'八邻域各像素按逆时针顺序的像素值变化(0→1)的次数为1；\n[0069] <2>2≤像素p'的非0值邻域像素个数≤6；\n[0070] <3>像素p'的上邻域像素、左邻域像素和下邻域像素的像素值乘积＝0；\n[0071] <4>像素p'的上邻域像素、左邻域像素和右邻域像素的像素值乘积＝0；\n[0072] 对该幅图像反复执行第一和第二子迭代运算过程，直到没有可删除的像素点为止。\n[0073] 此外，步骤(5)中所述种子点选取方法主要是自动选取已获得骨架的端点和角点作为种子点，获取当前图片的种子点。其原理是基于图像角点检测的Harris算法，具体过程为：\n[0074] [1]通常情况下，将ROI区域内的点分为3类，即平坦的点、边缘点和角点。\n[0075] [2]将图像窗口平移[u,v]产生灰度变化E(u,v)\n[0076]\n[0077] 其中，w(x,y)为窗口函数，I(x+u,y+v)为平移后的图像灰度，I(x,y)为图像灰度。\n[0078] 而I(x+u,y+v)＝I(x,y)+Ixu+Iyv+O(u2,v2)\n[0079] 则\n[0080] 而\n[0081] 于是对于局部微小的移动量(u,v)，可以近似得到其近似表达\n[0082]\n[0083] 其中M是2×2矩阵，可由图像的导数求得：\n[0084]\n[0085] [3]定义角点响应函数R\n[0086] R＝detM-k(traceM)2\n[0087] detM＝λ1λ2\n[0088] traceM＝λ1+λ2\n[0089] 其中λ1、λ2为矩阵M的两个特征值，k为经验常数，k＝0.04～0.06[0090] [4]根据R是否大于0即可判断该点是否为角点：R只与M的特征值有关，若R为大数值正数，则为角点，若R为大数值负数，则为边缘，若R为小数值，则为平坦区。\n[0091] 此实施例通过一系列方法实现了可视化人体切片主要器官的快速准确分割，与传统单一幅图像分割以及手工分割等方法相比，不仅降低了时间复杂度，也提高了精度。这些器官的序列化ROI图像在三维重构之后的效果也令人满意，该方法有助于对虚拟人相关研究的快速推进。\n[0092] 以上所仅是本发明较佳的实施例，但并不能理解为本发明专利范围的限制。凡依据本发明的技术实质对以上实施例作所作任何修改，等同替代与改进等，均属于本发明的保护范围。