自适应随机游走图像分割算法

合集下载

基于随机游走的自动图像分割算法

０引言近年来，基于图论的图像分割算法成为研究的热点，应
用图论进行图像处理具有直观、速度快、效率高等诸多优点。依据用户参与与否，图像分割可分为交互式图像分割和自动图像分割。Ｂபைடு நூலகம்ｙｋｋｏｖＹ等人 … 提出了ＧｒａｐｈＣｕｔ算法，结合了图像的区域信息和边界信息，目前已成为广泛使用的交互分割方法。ＧｒａｄｙＬ等人率先将随机游走模型应用到图像分割中，计算速度快，可很好地检测弱边缘，并且对噪声有较强的鲁棒性，但需要用户标记标记点，是一种半自动分割算法。
郭丽等人利用背景差分实现了自动识别目标区域，通过形态学方法求得骨架结构，从中获取标记点，再采用随机游走算法进行自动图像分割，在多车辆检测领域解决了
交互分割速度慢的问题；但对背景建模时，背景的更新是一个难点。李昌兴等人引入了加速均值算法，提出了一种加速谱聚类的图像分割算法。ＱｉｎＣｃ等人对图像进行超像素分割，使用近邻传播聚类算法求取超像素区域中心点，通过固定阈值对中心点标记，自动地为随机游走算法标定标记点。文献［６］中采用模式挖掘算法选取标记点，在显著性提取中取得了不错的效果。
摘要：为了实现图像的自动分割，解决随机游走算法中标记点的自动选取问题，提出了一种结合显著性、模式挖掘算法以及随机游走的自动分割算法。计算图像的显著图，初步确定感兴趣目标区域，通过模式挖掘算法为随机游走初步选取标记点；结合显著目标位置信息进一步筛选标记点，分类为前景和背景标记点；使用随机游走算法对输入图像进行分割。实验结果表明：所提算法可以自动地对图像进行较精确地分割，在图像批量分割处理中具有一定的应用价值。关键词：图像分割；自动分割；随机游走；显著性检测；模式挖掘中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１０００－９７８７（２０１８）０６－０１４２－０４

基于随机游走的使用色彩空间图形图像分割

摘要：图像分割是研究计算机视觉领域涉及最多的话题之一，已经吸引了大量研究人员的关注。

图像分割的目的是改变图像的表示使其更有意义和更容易分析。

在这个过程中一个图像被划分到多个分配标签分割，来表示图像的像素，以使像素共享分为多个分割相同的标签，并且可以被表征为一个存在与该图像的不同对象。

同时为了分割图像，已经设计出一些自动和半自动的方法。

在本文中，我们将重点放在由Leo Grady 介绍的随机游走半自动方法上，我们将提供一些使分割图像变的更好的改进，来比较图像利用上述所涉及的思想。

我们将使用图分区的色彩空间和理论方法来重新定义两个像素之间的距离，从而产生一种改进的分割方法。

关键词：图像分割;随机游走;组合Dirichlet问题;色彩空间图; LUV空间;拉普拉斯矩阵;拉普拉斯方程。

1引言半自动或交互式分割在图像处理中一直是一个巨大的研究项目，并获得了很多的从事计算机视觉研究的人员的兴趣。

主要目标是将部分的图像分割成不同区域，每个区域对应于一个特定对象的帮助下感兴趣的用户交互。

用户输入需要初始化分割算法（半自动）为一个图像划分为不同的区域。

可以以许多方式来提供用户输入，其中最简单的是利益所概述的，用鼠标点击该用户的区域。

半自动分割在对图像的编辑，医学成像，机器视觉广泛的应用，目标检测，识别任务，交通控制系统，视频监控等众多领域有着巨大的重要性。

一些算法迄今为止开发的通用半自动分割,可以有效结合域知识来解决域的分割问题。

其他方面的半自动分割的重要性是一个具有挑战性的问题,因为任务是由一组小的用户数据初始化过程开始,然后传播在整个图像的信息虽然半自动图像分割方法有很多。

但我们的重点放在Grady L.所提出的随机游走上面，同时尝试对算法做出了一些改进，提供了更好的方法来分割图像。

随机游走方法具有几个优点。

一般来说任何分割方案的重点是将图像划分成两个区域，即背景和对象。

另一方面随机游走方法为我们提供了分割的图像为对象的数目，用户想要分割图像中物体的任意数量的灵活性。

基于随机森林和随机游走的交互式图像分割

基于随机森林和随机游走的交互式图像分割作者：***来源：《电脑知识与技术》2023年第31期摘要：基于随机游走的交互式图像分割在计算相邻像素相似度时，仅考虑了颜色空间的差异。

针对这一问题，利用图像中广泛存在的对称结构，提出一种基于随机森林进行对称检测的方法。

通过基于相似边的特征，将对称检测转化为结构化标签问题。

在得到对称轴的基础上，通过期望最大算法，建立对称轴与相邻像素之间的关系，以提高交互式分割的精确度。

实验表明，该方法不仅能有效地提取图像中的对称轴，而且能得到较高精度的交互式分割结果。

关键词：交互式图像分割；随机森林；随机游走；對称检测；期望最大算法中图分类号：TP391.41 文献标识码：A文章编号：1009-3044（2023）31-0014-04开放科学（资源服务）标识码（OSID）0 引言图像分割是图像处理的基础性问题，是图像理解的基石，可以被应用于自动驾驶系统中的街景识别与理解，无人机系统中的着陆点识别[1]。

近几年基于深度学习的语义分割（semantic segmentation），即对图像中表达的语义（不同的物体）进行分割，取得了很高的精确度[2]。

但是对于下面2种情况，如果没有人的交互，还是很难达到满意的效果。

1）在背景比较杂乱的情况下，图像中的物体有很多细小的枝节（如图1中的鹿角）；2）需要将物体的不同部分进一步划分（如图1的鹿头和黑色的颈部划分为同一个部分）。

交互式图像分割正是研究解决这一类问题的方法。

交互式图像分割与图像分割的区别在于，需要人在图像中用不同颜色标注出需要分开的区域[3]，如图1中不同颜色的点（黄色和绿色点），下文称之为交互点。

因为深度学习是一种端到端的学习方法，现有的深度学习方法还没办法处理交互点这种先验知识[4]。

现有文献也没有采用深度学习方法进行交互式图像分割，所以本文提出的是一种基于随机游走（random walk）的方法。

现有基于随机游走的交互式图像分割方法是一种非监督的分割方法，根据图像中相邻像素的相似度计算转移概率矩阵，当随机游走达到稳定时，得到图像中的像素所对应的人工标注[1]。

一种新的运动目标自适应图像分割算法

基础上，据最大类间方差函数准则自适应地求出调节系数，用设置门限分割法完成图像的自适应分依再
割．该算法进行了详尽的图像分割实验，对与著名的Ｏｔｕ法、代法、大熵法相比较，分割算法不仅ｓ迭最该能适应多种复杂背景，而且分割精度高、度快，一种实用有效的图像分割方法．速是
ｃｓｎｉｈｉｍｅｈｈｏｅｎｔｓｔｏｄ．Ａｉｉａｔｍｎｇｔｈｅｑｕｅｔｏｎ，ａｎｏｌｌｏｒｔｓｉｖｅａｇｉｈｍｆｄａｉｍａｅｓｇｅａｉｎｆｏｒａｐｔｖｅｉｇｅｍｎｔｔｏｏｍｏｎｇｔｒｔｉｐｒｓｎｔｄ．Ｂａｅｏｎｅｔｎｇｅｆｔａｋｉｗｉｏｓｏｒｒｃｎｇｖｉａｇｅｓｓｅｅｅｓｄｓｔｉｓｌ－ｒｃｎｇｄｗｆｔａｋｉｍｏｖｎｇａｒｔ，ｔｉｔｇｅｓｈｅ
一
种新的运动目标自适应图像分割算法
李恩科，刘上乾，麻彦轩，殷世民
（安电子科技大学技术物理学院，西西安西陕７０７）１０１
摘要：提出了一种新的运动目标自适应图像分割算法．设置自适应跟踪波门对运动目标进行跟踪的在
维普资讯
２００８年６月第３５卷第３期
西安电子科技大学学报（自然科学版）

自适应Mean Shift算法的彩色图像平滑与分割算法

自适应Mean Shift算法的彩色图像平滑与分割算法
王晏;孙怡
【期刊名称】《自动化学报》
【年(卷),期】2010(0)12
【摘要】采用Mean shift算法对图像进行平滑和分割处理时,带宽和采样点权重的选择直接影响平滑和分割的效果.带宽分为窄域带宽和值域带宽.本文根据图像颜色分布的丰富程度定义了自适应空域带宽.在此基础上,通过最小化局部方差函数和最大化频域结构相似度函数获得自适应值域带宽.此外,通过定义采样点权重,克服了图像过平滑问题.通过随机选取大量的图像进行实验,结果表明运用本文所选择的带宽和权重,可以得到正确的图像区域分割结果.
【总页数】8页(P1637-1644)
【作者】王晏;孙怡
【作者单位】大连理工大学信息与通信工程学院,大连,116024;大连理工大学信息与通信工程学院,大连,116024
【正文语种】中文
【相关文献】
1.基于FCM聚类的自适应彩色图像分割算法 [J], 胡学刚;段瑶
2.基于自适应Mean Shift算法的彩色图像滤波 [J], 吴琴琴;马苗
3.带宽自适应Mean Shift图像分割算法 [J], 熊平;白云鹏
4.融合mean shift和区域显著性的彩色图像分割算法 [J], 王朝英;李光;侯志强;林
南章
5.基于自适应隶属度的彩色图像分割算法性能评价 [J], 张风彦
因版权原因，仅展示原文概要，查看原文内容请购买。

基于随机游走的迭代分割算法

基于随机游走的迭代分割算法夏敏【期刊名称】《《数字技术与应用》》【年(卷),期】2019(037)009【总页数】2页(P120,122)【关键词】随机游走; 迭代法; 图像分割【作者】夏敏【作者单位】湘潭大学信息工程学院湖南湘潭 413000【正文语种】中文【中图分类】TP391.4对于计算机视觉研究来说,图像分割是很多应用的基础,是图像理解最重要的一环。

图像分割是图像领域的热点问题,也是难点问题。

对于一副图像来说,我们有感兴趣的部分(目标),也有不感兴趣的部分(背景),我们希望能把我们感兴趣的目标从不感兴趣的背景中分离出来,这就是图像分割。

对于特定的图像来说,一般没有统一的图像分割方法。

此外,噪声和光线等因素会加大图像分割的难度,尤其是光线变化经常会影响图像分割的效果[1]。

由于图像分割的重要性,到目前为止,产生了大量的关于图像分割的研究成果。

图像分割算法主要分为：阈值分割法[2]、区域生长和分裂合并法、基于边缘检测的分割法、基于深度学习的分割。

还有很多其他的分割方法,比如基于小波变换的分割方法、基于变分原理的分割方法、基于生物智能算法的分割方法、基于图的图像分割[3-5]等。

1 基于随机游走的迭代分割算法针对受光线变化影响的图像,本文提出一个新的基于随机游走的迭代分割算法。

该算法先利用随机游走对受光线变化影响部分进行部分边缘分割,分别将各部分图像分为前景和背景后再进行整体合并,最后利用迭代分割算法对整体图像进行分割。

1.1 基于随机游走的聚类算法本文研究的是受光线变化影响的图像分割问题。

因为影响图像分割效果的通常是受光线变化影响的部分,所以先对这些部分进行处理。

基于随机游走的聚类算法：step1.将受光线变化影响的部分分成n个小区域。

Step2.针对每个小区域,分别在目标和背景部分随机取两点。

Step3.在选定的两个点附近选择相邻的点,再利用k-均值聚类算法[6]将其聚成两类。

Step4.不断重复上面的步骤,直到达到理想聚类效果。

基于随机游走的图像分割算法研究

基于随机游走的图像分割算法研究图像分割作为图像处理中的一项重要技术，已经被广泛应用于计算机视觉、医学影像、自动驾驶等领域。

而基于随机游走的图像分割算法由于其高准确性和良好的鲁棒性而备受关注。

本文将介绍基于随机游走的图像分割算法的原理、方法以及应用现状，并分析其优点和局限性。

一、随机游走与马尔科夫链随机游走是指在一个有向图或无向图上，按照每个节点的出边/入边按一定概率进行转移的过程。

而马尔科夫链则是指一个概率模型，描述了在给定状态下从一个状态到另一个状态的概率，且当前状态只和前一个状态有关。

在图像分割中，图像被描述为一个无向图，每个像素点为图的节点。

二、基于随机游走的图像分割算法原理基于随机游走的图像分割算法的核心思想是将图像分割视为节点的分类问题，假设每个像素点都属于某个类别，根据节点彼此之间的关系（像素之间的相似性）以及节点自身的特征（像素的灰度值、纹理等）对节点进行分类，使得同一类的节点之间的相似性最高，不同类之间的相似性最低。

具体来说，算法首先构建一个无向图，由像素构成，其中每个像素作为节点，根据相邻像素之间的灰度值差异，建立连边权重。

算法设置一个指针，从图中的某个节点开始随机游走。

随着指针的游走，每个节点上的标记信息逐渐更新，最终收敛到一个平衡状态。

在平衡状态下，每个节点都被标记为属于某个类别。

通常情况下，标记信息由一组实数表示，每个数字代表节点属于某个类的概率。

三、基于随机游走的图像分割算法方法基于随机游走的图像分割算法包括两个主要部分：图模型的构建和标记信息的计算更新。

1. 图模型的构建图像被视为一个无向图，每个像素点为图的节点。

对于图中的每个节点，根据像素点之间的相似性，设置其连接的权重。

若两个节点之间的权重值大于阈值T，则两个节点之间连一条边。

2. 标记信息的计算更新标记信息表示了每个节点属于某个类别的概率，通常由一组实数表示。

标记信息的计算更新分为两个步骤：初始标记和标记传播。

自适应随机游走图像分割算法

自适应随机游走图像分割算法依玉峰;高立群;程伟;于鸿银【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2011(032)008【摘要】To solve the problems that the description of image information is simple and the outline of the objective is easily influenced by background disturbances,an adaptive random walk（RW） image segmentation algorithm is proposed.A texture-based similarity weight expression is given,with the texture features introduced into RW algorithm for the first time to highlight the image structural information.In order to accurately calculate the weight between two adjacent nodes,an adaptive weight expression is proposed,i.e.,the proportion of intensity-based and texture-based weights in weight expression will be adaptively calculated according to the image edge density.High-quality segmentation results can be achieved by solving Dirichlet boundary condition.The experiments demonstrates that the proposed algorithm accurately describes image structural information and is more applicable and accurate in comparison with graph cut（GC） and typical RW algorithms.%传统的随机游走算法图像信息描述单一,目标轮廓易受背景干扰;针对这一问题,提出一种自适应随机游走图像分割算法.算法首先建立了一种基于纹理相似性的权函数表达式,借助Gabor能量滤波器,首次将纹理特征引入到随机游走算法中,来突出图像的结构信息;其次,为了更加准确地计算节点间的连接权值,算法还提出一种自适应权值计算方法,根据图像边缘密度,自适应地计算纹理和灰度特征在权函数中所占的权重.最后应用狄利克雷边界条件,实现图像分割.实验结果表明,所提算法更好地刻画了图像的结构信息;与传统方法相比,具有更好的适用性和分割【总页数】5页(P1092-1096)【作者】依玉峰;高立群;程伟;于鸿银【作者单位】东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819【正文语种】中文【中图分类】TP391【相关文献】1.基于Mean Shift和随机游走的图像分割算法 [J], 穆克;程伟;褚俊霞2.结合SSFCM与随机游走的半监督图像分割算法 [J], 陈圣国;孙正兴;周杰;李毅3.一种随机游走图像自动分割算法 [J], 周玉华;陈健美;阚宇4.基于随机游走的自动图像分割算法 [J], 茅正冲;韩毅5.一种改进的随机游走图像分割算法 [J], 王梅;李玉鑑因版权原因，仅展示原文概要，查看原文内容请购买。

基于自动随机游走的涎腺肿瘤超声图像分割方法

ａｎｄｂａｃｋｇｒｏｕｎｄｒｅｇｉｏｎｓａｒｅｅｘｔｒａｃｔｅｄ，ａｎｄｔｈｅｇａｕｇｅｐｏｉｎｔｓｉｎｔｈｅｓｋｅｌｅｔｏｎｓｔｒｕｃｔｕｒｅｓａｒｅｌａ —
ＣｈｅｎＨｏｕｊｉｎ，ＳｕＨａｉｎａｎ，ＹａｏＣｈａｎｇ，ＬｉＹａｎｆｅｎｇ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｊｉｎｇＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ，１０００４４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆｔｈｅｄｉｆｆｉｃｕｌｔｓｅｇｍｅｎｔａｔｉｏｎｏｆｕｌｔｒａｓｏｎｉｃｔｕｍｏｒｉｍａｇｅｗｉｔｈｓｔｒｏｎｇｓｐｅｃｋｌｅ
ｎｏｉｓｅ，ｌｏｗｃｏｎｔｒａｓｔａｎｄｗｅａｋｂｏｕｎｄａｒｉｅｓ，ａｎａｕｔｏｍａｔｉｃｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ，ｃｏｍｂｉｎｅｄｒａｎｄｏｍｗａｌｋｗｉｔｈｍｏｒｐｈｏｌｏｇｙｄｅｔｅｃｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｅｒｏｕｇｈｃｏｎｔｏｕｒｏｆｔｈｅｔａｒｇｅｔｉｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｍｏｒｐｈｏｌｏｇｉｃａｌｏｐｅｒａｔｉｏｎ，ｔｈｅｎｔｈｅｓｋｅｌｅｔｏｎｓｔｒｕｃｔｕｒｅｓｏｆｆｏｒｅｇｒｏｕｎｄｒｅｇｉｏｎｓ

基于Mean Shift和随机游走的图像分割算法

ＩａｅＳｇｅｔｔｏｇｒｔｍｓｄｏｅｎＳｉｔｍｇｅｍｎａｉｎＡｌｏｉｈＢａｅｎＭａｈｆ
ａｎｏｌｋｎｄＲａｄｍＷａｌ
ＭＵ ’ ＣＨＥＫｅＮＧｉＣＨＵｕ．ｉＷｅ２Ｊｎｘａ
要：提出了一种改进的随机游走算法。首先，采用ＭｅｎＳｉ算法对图像进行预处理，将图像划分成一ａｈｆｔ
些同质区域，用同质区域作为节点进行随机游走，在降低节点数的同时也抑制了噪声对分割的影响：其次，利用
马氏距离定义区域之间的权值；对种子点进行了改进，增加了辅助种子点，利用辅助种子点和用户标记的种子点进行随机游走，实现同质区域的合并，实现图像的最终分割。实验结果表明，该算法提高了图像分割的精度。关键词：交互式图像分割；ＭｅｎＳｉａｈＲ算法；随机游走算法中图分类号：Ｔ３ｌＰ１文献标识码：Ａ文章编号：１７．２１０２０．０７０６４３６（１）１２ —４２０
Ｖ１０１
基于ＭｅｎＳｉ和随机游走的图像分割算法ａｈｆｔ
穆
摘
克，程
伟２，褚俊霞
１３０；２深圳中兴集团，广东深圳１０１．５８５）１０７
（．宁石油化工大学信息与控制工程学院，辽宁抚顺１辽
ｈｏｇｎｏｓａｅｗｅ＇ｔｅｓｎｄｓｔｗａａｎｏｗｉｎｉｅｉｉｉｉｒｄｃｎｔｅｈｍｏｅｅｕｒａｌｋｎａｏｅｌｔａｄｍ，ｔｏｓｈｂｔｄｗｈｌｅｕｉｇｔｅｓｃａｏｋｒｈｎｅｅｈ

头颈部肿瘤PET图像分割随机游走方法

头颈部肿瘤PET图像分割随机游走方法作者：刘国才胡泽田朱苏雨袁媛刘科吴峥张九堂莫逸来源：《湖南大学学报·自然科学版》2016年第02期摘要：针对肿瘤放疗生物靶区高精度勾画难题，根据头颈部肿瘤PET（positron emission computed tomography）影像特点，提出了肿瘤PET图像分割随机游走方法.首先，根据PET SUV（standardized uptake value）影像，采用三维自适应区域生长和数学形态学膨胀方法确定随机游走方法的种子点，将包含肿瘤的感兴趣区域分为核心肿瘤区域（标记为前景种子点）、正常组织区域（标记为背景种子点）和待定区域.然后，利用头颈部肿瘤和周围正常组织PET 图像具有不同的对比度纹理特征，将PET SUV及其对比度纹理值作为随机游走方法中边的权值计算依据.实验结果表明，该法不仅比传统随机游走方法平均提速9.34倍，而且，以临床医生手工勾画的大体肿瘤区作为参考标准，相似度平均提高32.5%（P关键词：医学图像分割；随机游走；区域生长；生物靶区；头颈癌中图分类号：TP391.4 文献标识码：A文章编号：1674-2974（2016）02-0141-0918F-脱氧葡萄糖（18FDG）正电子发射断层扫描（positron emission computed tomography， PET）是一种在分子水平上非侵入性的生物学特性成像方法，是核医学影像最先进的分子影像技术之一，目前已被广泛应用于恶性肿瘤的检测和分期，并已成为当前肿瘤生物调强放疗计划和疗效评估研究的重要影像技术[1-3].基于PET影像的高精度肿瘤生物靶区勾画是肿瘤放疗计划和疗效评估的基础，但肿瘤PET影像不仅信噪比低，而且空间分辨率低、部分容积效应严重，头颈部肿瘤周围正常组织的18FDG标准摄取值（standardized uptake value，SUV）通常还和肿瘤的SUV非常接近，因此，PET影像中的肿瘤边界通常模糊，且与毗邻正常组织的分界不清晰.肿瘤内部还具有各向异性的生物学特性，因此，高精度的肿瘤生物靶区勾画非常困难.肿瘤生物靶区勾画本质上是肿瘤PET图像分割问题.随机游走（random walk， RW）是一种基于图论的交互式图像分割方法[4-6]，它将图像的分割问题转化为图的Dirichlet最优化问题[5].随机游走图像分割算法在图像像素数量比较少的情况下，分割速度快，分割效果好，特别是在处理含有强噪声、弱边界或缺失边界、有模棱两可的图像区域时显示出了突出优势.这些特性使得随机游走算法非常适合处理PET图像.Bagci等[7]和Onoma等[8]最先将随机游走方法应用在肺部肿瘤PET图像分割中，并取得不错的效果.但由于头颈部解剖结构复杂，目前尚未见有关将随机游走方法应用于三维头颈癌PET图像分割的文献.随机游走分割结果一方面依赖于种子点的位置和数量，另一方面依赖于顶点间边的权值计算方法.种子点越多，提供的前景与背景区域信息就越多，相应的分割结果就越令人满意 [9]. 我们也发现肿瘤PET图像分割随机游走问题的求解不仅需要提供正确标记的肿瘤和非肿瘤种子点，而且种子点的数目和位置对图像分割结果有很大影响.不合适的种子点标记，可使随机游走问题无法有效求解；种子点数目不充足，可导致分割结果不理想.但是，在三维PET情况下，人工选择种子点不仅效率十分低下，而且种子点不足难以得到令人满意的分割结果，尤其对于PET SUV图像中生物特性各向异性的肿瘤分割更是如此.因此，我们根据头颈癌PET SUV 分布特点，提出采用三维自适应区域生长和数学形态学膨胀方法，将包含肿瘤的感兴趣区域分为核心肿瘤区域、正常组织区域和待定区域三类，并将核心肿瘤区域全部体素点标记为肿瘤分割随机游走问题的生物靶区种子点，同时将正常组织区域全部体素点标记为非生物靶区种子点，这样只需要对待定区域的体素点进行随机游走分割.这不仅使随机游走问题的求解速度显著提高，而且大量的种子点使肿瘤分割结果更准确.另一方面，我们发现头颈部肿瘤和其周围正常组织PET SUV图像具有不同的对比度纹理特征，提出一种基于PET SUV及其对比度纹理特征量的肿瘤分割随机游走顶点间边的权值计算方法，以便更好地区分肿瘤和其周围高SUV 的正常组织，进一步提高肿瘤分割结果精度.1经典随机游走方法受条件限制，我们无法获取每个病例的病理标本作为金标准.因此，我们邀请3位经验丰富的放疗科医生独立地对每个病例分别进行手工勾画大体肿瘤靶区（gross tumor volume，GTV），然后由另外一位经验丰富的放疗科主任医师综合以上3位医生勾画结果给出最终的GTV，我们将这个最终的GTV作为参考标准（ground truth， GT）.为了验证提出方法的性能，本文采用Dice相似性（similarity， SIM）、灵敏性（sensitivity， SEN）和特异性（specificity， SPE）作为定量评价指标.3.1性能指标定义1相似性是指实验方法所得勾画结果与金标准的重合程度.SIM值越大表明两者几何形状重合得更好.定义为：3.2与传统随机游走方法性能比较有研究[16]指出：在三维下的随机游走分割算法中，采取三维26-邻域来构造图所取得的分割效果最佳.因此，本文采用三维26-邻域来描述三维空间内体素与其相邻体素的关系.为了便于比较，且根据文献[5]，本文对于所有随机游走方法选取β，β1和β2值均为90.为了简便起见，我们将手工选择种子点和未将纹理引入权值函数（即β2=0）的随机游走算法记为传统随机游走方法.图4给出了不同种子点选择方法所得到的随机游走分割结果.图4（b）和图4（j）是手工选取的种子点，图4（c）和图4（k）是本文基于三维自适应区域生长方法自动选取的种子点.从分割结果来看，用手工选取种子点的随机游走方法分割效果并不理想，图4（f）和图4（n）显示结果都出现了欠分割.这是因为在三维图像分割中，医学图像情况复杂、数量较多，手工选取种子点费时费力且带有很大的主观性，种子点太少不足以表征前景和背景区域的特征，造成分割结果不理想.本文提出的自动选择种子点方法是通过大量实验，在保证较好的分割结果和较快的分割速度前提下选择得到的.本文方法在执行过程中不需要人工干预选择种子点，从而在保证分割结果精确度的前提下大大提高了方法的执行效率.图4（a）中黑色方框内的肿瘤和正常组织的PET SUV很相近，肿瘤组织与其右侧腮腺毗邻，边界没有明显的界限，此时（11）式中（Ii-Ij）2趋近为0，而相应的肿瘤和正常组织对比度纹理则有明显界限（见图4（d）黑色框内），此时（Ci-Cj）2非0.图4（i）与图4（l）也是类似情况，图4（i）中肿瘤不仅与其左侧的腮腺边界模糊，而且与其下方的小脑组织也没有明显的界限.本文提出的改进的权值函数，将PET图像的SUV信息与PET图像对比度纹理联合起来，两者融合后的相应边权值wij将比仅考虑SUV时减小，从而有利于正确区分肿瘤和高SUV正常组织.（外围十字点集：背景种子点，中间星号点集：前景种子点，封闭曲线：肿瘤轮廓，前两行为本实验的一例病例，后两行为另外一例病例的实验结果）图5，图6和图7给出了本文自动选取得到种子点的分割结果与传统手工选取种子点随机游走分割结果定量比较.从图5可以看出，本文方法性能明显优于传统随机游走方法.本文方法分割结果比传统随机游走方法分割结果与参考标准的相似度平均提高32.5%，差异具有统计学意义（t检验： H=1， P表1给出了本文方法与传统随机游走方法运行的CPU时间对比结果.从表1可以看出，本文方法的运行时间要明显少于传统随机游走方法的运行时间，本文提出的方法比传统随机游走方法平均提速9.34倍左右，差异具有统计学意义（t检验： H=1， P3.3与传统阈值法比较为进一步检验方法的性能，我们还将本文方法的分割结果同时与经典的40%最大SUV值（记为40% SUVmax）阈值法和SUV 2.5阈值法（记为SUV 2.5）的分割结果进行了比较.从图8可以直观地看到40% SUVmax阈值法和SUV 2.5阈值法都将与肿瘤毗邻的正常组织包括进来了（见图8（c）（d）中箭头所指区域）.传统手工选取种子点数量不足造成了传统随机游走三维图像分割效果并不理想，图5，图6和图7中显示，对于有些病例，传统随机游走分割效果甚至不如40% SUVmax阈值法和SUV 2.5阈值法的分割效果好，这也证实了随机游走算法依赖种子点的数量和位置，种子点数量不足导致传统随机游走方法分割效果并不理想.而本文提出的方法却能够得到较好的分割结果，如图8（b）所示.本文所提方法的分割结果光滑圆润，没有离散点，充分显示了本文方法的优越性.4结论本文在三维自适应区域生长方法的基础上提出一种新颖的自动选取肿瘤PET分割随机游走种子点的方法.利用PET图像SUV的分布特点，通过三维自适应区域生长方法结果来确定随机游走种子点.由此得到的种子点，不仅数目充足，减少了图中未标记节点的数目，使计算时间大大减少，计算速度明显提高；而且位置合理，充分地利用PET图像的全信息，可以很好地表示肿瘤区域和正常区域的特征.本研究还将PET图像基于NGTDM提取的对比度纹理特征引入随机游走分割方法的权函数中，改进后的权函数自适应地融合了PET SUV特点与PET图像对比度纹理特征，进一步提高了PET图像分割精度.实验结果表明，针对不同头颈癌PET图像分割任务，本文提出的分割方法比传统随机游走方法均表现出更好的分割效果和更快的分割速度，差异具有统计学意义.而且在与肿瘤毗邻的正常组织具有与肿瘤区域相似SUV值等较难分割情况下，该方法利用PET图像纹理信息改进了肿瘤分割的准确性.该方法还有待大规模的临床研究，以确定其临床应用价值.参考文献[1]NAQA I E. The role of quantitative PET in predicting cancer treatment outcomes[J]. Clinical and Translational Imaging， 2014， 2（4）： 305-320.[2]SCHWARTZ D L， FORD E， RAJENDRAN J， et al. FDG-PET/CT imaging for preradiotherapy staging of head-and-neck squamous cell carcinoma[J]. International Journal of Radiation Oncology Biology Physics， 2005， 61（1）： 129-136.[3]SUREZ F J P， MALDONADO S A， DOMNGUEZ G M L， et al. Positron emission tomography （PET） imaging in head and neck cancer[J]. Acta Otorrinolaringologica Espanola，2003， 55（7）： 303-309.[4]WECHSLER H， KIDODE M. A random walk procedure for texture discrimination[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979，1 （3）： 272-280.[5]GRADY L. Random walks for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（11）： 1768-1783.[6]MEILA M， SHI J. Learning segmentation by random walks[C]//Proceedings of Advances in Neural Information Processing Systems. Cambridge， Massachusetts： MIT Press，2001.[7]BAGCI U， YAO J， CABAN J， et al. A graph-theoretic approach for segmentation of PET images[C]//Proceedings of 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. New York： IEEE， 2011： 8479-8482.[8]ONOMA D P， RUAN S， GARDIN I， et al. 3D random walk based segmentation for lung tumor delineation in PET imaging[C]//Proceedings of 2012 9th IEEE International Symposium on Biomedical Imaging. New York： IEEE， 2012： 1260-1263.[9]GRADY L， SCHIWIETZ T， AHARON S， et al. Random walks for interactive organ segmentation in two and three dimensions： Implementation and validation[M]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2005. Berlin： Springer Berlin Heidelberg， 2005： 773-780.[10]SHI J， MALIK J. Normalized cuts and image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 888-905.[11]LIU Guo-cai， ZHU Su-yu， WANG Yao-nang， et al. Hierarchical and adaptive volume-growing methods for the PET based biologic target volume delineation for radiotherapy treatment planning[C] //Proceedings of 2011 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York： IEEE， 2011： 4293-4295.[12]REED T R， DUBUF J M H. A review of recent texture segmentation and feature extraction techniques[J]. CVGIP： Image Understanding， 1993， 57（3）： 359-372.[13]AMADASUN M， KING R. Textural features corresponding to textural properties[J]. IEEE Transactions on Systems， Man and Cybernetics， 1989， 19（5）： 1264-1274.[14]CUI H， WANG X， FENG D. Automated localization and segmentation of lung tumor from PET-CT thorax volumes based on image feature analysis[C]//Proceedings of 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. New York： IEEE， 2012： 5384-5387.[15]LIU Guo-cai， YANG We-li， ZHU Su-yu， et al. PET/CT image textures for the recognition of tumors and organs at risk for radiotherapy treatment planning[C]//Proceedings of 2013 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York：IEEE， 2013： 1-3.[16]GRADY L， JOLLY M P. Weights and topology： a study of the effects of graph construction on 3D image segmentation[M]// Medical Image Computing and Computer-Assisted Intervention-MICCAI 2008. Berlin： Springer Berlin Heidelberg， 2008： 153-161.。

基于结构张量与随机游走的图像分割算法

收稿日期:2008-09-15基金项目:国家自然科学基金资助项目(60274099)·作者简介:片兆宇(1980-),男,辽宁抚顺人,东北大学博士研究生;高立群(1949-),男,辽宁沈阳人,东北大学教授,博士生导师·第30卷第8期2009年8月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vol .30,No .8Aug .2009基于结构张量与随机游走的图像分割算法片兆宇,高立群,郭　丽(东北大学信息科学与工程学院,辽宁沈阳　110004)摘要:将结构张量与随机游走算法相结合,提出一种新的图像分割策略·算法通过分析结构张量特性,提出尺度向量的概念来计算像素间的连接权值,然后应用随机游走算法实现分割·利用尺度向量得到的权值刻画了图像局部的结构信息,更有效地实现了图像分割·此外,还提出了一种自适应各向异性的滤波函数,用以代替高斯函数对结构张量进行平滑,使所得到的结构张量可以更好地保留图像的复杂结构信息·实验表明,所提算法具有更好的分割准确性和稳定性·关　键　词:图像分割;随机游走算法;结构张量;高斯函数;各向异性滤波中图分类号:T P 391 文献标识码:A 文章编号:1005-3026(2009)08-1095-04An Image Segmentation Algorithm Based on Structure Tensor and Random WalkPIAN Zhao -yu ,GAO Li -qun ,GUO Li(School of Info rma tio n Science &Engineering ,N ortheastern U niversity ,Shenyang 110004,China .Correspondent :P IAN Z hao -yu ,E -mail :bgfhdragon @126.co m )A bstract :Proposes a new approach to image segmentation through combining the structure tensor with random w alk algorithm .Taking advantages of the structure tensor ,the weights between pixels are com puted in term s of scale vector ,then the image is segmented by the random w alk algorithm .Because the weight used is in terms of scale vecto r ,it can characterize the structure info rmation so as to make the segmentatio n more accurately .In addition ,an adaptively anisotropy filter function is proposed instead of the Gaussian function to smoothen the structure tensor ,thus enabling the smoothened structure tensor to keep mo re info rmation on image 's complicated structure .The final experiments demonstrated that the proposed algorithm is more accurate and stable in image segmentatio n .Key words :im age segmentation ;random w alk algorithm ;structure tensor ;Gaussian function ;anisotropy filtering图像分割在图像处理领域占有十分重要的地位[1]·传统的分割方法大多为自动分割,然而这些方法对于结构复杂的图像很难实现精确分割·近些年,交互式分割算法凭借自身优势逐渐得到人们的关注[2-4],在这些算法中,随机游走算法以分割准确、操作简便的特点脱颖而出·该方法首先根据提取任务对图像进行初始标记,确定目标区域和背景区域的标记点;然后计算随机游走者从每个节点到达标记点的最大概率,以此实现对图像的分割[5]·然而,传统的随机游走算法仅依据图像的灰度差来描述节点间的连接权,使分割容易受到干扰·本文首次将结构张量与随机游走算法相结合,提出了一种新的图像分割方法·算法首先从结构张量的特征值和特征向量入手,分析结构张量的特性,定义结构张量的尺度向量;然后,用其代替像素灰度求取随机游走所需的连接权值,实现图像分割·在此过程中,为了更加精确地刻画图像中复杂结构的信息,本文还提出了一种自适应各向异性的滤波函数,用以代替高斯函数对结构张量进行平滑;所得结构张量不仅可以描述像素间的灰度差,体现像素点周围的结构信息,而且还可以更好地保留图像中复杂结构,如角点等的信息·1　随机游走算法随机游走算法是一种人为参与的交互式分割算法·该算法通过选择标记点、建立权函数、求解转移概率实现对图像的分割·算法中,原图像首先被转化为一幅离散的加权图G =(V ,E ,W ),由节点和边组成;节点v ∈V 代表原图像中的像素点;边e ∈E V ×V 表示原图像中像素点之间的相互关系;w ij ∈W 表示节点v i 和v j 间的连接权值,可由式(1)计算得到[6]:w ij =e -β(I i -I j )2·(1)式中:I 表示像素值;β为自由参数,用来控制连接强度·在得到加权图后,对图像中待分割的k 个目标区域进行标记·这样,图中节点被分为两个子集:种子点集合V M 和未标记的节点集合V U ,它们之间满足V M ∪V U =V ,V M ∩V U = ·图像的分割问题也转化为求解未标记节点首次到达k 组种子点的最大概率问题·文献[7]已经证明了随机游走算法中求解未标记点第一次到达种子点的概率与求解种子点边界条件下的Dirichlet 问题是等价的·定义离散拉普拉斯矩阵L =(L v i v j )为L v i v j =d v i ,i =j ;-w ij ,v i 和v j 是相邻节点;0,其他·(2)式中:d v i 表示节点v i 的度,它等于所有与节点v i 相连权值的和·根据V M 和V U ,可以将拉普拉斯矩阵L 分块为标记区域L M 和非标记区域L U :L =L M B B T L U·(3)通过求解方程:L U x s =-Bm s ,可以获得Dirichlet 问题的概率值·其中,m s =(m s j ),m s j 表示一个未标记点是否属于一个类别标签,对于标签s ,若未标记节点v j 属于它,则m s j =1,否则m s j =0;x s =(x si ),x si 表示未标记节点v i ∈V U 到达k 组种子点的概率·在获得每个节点到达k 个区域的概率后,根据最大概率max s ∈{1,2,…,k }x si ,将该节点归并到所对应的种子点类别,从而实现图像的分割·2　基于各向异性结构张量的随机游走算法经典随机游走算法仅考虑像素之间的灰度和位置关系,没有考虑其邻域的结构信息·本文首次将结构张量引入到随机游走算法中,使分割更加准确·2.1　结构张量对于二维图像I :Ψ※R 2,设图像中某点像素的梯度向量为 I =(I x ,I y )T ,则该点的张量可表示为G ( I )= I IT=I 2x I x I y I x I yI 2y=u 11u 12u 12u 22·(4)由det G =0可知,G 只有一个非零特征值·因此,张量只能描述像素点的一维结构和方向,而无法描述像素点周围的多维信息·为了体现局部结构信息,可采用滤波技术对矩阵场数据进行平滑·将经过滤波平滑后的张量定义为结构张量,其表达式[8]为G σ=g σ＊G =g σ＊I 2x g σ＊I x I yg σ＊I x I yg σ＊I 2y·(5)式中,g σ是方差为σ的高斯函数·以灰度图像为例,结构张量G σ的特征值λ1和λ2体现了图像在其特征向量v 1和v 2方向上灰度变化的程度·若λ1,λ2都很小,说明G σ在两个方向都只有微小的变化;若λ1较大,λ2较小,则说明G σ在v 1方向上变化较大;但如果λ1和λ2的值都很大,则说明G σ描述的是复杂结构区域·因此,可以利用结构张量两个特征值间的关系,描述图像的局部结构·本文利用结构张量的迹tr G σ=λ1+λ2来描述局部变化的强度;定义coh G σ=(λ1-λ2)2来刻画局部结构的一致性·定义结构张量的尺度向量q (x ,y ),令q (x ,y )=[tr G σ　coh G σ]·这样,q (x ,y )不仅包含了像素梯度的信息,而且还包含了像素点一定邻域内的结构信息·若图像中某点处于一致区域,则其结构张量的变化强度较大;而对处于边缘或等线性区域的像素点,其结构张量在表现了较大的变化强度的同时,也体现了较小的一致性;对处于角点或其他复杂环境的结构张量,则在体现较大变化强度的同时,表现出较小的一致性·因此,尺度向量替代梯度信息来描述图像,具有更好的结构表达能力·2.2　各向异性结构张量经典的结构张量采用高斯函数对图像进行平滑,而这种滤波器对于边缘、角点等复杂结构信息的滤波效果较差,这主要是由于高斯函数的各向1096东北大学学报(自然科学版) 第30卷同性的滤波作用·事实上,图像的结构信息分布在区域的边缘上,而不是边缘的两侧·因此,本文设计了一种自适应各向异性的滤波函数,根据不同方向上的变化强度,对图像进行滤波,其形式[9]如下:h σ,γ,θ(x ,y )=λ1+λ22πσ2exp -x 2+r 2y 22σ2/(λ1+λ2),u=x cos θ+y sin θ,v =-x sin θ+y cos θ·(6)式中,r 为空间频率,它的大小决定了滤波函数的形状·令r =λ1/λ2,若λ1,λ2相差较大,则滤波函数为椭圆形,椭圆的长轴与较小特征向量的方向一致;若λ1,λ2相近,则滤波函数呈近圆形滤波结构,在各方向上采用相同的滤波强度·σ为高斯核函数的方差,σ/(λ1+λ2)的大小决定了滤波函数的作用范围,若σ/(λ1+λ2)较大,说明特征值之和较大,局部结构为一致区域,则采用较大的滤波范围;反之,说明局部结构为边缘或角点区域,则采用较小的滤波范围·此外,参数θ表示在(x ,y )处的边缘方向,与较小特征值所对应的特征向量同向·这样,基于自适应各向异性滤波函数的结构张量T 可写为:T (I )=h σ,γ,θ＊G =h σ,γ,θ＊u 11h σ,γ,θ＊u12h σ,γ,θ＊u 12h σ,γ,θ＊u 22,t ij (x ,y )=∑x ′,y ′h σ,γ,θ(x -x ′,y -y ′)×u ij (x ′,y ′)·(7)2.3　基于各向异性结构张量的随机游走算法算法由预处理阶段和分割阶段两部分组成·在预处理阶段,首先应用前文所提的各向异性滤波函数,将图像转化到结构张量空间,然后求取每个像素点的对应结构张量的迹和一致性,获得尺度向量q (x ,y )·用q (x ,y )代替原来的像素值表示图像·在图像分割阶段,应用随机游走算法对图像进行分割·用预处理阶段获得的结构张量的尺度向量代替经典算法中的像素值,随机游走算法所需的连接权值的表达形式为w ′ij =e-β‖q i-q j‖2·(8)式中,‖q i -q j ‖表示标准L 2欧式范数·用尺度向量定义的权值,不仅体现了像素之间的差异,而且还体现了像素周围的结构特征·如果两个特征向量位于同一区域,则‖q i -q j ‖的距离较小,而它们之间的连接权值更大,因此更能体现像素间的关系,实现分类·3　实验结果与分析为验证所提方法的可行性,本文选取了两幅具有不同特点的图像进行仿真实验,并将所提算法(AST RW )的仿真结果与经典随机游走(RW )算法和基于高斯滤波结构张量的随机游走(DSTRW )算法的结果进行比较·3.1　Beaver 图像的仿真实验由图1a 可知,待分割的Beaver 纹理特征与周围环境十分相似,尤其是在Beaver 背部与岩石的交界处,而这种相似性大大增加了分割的难度·从分割结果可知:经典的随机游走算法由于忽略了图像内部的结构信息,使得在Beaver 背部区域的分割结果进入到了Beaver 的内部,而且在Beaver 左下方处,由于岩石纹理的影响,也出现了误分割现象;而DSTRW 算法虽然较好地实现了对Beaver 轮廓的分割,但在其背部由于高斯函数的各向同性平滑作用,使算法对于弱拐点失去了检测能力·与之相比,由图1d 可以看出,本文所提方法不仅有效地实现了对Beaver 的分割,而且在局部区域,如Beaver 的背部和左下方这些弱边界处,体现了更好的分割准确性·图1　Beaver 图像的分割结果Fig .1　Segmentation results of beaver image(a )—原始图;(b )—RW 的分割结果;(c )—DST RW 的分割结果;(d )—AS T RW 的分割结果·3.2　受噪声干扰的MRI 图像的仿真实验乘性噪声是一种在日常生活中较为常见的噪声形式,为了验证算法抑制噪声的能力,在图2中,对M RI 图像加入均值为0、方差为0.008的1097第8期片兆宇等:基于结构张量与随机游走的图像分割算法均匀分布的乘性噪声·从仿真结果可以看出,经典的随机游走算法受噪声干扰严重,较少噪声的存在就会影响到分割的效果·而采用结构张量的随机游走算法———DSTRW 和AS TRW 算法,由于加入了滤波函数,所以都体现了较好的抑制噪声的能力,在噪声环境下,依然可以准确地将目标从背景中分割出来;而且,ASTRW 算法在细节部分体现了更好的分割性能·大量的实验证明,所加噪声越多,经典随机游走算法的分割效果越差,所提算法的优势越明显·图2　受噪声干扰的MR I 图像的分割结果Fig .2　Segm entation results of noise -inferred M RI image(a )—原始图;(b )—RW 的分割结果;(c )—DST RW 的分割结果;(d )—AS T RW 的分割结果·4　结语本文在结构张量的基础上提出一种改进的随机游走算法·算法通过定义结构张量的特征向量来建立节点间的连接权值,实现图像分割·根据结构张量所得到的连接权值,不仅可以体现像素间差异,而且还可以刻画局部区域的结构信息;因此,算法充分利用了图像的结构信息·此外,在求取尺度向量阶段,本文还提出一种自适应各向异性的滤波函数,应用这种滤波函数可以有效地保留角点等复杂结构信息·实验表明,针对不同的分割任务,所提算法均体现出较好的分割性能,而且在结构复杂区域,所提算法具有更好的分割准确性·文中算法还存在着一定的缺陷,在今后的工作中,如何实现标记点的自适应选取,将是下一步研究的重点·参考文献:[1]片兆宇,高立群,郭丽,等·多阶段边缘检测算法[J ]·东北大学学报:自然科学版,2008,29(5):637-640·(Pian Zhao -yu ,Gao Li -qun ,Guo Li ,et al .An edge detection al gorithm based on multi -phase proces sing [J ].Jour nal ofNortheaster n U niversity :Natural S cience ,2008,29(5):637-640.)[2]Protiere A ,S apiro G .Interactive image s egmentation via adaptive w eighted distances [J ].IEEE Trans actions on Image Process ing ,2007,16(4):1046-1057.[3]Brodersen A ,M useth K ,Porumbescu S ,et a l .Geometric texturing using level sets [J ].IEEE Tr ans actions onVisualization and Computer Graphics ,2008,14(2):277-288.[4]Kass M ,Witkin A ,Terzopoulos D .Snakes :active contour models [J ].In ternational Journa l of Computer Vision ,1988,1(4):321-331.[5]Grady L .M ultilabel random walker image segmentation using prior models [C ]∥IEEE Compu ter S ociety Conference on Computer Vision and Pattern Recognition .San Diego :IEEE ,2005:763-770.[6]Grady L .Random w alks for image s egmentation [J ].IEEE Transactions on Patter n Analys is and Machine In telligence ,2006,28(11):1768-1783.[7]M eila M ,Shi J .Learning segmentation by random w alks [C ]∥Advances in Neural Information Processing Systems .Cambridge ,M A :M IT Press ,2000:873-879.[8]Kothe U .Edge and junction detection w ith an improved structure tensor [C ]∥Lecture Notes in Computer S cience .Berlin :Springer -Verlag ,2003:25-32.[9]Brox T ,Weickert J ,Burgeth B .Nonlinear structure tensors [J ].Image and Vision Computing ,2006,24(1):41-55.1098东北大学学报(自然科学版) 第30卷。

图像分割的自适应FKCN方法

图像分割的自适应FKCN方法
王磊;戚飞虎
【期刊名称】《电子学报》
【年(卷),期】2000(28)2
【摘要】模糊Kohonen聚类网络(FKCN)是一种自组织模糊神经网络,由于它巧妙地将模糊c-均值(FCM)的概念引入Kohonen网络的学习机制中,所以在处理图像中广泛存在的模糊性和不确定性时表现出强大的优势.但将它用于图像分割时却存在着许多缺陷,如网络节点无法自动确定、网络收敛速度慢、计算量大等,从而使FKCN的应用受到限制.针对这些问题,本文提出了一种能根据目标图像的灰度分布特征自动确定网络结构的自适应FKCN算法.通过采用新的模糊算子及在网络学习过程中变换迭代样本空间,大大加快了网络的收敛速度、改善了分割结果.
【总页数】3页(P4-6)
【作者】王磊;戚飞虎
【作者单位】上海交通大学计算机系,上海,200030;上海交通大学计算机系,上海,200030
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法 [J], 何婷; 郭艳光; 辛春花
2.基于FSLIC的自适应绝缘子图像分割方法 [J], 崔峥; 王俊元
3.基于Lab颜色空间的自适应K均值彩色图像分割方法 [J], 陈梦涛;余粟
4.一种基于自适应超像素的改进谱聚类图像分割方法 [J], 覃正优;林一帆;陈瑜萍;林富强
5.基于Lab颜色空间的自适应K均值彩色图像分割方法 [J], 陈梦涛;余粟
因版权原因，仅展示原文概要，查看原文内容请购买。

基于随机游走算法分割医学图像测量骨密度

ｂｃｇｏｎｒａｏｅｕｉｇｔｅｄｔｉｉｈａｇｔａｅ．Ｓｃｎ，ｕｅｆｉｆｒｔｎｏｉｅｇａｅｅｔｅｐ．ｉｈｎａｋｒｕｄａｅｒｒｄｃｎｈｅａｌｎｔｅｔｒｅｒａｅｏｄｓｄｏｎｏｍａｉｆｐｘｌｒｙｌｖｌＯｓｔｕｗｅｇｉｇｏｃａｔｈｏｅｔｒｅｅｄｐｘｌｎａｋｒｕｄｓｅｉｅｓｎｈｎｍａｅｕｅｏａｄｗａｋａｇｒｔｍＯｄｖｄｐｉｇＯｈｒ．ｃｏｓａｇｔｓｅｉｅｓａｄｂｃｇｏｎｅｄｐｘｌ．ａｄｔｅｋｓｆｒｎ — ｌｌｏｉｈｔｉｉｅｕｍａｅＳ
第３卷第４０期
２１００年１２月
辽
宁
石
油
化
工
大
学
学
报
ＶＯｌ＿３０Ｎｌ）Ａ（Ｎｌ（ＦｌＩ）ＮＧＳＨＩＨＵＡＵＮＩＶＥＲＳＴＹＩ
文章编号：６２６５（Ｏ０００５ —０１７ — ９２２ｌ）４０４５
Ｒｅｅｖｄ１ｕｙ２１ｃｉｅＪｌ００；ｒｖｓｄ８Ｓｐｅｅ００ｃｅｔｄ１ｅｅｂｒ２１７ｅｉｅｅｔｍｂｒ２１；ａｃｐｅ５Ｓｐｔｍｅ００
Ａｂｓｒｃ：ＡｎｄｏｆｍｅｈｉｈｉｆｖｅｔｂｒｅｃｌｉａｅｔｅｌｗｉｈｉａｙｄａａｗａｅｅｅｔａｔｋｉｔｏｄｗｔｕｓｎｇｏｒｅａｍｄｉａｍｇＯｄａｔｍｇｅｋｅｔｓｐｒｓｎｔｄ．Ｆｉｓ，ｕｅｒｔｓｄｏｆｔｅｍｅｈｏｆｐｉｃｗｉｅｌｎａｒｎｆｍＯｓｒｔｈｇｒｙｅｅｍａｅｆｅｈｔｄｏｅｅｓｉｅｒｔａｓｏｒｔｔｅｃａｌｖｌｏｆｉｇｏｒｎｈａｃｎｏｎｒｓａｉｔｅａｇｔａｅａｄｎｉｇｃｔａｔｒｔｏｂｅｗｅｎｔｒｅｒａｎ

基于自动随机游走的乳腺肿块分割算法_曹颖

第４５卷第１０期２０１１年１０月浙　江　大　学　学　报（工学版）Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ（Ｅｎｇｉｎｅｅｒｉｎｇ　Ｓｃｉｅｎｃｅ）Ｖｏｌ．４５Ｎｏ．１０Ｏｃｔ．２０１１收稿日期：２０１０－０６－２６．浙江大学学报（工学版）网址：ｗｗｗ．ｊｏｕｒｎａｌｓ．ｚｊｕ．ｅｄｕ．ｃｎ／ｅｎｇ基金项目：国家自然科学基金资助项目（６０７７２０９２）．作者简介：曹颖（１９８５—），女，硕士生，从事医学图像处理、计算机辅助医学影像诊断研究．Ｅ－ｍａｉｌ：ｃａｏｙ０８＠ｇｍａｉｌ．ｃｏｍ通信联系人：夏顺仁，男，教授．Ｅ－ｍａｉｌ：ｓｒｘｉａ＠ｚｊｕ．ｅｄｕ．ｃｎＤＯＩ：１０．３７８５／ｊ．ｉｓｓｎ．１００８－９７３Ｘ．２０１１．１０．００９基于自动随机游走的乳腺肿块分割算法曹　颖，郝　欣，朱晓恩，夏顺仁（浙江大学生物医学工程教育部重点实验室，浙江杭州３１００２７）摘　要：针对乳腺Ｘ线影像肿块分割易受弱边缘和周围组织干扰的问题，提出一种基于自动随机游走的乳腺肿块分割算法．利用二维最大熵阈值法、区域生长及形态学方法自动确定一系列标记点，采用平均边缘梯度评价法选择有效标记点进行随机游走分割以获得初步分割结果，并在此分割基础上进行星芒状结构检测，获得完整的肿块分割边缘．随机选取２２７例肿块图像进行分割，对分割结果进行特征提取和分类．实验结果表明，该算法克服了半自动随机游走的应用局限性，提高了乳腺肿块的分割精度；与其他分割算法相比，该算法在后续的分类中具有更高的分类精度．关键词：随机游走；乳腺Ｘ线影像；肿块分割；计算机辅助诊断；乳腺癌中图分类号：ＴＰ　３９１．４１文献标志码：Ａ文章编号：１００８－９７３Ｘ（２０１１）１０－１７５３－０８Ｍａｍｍｏｇｒａｐｈｉｃ　ｍａｓｓ　ｓｅｇｍｅｎｔａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎａｕｔｏｍａｔｉｃ　ｒａｎｄｏｍ　ｗａｌｋｓＣＡＯ　Ｙｉｎｇ，ＨＡＯ　Ｘｉｎ，ＺＨＵ　Ｘｉａｏ－ｅｎ，ＸＩＡ　Ｓｈｕｎ－ｒｅｎ（Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｏｆ　Ｍｉｎｉｓｔｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ，Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａ　ｍａｍｍｏｇｒａｐｈｉｃ　ｍａｓｓ　ｓｅｇｍｅｎｔａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ａｕｔｏｍａｔｉｃ　ｒａｎｄｏｍ　ｗａｌｋｓ　ａｌｇｏｒｉｔｈｍ　ｗａｓｐｒｅｓｅｎｔｅｄ　ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｉｎｔｅｒｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ｗｅａｋ　ｅｄｇｅ　ａｎｄ　ｓｕｒｒｏｕｎｄｉｎｇ　ｔｉｓｓｕｅｓ　ｏｎ　ｍａｓｓｓｅｇｍｅｎｔａｔｉｏｎ　ｉｎ　ｍａｍｍｏｇｒａｍｓ．Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ　ｍａｘｉｍｕｍ　ｅｎｔｒｏｐｙ　ｔｈｒｅｓｈｏｌｄ，ｒｅｇｉｏｎ　ｇｒｏｗｉｎｇ　ａｌｇｏｒｉｔｈｍａｎｄ　ｍｏｒｐｈｏｌｏｇｉｃａｌ　ｍｅｔｈｏｄ　ｗｅｒｅ　ｕｓｅｄ　ｔｏ　ａｕｔｏｍａｔｉｃａｌｌｙ　ｇｅｔ　ａ　ｓｅｒｉｅｓ　ｏｆ　ｌａｂｅｌｓ．Ｔｈｅｎ　ｔｈｅ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆａｖｅｒａｇｅ　ｅｄｇｅ　ｇｒａｄｉｅｎｔ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｓｅｌｅｃｔ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ｌａｂｅｌｓ　ｆｏｒ　ｒａｎｄｏｍ　ｗａｌｋｓ　ｓｅｇｍｅｎｔａｔｉｏｎ，ａｎｄ　ｔｈｅ　ｉｎｉｔｉａｌｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｗｅｒｅ　ｏｂｔａｉｎｅｄ；ｔｈｅ　ｓｐｉｃｕｌａｔｉｏｎ　ｐａｔｔｅｒｎ　ｗａｓ　ａｌｓｏ　ｄｅｔｅｃｔｅｄ　ｂａｓｅｄ　ｏｎ　ｓｕｃｈ　ｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓ．Ｔｈｅ　ｃｏｍｐｌｅｔｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｃｏｎｔｏｕｒ　ｆｏｒ　ｍａｓｓ　ｗａｓ　ａｃｈｉｅｖｅｄ．２２７ｉｍａｇｅｓ　ｃｏｎｔａｉｎｉｎｇ　ｍａｓｓ　ｗｅｒｅｒａｎｄｏｍｌｙ　ｓｅｌｅｃｔｅｄ　ｆｏｒ　ｓｅｇｍｅｎｔａｔｉｏｎ．Ｔｈｅｎ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｅｒｅ　ｉｍｐｌｅｍｅｎｔｅｄ　ｂａｓｅｄ　ｏｎｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｖｅｒｃｏｍｅｓ　ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎｌｉｍｉｔａｔｉｏｎ　ｏｆ　ｓｅｍｉ－ａｕｔｏｍａｔｉｃ　ｒａｎｄｏｍ　ｗａｌｋｓ　ａｌｇｏｒｉｔｈｍ，ａｎｄ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｓｅｇｍｅｎｔａｔｉｏｎ．Ｔｈｅａｌｇｏｒｉｔｈｍ　ａｃｈｉｅｖｅｓ　ｈｉｇｈｅｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｏｔｈｅｒ　ｓｅｇｍｅｎｔａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　ｍａｓｓ．Ｋｅｙ　ｗｏｒｄｓ：ｒａｎｄｏｍ　ｗａｌｋｓ；ｍａｍｍｏｇｒａｍ；ｍａｓｓ　ｓｅｇｍｅｎｔａｔｉｏｎ；ｃｏｍｐｕｔｅｒ－ａｉｄｅｄ　ｄｉａｇｎｏｓｉｓ；ｂｒｅａｓｔ　ｃａｎｃｅｒ乳腺癌是一种在女性中高发的恶性疾病，早期诊断和治疗是降低乳腺癌死亡率的关键［１］．钼靶乳腺Ｘ线影像空间分辨率较高，能够显示乳腺癌病变的早期症状，是公认的乳腺癌早期诊断的首选方法［２－４］．随着医学和计算机技术的迅速发展，利用计算机辅助诊断技术（ｃｏｍｐｕｔｅｒ－ａｉｄｅｄ　ｄｉａｇｎｏｓｉｓ，ＣＡＤ）辅助临床医师检测影像中的可疑病灶，降低诊断的假阳性率已成为乳腺癌早期诊断的研究热点［５－６］．肿块分割是ＣＡＤ系统的重要环节，良好的分割可以更准确地反映肿块的病理特征，为后续特征提取和分类提供依据，但肿块弱边缘和周围组织的干扰给肿块分割带来了一定的难度．目前，已有大量文献探讨乳腺肿块分割算法，如自适应阈值法、基于极大似然估计的区域生长算法、基于区域或边缘信息的活动轮廓模型等［７－１０］．在这些方法中，阈值分割与区域生长等方法过度依赖图像灰度信息，对肿块图像的适应性较差；活动轮廓模型是近年来乳腺肿块图像分割研究的热点，通过能量最小化来达到算法的收敛，但该模型参数复杂，容易陷入局部最小化，且难以保证边缘模糊肿块的分割精度；基于图论的图像分割是一种新兴的图像分割技术，Ｇｒａｄｙ等［１１－１２］结合随机游走（ｒａｎｄｏｍｗａｌｋｓ）与图论相关知识，提出一种交互式分割方法，与其他分割算法相比，随机游走算法在分割时可以添加用户信息、区别弱边界、降低漏边界风险、无须迭代，并可用图形处理单元（ｇｒａｐｈｉｃｓ　ｐｒｏｃｅｓｓｉｎｇｕｎｉｔ，ＧＰＵ）加速，在图像分割领域取得了较好的效果．但是传统的随机游走算法需要用户提供手动标记，对用户认识分割目标的先验知识要求较高，而且半自动的处理方式不利于其在自动化系统中的应用．本文提出一种基于自动随机游走的乳腺Ｘ线影像肿块分割算法．该算法克服了传统的随机游走算法由于交互操作而导致的应用局限性，将其成功应用于乳腺ＣＡＤ系统中，有效地消除了肿块弱边缘和周围组织的干扰，提高了分割精度．为了进一步评价分割结果，本文在乳腺肿块分割的基础上进行特征提取，利用支持向量机（ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａ－ｃｈｉｎｅ，ＳＶＭ）进行良恶性肿块分类，最后利用受试者工作特征（ｒｅｃｅｉｖｅｒ　ｏｐｅｒａｔｉｎｇ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ，ＲＯＣ）曲线对分类结果进行评价．同时，本文选取区域生长和基于区域信息的活动轮廓模型等算法与本文算法进行实验对比，实验结果表明了本文算法的有效性．算法的基本流程如图１所示．图１　分割方案基本流程Ｆｉｇ．１　Ｂａｓｉｃ　ｆｌｏｗｃｈａｒｔ　ｏｆ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｓｃｈｅｍｅ１　材料与方法１．１　图像数据库本文所使用的乳腺Ｘ线影像肿块实验样本选自美国南佛罗里达大学乳腺Ｘ线影像数据库（ｄｉｇｉｔ－ａｌ　ｄａｔａｂａｓｅ　ｆｏｒ　ｓｃｒｅｅｎｉｎｇ　ｍａｍｍｏｇｒａｐｈｙ，ＤＤＳＭ），图像中包含了影像学家手动标记的肿块大致区域以及对应的确诊信息．为了便于后续的图像处理和分析，对待处理图像进行一些预操作［１３］：首先将图像灰度动态范围由１２ｂｉｔ调整至８ｂｉｔ；然后根据肿块大致区域提取图像中心位于肿块内部、包含整个肿块位置的正方形感兴趣区域（ｒｅｇｉｏｎ　ｏｆ　ｉｎｔｅｒｅｓｔ，ＲＯＩ）；最后根据ＲＯＩ面积大小，利用双线性插值法将样本图像压缩至２５６×２５６像素．随机选取２２７例肿块实验样本，其中良性肿块样本１１４例，恶性肿块样本１１３例．１．２　图像增强算法在乳腺肿块图像中，某些肿块灰度对比度低，边缘较模糊；某些肿块处于腺体周围，容易被周围组织遮蔽．上述情况对肿块分割结果影响较大，为此进行有效的图像增强对肿块分割显得至关重要．本文参考文献［１４－１６］的增强方法：１）利用单层模糊增强算法调整图像灰度范围，提高肿块和背景的灰度对比度［１４］，其中二维最大熵算法获得的肿块分割阈值Ｔ用于构建模糊增强算法中的隶属度函数［１５］；２）构建与ＲＯＩ大小相同的高斯掩膜图像抑制肿块周围组织的干扰，掩膜半径大小可以根据在极坐标下肿块灰度沿半径增大的方向逐渐减小的特性自适应选择［１６］；３）利用ｒａｄｏｎ域变换算法突显肿块边缘及其星芒状结构信息［１７］．图像增强结果如图２（ｂ）所示．１．３　肿块分割算法１．３．１　随机游走算法　随机游走理论属于随机过程研究范畴，在图像分割领域它通过计算每个像素到给定标记点的概率值来达到分割的目的．该算法交互式分割过程总结如下：１）由用户指定标记点（分为背景标记点和肿块标记点），将图像映射成一幅加权图Ｇ＝（Ｖ，Ｅ），其中ｖ∈Ｖ表示节点，ｅ∈ＥＶ×Ｖ表示边；２）构建图像权值图，将边缘权重标记为Ｗｉｊ，表示图像的灰度变化；３）利用Ｗｉｊ计算每个未４５７１浙　江　大　学　学　报（工学版）第４５卷　标记点ｉ随机游走到标记点的概率ｘｓｉ，其中上标ｓ表示标记点类别，结合文献［１１，１８］证明了随机游走到达各标记点的首达概率满足一定条件下的Ｄｉｒｉｃｈｌｅｔ问题的解，通过求解Ｄｉｒｉｃｈｌｅｔ问题可以简单、方便地计算每点的概率；４）比较节点到达各类标记点的概率，通过ｍａｘｓ（ｘｓｉ）寻找节点所属的类别，并由此通过节点分类完成图像分割．随机游走算法虽然可以利用交互方式在分割过程中引入用户对分割目标的先验知识，使分割更加贴近用户需求，但是该种处理方式对用户要求较高，且不利于其在ＣＡＤ系统中的应用．为此，提出基于自动标记的随机游走算法，并将该算法应用于乳腺ＣＡＤ系统，提高了乳腺肿块的分割精度．１．３．２　自动随机游走算法　在随机游走过程中，理想标记点应该具备以下特征：均匀分布于目标上，涵盖目标的主要特征等．根据肿块边缘像素易反映肿块特征的特性，通过大量实验分析，采取与用户手动标记情况相似的标记点位置，即选定与肿块边缘轮廓接近的位置作为肿块标记点，包围肿块的外圈轮廓位置作为背景标记点．利用阈值法或区域生长算法可以快速获取肿块分割轮廓，但是阈值法较容易过分割肿块周围的粘连组织；区域生长算法根据连通域的生长特性可以抑制粘连组织干扰，但对边缘模糊的肿块较容易过生长．本文将两者有机结合来获取背景与肿块初始标记点．标记点位置的准确与否关系到随机游走算法的分割精度．在自动标记过程中，背景区域多分布在图像外围区域，较容易被准确标记；而肿块标记点位置接近肿块边缘，若区域生长算法分割不准确，则某些背景像素易被误标记为肿块区域．如何在初始标记点的基础上自动选择肿块有效标记点是随机游走算法实现自动分割的关键．如图２所示，本文提出的自动随机游走算法主要分为３个步骤．１）自动标记背景与肿块标记点．该算法自动标记过程总结如下．ａ）利用二维最大熵阈值法获得肿块初始分割轮廓ＣＴ；利用区域生长算法（生长阈值由二维最大熵算法计算获得，并将区域中心处灰度值最高的像素点设置为种子点）获得肿块初始分割轮廓ＣＲ．设置形态学结构元素Ｂ分别对ＣＴ和ＣＲ进行膨胀和腐蚀处理，得到轮廓ＣＴ′和ＣＲ′．ｂ）若出现ＣＲ′与ＣＴ′交叉的情况，则判定区域生长算法出现过分割，该分割结果失效，需要重新设置ＣＲ，使ＣＲ＝ＣＴ．ｃ）设置结构元素ＢＴ对ＣＴ′进行膨胀处理获得背景初始标记点ＬＢ；设置结构元素ＢＲ对ＣＲ′进行腐蚀处理获得肿块初始标记点ＬＭ．背景与肿块初始标记轮廓如图２（ｃ）所示，其中外圈白色轮廓表示背景标记点位置，内圈轮廓表示肿块标记点位置．ｄ）保持背景标记点ＬＢ位置不变，按比例增大ＢＲ，利用ＢＲ分别对ＣＲ′进行腐蚀处理，获得一系列肿块标记点ＬＭ１，ＬＭ２，…，ＬＭｎ．２）随机游走分割．对背景和肿块进行自动标记后，根据１．３．１节的随机游走算法，分别利用每组背景和肿块标记点（ＬＢ，ＬＭｉ）进行随机游走分割，获得图２　图像增强与自动随机游走分割Ｆｉｇ．２　Ｉｍａｇｅ　ｅｎｈａｎｃｅｍｅｎｔ　ａｎｄ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　ａｕｔｏｍａｔｉｃ　ｒａｎｄｏｍ　ｗａｌｋｓ　ａｌｇｏｒｉｔｈｍ５５７１第１０期曹颖，等：基于自动随机游走的乳腺肿块分割算法一系列初步分割轮廓Ｒ１，Ｒ２，…，Ｒｎ．３）利用平均边缘梯度评价法选择有效标记点．在自动标记和随机游走分割的基础上，分别计算每个分割轮廓对应肿块边缘的平均梯度ｇ１，ｇ２，…，ｇｎ．取ｍａｘ（ｇｉ）对应的分割轮廓作为随机游走有效分割结果［１９］，该分割结果对应的标记点被视为有效标记点．图２（ｄ）显示了背景与肿块区域的有效标记点，其中肿块标记点对应的结构元素半径大小为３５．图２（ｅ）中的白色轮廓显示了利用图２（ｄ）的有效标记点获得的随机游走分割结果．１．３．３　肿块星芒状结构检测　肿块星芒状结构是指以肿块为中心，向周围呈放射状分布的条索状致密影［２０］．各类星芒状结构是鉴别乳腺良恶性肿块的重要特征，但是该结构长而细的形状特征容易导致标记点距离边缘太近，即使准确标记的随机游走算法在计算时也会出现过分割．因此，在对肿块图像进行自动随机游走算法初步分割后，采取下列步骤对星芒状结构进行自动检测．１）将增强图像转换至极坐标．因肿块星芒状结构多呈中心放射状，转换至极坐标后，星芒状结构可以表现为沿径向坐标的线状结构，有利于后续算法检测．２）模糊熵增强与线性结构检测．模糊熵可以突显灰度值与其特征值较接近的肿块边缘和星芒状结构，故将二维最大熵算法获得的分割阈值Ｔ作为特征值，计算极坐标系下的图像模糊熵；然后利用线检测算子对模糊熵图像进行线性结构增强和检测［１３］．３）分离星芒状结构．将线检测后的图像进行阈值分割以分离出明显的线状结构，然后利用最大连通域方法去除噪声与周围组织的影响，最后将该线状结构转换至笛卡尔坐标系，获得星芒状结构二值化模板图像．４）将星芒状结构与随机游走初步分割轮廓融合，获得最终分割结果．对随机游走算法分割得到的肿块区域进行二值化处理，将该二值化图像与星芒状结构模板相加，选择最大的连通区域作为最终分割结果．检测过程如图３所示．图３　肿块图像星芒状结构检测Ｆｉｇ．３　Ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｍａｓｓ　ｓｐｅｃｕｌａｔｉｏｎ　ｐａｔｔｅｒｎ１．４　特征提取提取４２维乳腺肿块特征进行良恶性肿块分类，其中包括患者年龄、灰度特征、边缘特征、形状特征和纹理特征等［２１－２５］．灰度特征多为一些简单的统计特征，与其他特征组合可以提高分类精度．良恶性肿块在边缘和形状特征上有较明显的区别，如良性肿块多表现为椭圆、圆形等形状，有较清晰的边界；恶性肿块表现为外表不规则、边界模糊不清、有星芒状结构分布等．因此，边缘特征和形状特征的提取对肿块分类至关重要．纹理特征对肿块分类同样具有较重要的作用，同时采用灰度共生矩阵和梯度－灰度共生矩阵来提取各类纹理特征．提取的特征以及特征分类如表１所示．１．５　肿块分类在特征提取的基础上进行模式分类是乳腺ＣＡＤ系统进行辅助诊断的重要步骤．现有的如人工神经网络等分类方法基于传统统计学，研究的是样本数目趋于无穷大时的渐近理论，然而在实际应用中样本数量往往是有限的．Ｖａｐｎｉｋ［２６］提出的基于ＶＣ维（Ｖａｐｎｉｋ－Ｃｈｅｒｖｏｎｅｎｋｉｓ　ｄｉｍｅｎｓｉｏｎ）理论和结构风险最小化（ｓｔｒｕｃｔｕｒａｌ　ｒｉｓｋ　ｍｉｎｉｍａｚａｔｉｏｎ，ＳＲＭ）原理的支持向量机可以根据有限样本信息在模型复杂度和学习能力之间进行折衷以获得最佳的推广能力，适用于小样本学习，在乳腺肿块分类中有较广泛的应用．利用ＳＶＭ来构建两分类分类器，对良恶性肿块进行分类，具体算法可以参考文献［２６－３０］．６５７１浙　江　大　学　学　报（工学版）第４５卷　表１　肿块区域的数学特征Ｔａｂ．１　Ｍａｔｈｅｍａｔｉｃａｌ　ｆｅａｔｕｒｅｓ　ｏｆ　ｍａｓｓ　ｒｅｇｉｏｎ特征类别特征患者年龄１．年龄灰度特征１．灰度对比度；２．相关度；３．平均灰度；４．偏态；５．峰态系数边缘特征１．边缘锐度；２．边缘对比度形状特征１．星芒状结构；２．分数凹度；３．分形维数；４．傅里叶算子；５．紧密度；６．面积基于灰度共生矩阵的纹理特征１．角二阶矩；２．对比度；３．相关度；４．方差；５．逆差距；６．和平均；７．和方差；８．和熵；９．熵；１０．差平均；１１．差方差；１２．能量；１３．差熵基于梯度－灰度共生矩阵的纹理特征１．小梯度优势；２．大梯度优势；３．灰度分布的不均匀性；４．梯度分布的不均匀性；５．能量；６．相关度；７．灰度熵；８．梯度熵；９．混合熵；１０．惯性；１１．逆差矩；１２．平均灰度；１３．平均梯度；１４．灰度均方差；１５．梯度均方差２　实验结果本文使用的实验平台是ＩｎｔｅｌＣｏｒｅ２　７４００，主频为２．８０ＧＨｚ，系统内存为２ＧＢ，算法测试环境为Ｗｉｎｄｏｗｓ　ＸＰ下Ｍａｔｌａｂ７．７．０版本．为了证明本文算法的有效性和准确性，选取区域生长和基于区域信息的活动轮廓模型等算法分别对２２７例良恶性乳腺肿块进行分割，并测试各类分割算法的算法效率．２．１　实验参数设置本文算法中各步分割阈值均自适应选定．在随机游走自动标记过程中，形态学处理结构元素均采用圆盘型结构元素［３１］．１．３．２节自动标记背景与肿块标记点算法步骤中的膨胀与腐蚀结构元素Ｂ半径设为５．为了保证背景标记点全部落在背景区域中，根据ＲＯＩ图像和肿块面积大小的特点，将结构元素ＢＴ半径固定为３５．为了节省计算时间，将结构元素ＢＲ的半径设为｛ｒ｜ｒ＝０，５，１０，…，３０｝．为了评价平均边缘梯度选择标记点的有效性，利用标记点固定的随机游走算法对实验样本进行测试，其中ＢＴ取固定值３５，ＢＲ取固定值５．同时，采用区域生长算法和基于区域信息的活动轮廓模型对实验样本进行测试，不同分割算法的分割结果比较如图４所示．２．２　分割结果分析从图４第１行可以看出，原图肿块某些部位边缘较弱，导致区域生长算法和活动轮廓算法都存在欠分割．固定标记点的随机游走算法由于肿块标记点离肿块边缘较近，导致某些背景区域像素游走概率较高而被误分为肿块．本文改进的随机游走算法不存在上述问题．图４第２～４行所示的分割结果说明区域生长算法对于肿块弱边缘区域或周围组织对比度较低的情况分割结果不理想．基于区域信息的活动轮廓算法较依赖于肿块边缘与灰度对比度，分割结果往往与增强结果有直接联系．随机游走算法受肿块弱边缘与灰度对比度影响较小，分割结果主要依赖于初始标记点的设置．若初始分割不准确，则固定的标记点位置易标记错误，致使某些非肿块区域被误分为肿块．２．３　分类结果分析在对２２７例乳腺肿块样本分别进行分割、特征提取后，随机选取５３例良性肿块和５５例恶性肿块病例作为ＳＶＭ分类器训练样本，再将剩下的样本作为测试样本进行分类测试，最后利用ＲＯＣ曲线下面积来评价实验样本的分类精度．图５显示了良恶性肿块的分类情况．图中，Ｓｅｎ为敏感度，Ｓｐｅ为特异性，Ａｚ为ＲＯＣ曲线下面积．可以看出，采用自动随机游走算法分割后得到的肿块分类精度最高，基于区域信息的活动轮廓算法得到的结果次之，采用固定标记点的随机游走算法得到的分类精度最低．由实验结果可以得出：与其他分割算法相比，采用本文算法得到的分割结果与分类结果一致，提高了乳腺良恶性肿块的分类精度，表明了本文算法对乳腺肿块分割的有效性．２．４　算法效率分析不同分割算法具有不同的分割效率．其中，区域生长算法花费时间最短，只需０．５１ｓ；为了保证分割的有效性，活动轮廓模型迭代次数设定为３００次，分割时间花费最长，为１１．５３ｓ；同时比较了交互式随机游走的分割效率，具有丰富临床经验、程序操作熟７５７１第１０期曹颖，等：基于自动随机游走的乳腺肿块分割算法（ａ）原图（ｂ）区域生长算法（ｃ）活动轮廓算法（ｄ）标记点固定的（ｅ）本文提出的自动随机游走算法　随机游走算法图４　基于不同分割算法的肿块分割结果Ｆｉｇ．４　Ｍａｓｓ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｂａｓｅｄ　ｏｎ　ｄｉｆｆｅｒｅｎｔ　ｓｅｇｍｅｎｔａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ图５　不同分割算法的ＲＯＣ曲线及曲线下面积Ｆｉｇ．５　Ａｒｅａｓ　ａｎｄ　ＲＯＣ　ｃｕｒｖｅｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｓ练的医师手动标记肿块和背景标记点花费的平均时间最少为７．０～８．０ｓ；本文算法分割时间平均为５．０８ｓ，在可接受范围之内．３　讨　论本文算法的关键点之一为如何准确地选择随机游走标记点．在处理过程中本文利用形态学方法对初始分割轮廓进行处理，从而获得一系列初始标记点ＬＢ和ＬＭ１，ＬＭ２，…，ＬＭｎ．与初始分割轮廓相比，经形态学处理后，肿块标记点轮廓会逐步平滑化，该种处理方法不会对后续处理结果造成影响；若直接采用一系列形状不变而大小逐次减少的肿块标记点作为随机游走初始点，则对于某些肿块会出现过分割现象，主要原因基于以下２点：１）形状不规则的初始分割轮廓经过放大和缩小后，在某些放射状结构位置２类标记点分布过于接近，不利于随机游走过程的进行．２）随机游走算法强调标记点的准确性，对标８５７１浙　江　大　学　学　报（工学版）第４５卷　记点与实际边缘的接近程度没有严格要求．初始分割轮廓不能保证分割轮廓的准确性，某些放射状结构或边缘毛刺被错分的概率更高．在利用形态学方法处理后，平滑化的分割轮廓可以提高标记点的准确性，消除错误标记点的影响．在肿块分割和分类处理过程中，值得指出的是：对于个别样本，采用参与比较的所有分割算法都出现过分割或欠分割的情况，包括本文提出的分割算法．这主要源于：１）肿块良恶性症状影响分类精度．某些肿块影像特征不明显，良恶性区分界线模糊，即使经验医师也难以诊断其类别，须通过活检进行确诊．该类肿块即使被准确分割也难以保证被正确分类．２）肿块的分割结果影响分类精度．本文将二维最大熵阈值法和区域生长算法相互结合使用，以降低获取初始标记点的失败率，但是如果出现某个样本周围组织干扰过于严重的现象，则肿块完全淹没于周围组织中，使得２种分割算法同时失效．当标记部位极大偏离准确位置时，本文算法将出现误分割．３）提取的特征影响分类精度．本文提取的肿块特征虽然都可以表征良恶性肿块的某些特性，但不能保证每一维特征都能对肿块进行有效分类，也不能保证各类特征的组合能够达到百分之百的分类率．４　结　语本文提出一种基于自动随机游走算法的乳腺肿块分割算法．该算法的创新点在于结合了阈值分割和区域生长算法快速获取背景与肿块初始标记点，使用形态学处理方法自适应改变肿块标记点位置，并利用分割边缘的平均梯度对各组肿块标记点进行自动筛选以获取有效标记点．该算法克服了半自动随机游走算法手动选取标记点的应用局限性，将其成功应用于乳腺ＣＡＤ系统；同时，该算法更好地消除了肿块弱边缘和周围组织的干扰，并与星芒状结构检测算法相结合，提高了乳腺肿块的分割精度．实验结果表明，与其他分割算法相比，利用本文提出的分割算法得到的肿块边缘能够更好地反映肿块的真实形态，为后续特征提取、肿块分类提供更好的依据．同时，本文从良恶性肿块分类的角度出发，评测了分割算法的准确性和对后续工作的有效性．本文后续的研究工作将集中在提高ＣＡＤ系统性能和应用效果方面，主要包括：肿块特征优化和随机游走算法ＧＰＵ加速．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］ＥＴＴＬＩＮ　Ｃ．Ｇｌｏｂａｌ　ｂｒｅａｓｔ　ｃａｎｃｅｒ　ｍｏｒｔａｌｉｔｙ　ｓｔａｔｉｓｔｉｃｓ［Ｊ］．ＣＡ：Ａ　Ｃａｎｃｅｒ　Ｊｏｕｒｎａｌ　ｆｏｒ　Ｃｌｉｎｉｃｉａｎｓ，１９９９，４９（３）：１３８－１４４．［２］ＭＩＬＬＥＲ　Ａ　Ｂ．Ｍａｍｍｏｇｒａｐｈｙ：ｒｅｖｉｅｗｉｎｇ　ｔｈｅ　ｅｖｉｄｅｎｃｅ．ｅｐｉｄｅｍｉｏｌｏｇｙ　ａｓｐｅｃｔ［Ｊ］．Ｃａｎａｄｉａｎ　Ｆａｍｉｌｙ　Ｐｈｙｓｉｃｉａｎ，１９９３，３９：８５－９０．［３］ＳＭＡＲＴ　Ｃ　Ｒ，ＨＥＮＤＲＩＣＫ　Ｒ　Ｅ，ＲＵＴＬＥＤＧＥ　ＩＩＩ　Ｊ　Ｈ，ｅｔ　ａｌ．Ｂｅｎｅｆｉｔ　ｏｆ　ｍａｍｍｏｇｒａｐｈｙ　ｓｃｒｅｅｎｉｎｇ　ｉｎ　ｗｏｍｅｎ　ａｇｅｓ４０ｔｏ　４９ｙｅａｒｓ：ｃｕｒｒｅｎｔ　ｅｖｉｄｅｎｃｅ　ｆｒｏｍ　ｒａｎｄｏｍｉｚｅｄ　ｃｏｎ－ｔｒｏｌｌｅｄ　ｔｒｉａｌｓ［Ｊ］．Ｃａｎｃｅｒ，１９９５，７５（７）：１６１９－１６２６．［４］郝欣，曹颖，夏顺仁．基于医学图像内容检索的计算机辅助乳腺Ｘ线影像诊断技术［Ｊ］．中国生物医学工程学报，２００９，２８（６）：９２２－９３０．ＨＡＯ　Ｘｉｎ，ＣＡＯ　Ｙｉｎｇ，ＸＩＡ　Ｓｈｕｎ－ｒｅｎ．Ｃｏｍｐｕｔｅｒ－ａｉｄｅｄｄｉａｇｎｏｓｉｓ　ｔｅｃｈｎｉｑｕｅ　ｏｎ　ｍａｍｍｏｇｒａｍｓ　ｕｓｉｎｇ　ｃｏｎｔｅｎｔ－ｂａｓｅｄ　ｍｅｄｉｃａｌ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆＢｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，２８（６）：９２２－９３０．［５］ＴＡＮＧ　Ｊ　Ｓ，ＲＡＮＧＡＹＹＡＮ　Ｒ　Ｍ，ＸＵ　Ｊ，ｅｔ　ａｌ．Ｃｏｍ－ｐｕｔｅｒ－ａｉｄｅｄ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｂｒｅａｓｔ　ｃａｎｃｅｒ　ｗｉｔｈｍａｍｍｏｇｒａｐｈｙ：ｒｅｃｅｎｔ　ａｄｖａｎｃｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　Ｂｉｏｍｅｄｉｃｉｎｅ，２００９，１３（２）：２３６－２５１．［６］沈晔，夏顺仁，李敏丹．基于内容的医学图像检索中的相关反馈技术［Ｊ］．中国生物医学工程学报，２００９，２８（１）：１２８－１３６．ＳＨＥＮ　Ｙｅ，ＸＩＡ　Ｓｈｕｎ－ｒｅｎ，ＬＩ　Ｍｉｎ－ｄａｎ．Ａ　ｓｕｒｖｅｙ　ｏｎ　ｒｅｌ－ｅｖａｎｃｅ　ｆｅｅｄｂａｃｋ　ｔｅｃｈｎｉｑｕｅｓ　ｉｎ　ｃｏｎｔｅｎｔ　ｂａｓｅｄ　ｍｅｄｉｃａｌ　ｉｍ－ａｇｅ　ｒｅｔｒｉｅｖａｌ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉ－ｎｅｅｒｉｎｇ，２００９，２８（１）：１２８－１３６．［７］ＣＨＥＮＧ　Ｈ　Ｄ，ＳＨＩ　Ｘ　Ｊ，ＭＩＮ　Ｒ，ｅｔ　ａｌ．Ａｐｐｒｏａｃｈｅｓ　ｆｏｒａｕｔｏｍａｔｅｄ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｍａｓｓｅｓ　ｉｎ　ｍａｍｍｏ－ｇｒａｍｓ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２００６，３９（４）：６４６－６６８．［８］ＢＲＺＡＫＯＶＩＣ　Ｄ，ＬＵＯ　Ｘ　Ｍ，ＢＲＺＡＫＯＶＩＣ　Ｐ．Ａｎａｐｐｒｏａｃｈ　ｔｏ　ａｕｔｏｍａｔｅｄ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｔｕｍｏｒｓ　ｉｎ　ｍａｍｍｏ－ｇｒａｍｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ，１９９０，９（３）：２３３－２４１．［９］ＬＩ　Ｌ，ＱＩＡＮ　Ｗ，ＣＬＡＲＫＥ　Ｌ　Ｐ，ｅｔ　ａｌ．Ｉｍｐｒｏｖｉｎｇ　ｍａｓｓｄｅｔｅｃｔｉｏｎ　ｂｙ　ａｄａｐｔｉｖｅ　ａｎｄ　ｍｕｌｔｉｓｃａｌｅ　ｐｒｏｃｅｓｓｉｎｇ　ｉｎ　ｄｉｇｉ－ｔｉｚｅｄ　ｍａｍｍｏｇｒａｍｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ＳＰＩＥ，１９９９，３６６１：４９０－４９８．［１０］ＬＡＮＫＴＯＮ　Ｓ，ＴＡＮＮＥＮＢＡＵＭ　Ａ　Ｒ．Ｌｏｃａｌｉｚｉｎｇｒｅｇｉｏｎ－ｂａｓｅｄ　ａｃｔｉｖｅ　ｃｏｎｔｏｕｒｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，２００８，１７（１１）：２０２９－２０３９．［１１］ＧＲＡＤＹ　Ｌ．Ｒａｎｄｏｍ　ｗａｌｋｓ　ｆｏｒ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄＭａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００６，２８（１１）：１７６８－１７８３．［１２］ＧＲＡＤＹ　Ｌ，ＳＣＨＩＷＩＥＴＺ　Ｔ，ＡＨＡＲＯＮ　Ｓ，ｅｔ　ａｌ．Ｒａｎ－ｄｏｍ　ｗａｌｋｓ　ｆｏｒ　ｉｎｔｅｒａｃｔｉｖｅ　ｏｒｇａｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｉｎ　ｔｗｏａｎｄ　ｔｈｒｅｅ　ｄｉｍｅｎｓｉｏｎｓ：Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ａｎｄ　ｖａｌｉｄａｔｉｏｎ［Ｊ］．Ｍｅｄｉｃａｌ　Ｉｍａｇｅ　Ｃｏｍｐｕｔｉｎｇ　ａｎｄ　Ｃｏｍｐｕｔｅｒ－ａｓｓｉｓｔｅｄ９５７１第１０期曹颖，等：基于自动随机游走的乳腺肿块分割算法Ｉｎｔｅｒｖｅｎｔｉｏｎ，２００５，３７５０：７７３－７８０．［１３］ＪＩＡＮＧ　Ｌ，ＳＯＮＥ　Ｅ　Ｍ，ＸＵ　Ｘ　Ｙ，ｅｔ　ａｌ．Ａｕｔｏｍａｔｅｄｄｅｔｅｃｔｉｏｎ　ｏｆ　ｂｒｅａｓｔ　ｍａｓｓ　ｓｐｉｃｕｌａｔｉｏｎ　ｌｅｖｅｌｓ　ａｎｄ　ｅｖａｌｕａ－ｔｉｏｎ　ｏｆ　ｓｃｈｅｍｅ　ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．Ａｃａｄｅｍｉｃ　Ｒａｄｉｏｌｏｇｙ，２００８，１５（１２）：１５３４－１５４４．［１４］李刚．数字图像的模糊增强方法［Ｄ］．武汉：武汉理工大学，２００５：１９－２６．ＬＩ　Ｇａｎｇ．Ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ　ｍｅｔｈｏｄｓ　ｂａｓｅｄ　ｏｎｆｕｚｚｙ　ｅｎｈａｎｃｅｍｅｎｔ［Ｄ］．Ｗｕｈａｎ：Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＴｅｃｈｎｏｌｏｇｙ，２００５：１９－２６．［１５］李宏言，盛利元，陈良款，等．基于二维最大熵原理和改进遗传算法的图像阈值分割［Ｊ］．计算机与现代化，２００７（２）：３４－３７．ＬＩ　Ｈｏｎｇ－ｙａｎ，ＳＨＥＮ　Ｌｉ－ｙｕａｎ，ＣＨＥＮ　Ｌｉａｎｇ－ｋｕａｎ，ｅｔａｌ．Ｉｍａｇｅ　ｔｈｒｅｓｈｏｌｄｉｎｇ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　２Ｄｍａｘｉ－ｍｕｍ　ｅｎｔｒｏｐｙ　ｐｒｉｎｃｉｐｌｅ　ａｎｄ　ｉｍｐｒｏｖｅｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｍｏｄｅｒｎｉｚａｔｉｏｎ，２００７（２）：３４－３７．［１６］ＹＵＡＮ　Ｙ，ＧＩＧＥＲ　Ｍ　Ｌ，ＬＩ　Ｈ，ｅｔ　ａｌ．Ａ　ｄｕａｌ－ｓｔａｇｅｍｅｔｈｏｄ　ｆｏｒ　ｌｅｓｉｏｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｎ　ｄｉｇｉｔａｌ　ｍａｍｍｏｇｒａｍｓ［Ｊ］．Ｍｅｄｉｃａｌ　Ｐｈｙｓｉｃｓ，２００７，３４（１１）：４１８０－４１９３．［１７］ＳＡＭＰＡＴ　Ｍ　Ｐ，ＢＯＶＩＫ　Ａ　Ｃ，ＷＨＩＴＭＡＮ　Ｇ　Ｊ，ｅｔ　ａｌ．Ａ　ｍｏｄｅｌ－ｂａｓｅｄ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｓｐｉｃｕｌａ－ｔｅｄ　ｍａｓｓｅｓ　ｏｎ　ｍａｍｍｏｇｒａｐｈｙ［Ｊ］．Ｍｅｄｉｃａｌ　Ｐｈｙｓｉｃｓ，２００８，３５（５）：２１１０－２１２３．［１８］ＤＯＹＬＥ　Ｐ，ＳＮＥＬＬ　Ｌ．Ｒａｎｄｏｍ　ｗａｌｋｓ　ａｎｄ　ｅｌｅｃｔｒｉｃ　ｎｅｔ－ｗｏｒｋｓ［Ｍ］．Ｗａｓｈｉｎｇｔｏｎ，Ｄ．Ｃ．：Ｍａｔｈｅｍａｔｉｃａｌ　Ａｓｓｏｃｉ－ａｔｉｏｎ　ｏｆ　Ａｍｅｒｉｃａ，１９８４：１６－５０．［１９］ＣＡＯ　Ｙ，ＨＡＯ　Ｘ，ＺＨＵ　Ｘ　Ｅ，ｅｔ　ａｌ．Ａｎ　ａｄａｐｔｉｖｅ　ｒｅｇｉｏｎｇｒｏｗｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｂｒｅａｓｔ　ｍａｓｓ　ｉｎ　ｍａｍｍｏｇｒａｍｓ［Ｊ］．Ｆｒｏｎｔｉｅｒｓ　ｏｆ　Ｅｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇｉｎ　Ｃｈｉｎａ，２０１０，５（２）：１２８－１３６．［２０］胡永升．现代乳腺影像诊断学［Ｍ］．北京：科学出版社，２００１：４５－５８．［２１］ＨＡＲＡＬＩＣＫ　Ｒ　Ｍ，ＳＨＡＮＭＵＧＡＭ　Ｋ，ＤＩＮＳＴＥＩＮ　ＩＨ．Ｔｅｘｔｕｒａｌ　ｆｅａｔｕｒｅｓ　ｆｏｒ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｓｙｓｔｅｍｓ，Ｍａｎ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ，１９７３，３（６）：６１０－６２２．［２２］ＭＡＶＲＯＦＯＲＡＫＩＳ　Ｍ　Ｅ，ＧＥＯＲＧＩＯＵ　Ｈ　Ｖ，ＤＩＭ－ＩＴＲＯＰＯＵＬＯＳ　Ｎ，ｅｔ　ａｌ．Ｍａｍｍｏｇｒａｐｈｉｃ　ｍａｓｓｅｓ　ｃｈａｒ－ａｃｔｅｒｉｚａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｌｏｃａｌｉｚｅｄ　ｔｅｘｔｕｒｅ　ａｎｄ　ｄａｔａｓｅｔ　ｆｒａｃ－ｔａｌ　ａｎａｌｙｓｉｓ　ｕｓｉｎｇ　ｌｉｎｅａｒ，ｎｅｕｒａｌ　ａｎｄ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａ－ｃｈｉｎｅ　ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｎ　Ｍｅｄｉ－ｃｉｎｅ，２００６，３７（２）：１４５－１６２．［２３］ＲＡＮＧＡＹＹＡＮ　Ｒ　Ｍ，ＥＩ－ＦＡＲＡＭＡＷＹ　Ｎ　Ｍ，ＤＥ－ＳＡＵＴＥＬＳ　Ｊ，ｅｔ　ａｌ．Ｍｅａｓｕｒｅｓ　ｏｆ　ａｃｕｔａｎｃｅ　ａｎｄ　ｓｈａｐｅｆｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｂｒｅａｓｔ　ｔｕｍｏｒｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃ－ｔｉｏｎｓ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ，１９９７，１６（６）：７９９－８１０．［２４］ＲＡＮＧＡＹＹＡＮ　Ｒ　Ｍ，ＮＧＵＹＥＮ　Ａ　Ｔ　Ｍ．Ｐａｔｔｅｒｎ　ｃｌａｓ－ｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｂｒｅａｓｔ　ｍａｓｓｅｓ　ｖｉａ　ｆｒａｃｔａｌ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅｉｒｃｏｎｔｏｕｒｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｇｒｅｓｓ　Ｓｅｒｉｅｓ，２００５，１２８１（４）：１０４１－１０４６．［２５］周明全，耿国华，韦娜．基于内容图像检索技术［Ｍ］．北京：清华大学出版社，２００７：１０７－１１２．［２６］ＶＡＰＮＩＫ　Ｖ　Ｎ．Ｔｈｅ　ｎａｔｕｒｅ　ｏｆ　ｓｔａｔｉｓｔｉｃａｌ　ｌｅａｒｎｉｎｇ　ｔｈｅｏｒｙ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ，１９９５：１３８－１６７．［２７］ＣＡＭＰＡＮＩＮＩ　Ｒ，ＤＯＮＧＩＯＶＡＮＮＩ　Ｄ，ＩＡＭＰＩＥＲＩ　Ｅ，ｅｔ　ａｌ．Ａ　ｎｏｖｅｌ　ｆｅａｔｕｒｅｌｅｓｓ　ａｐｐｒｏａｃｈ　ｔｏ　ｍａｓｓ　ｄｅｔｅｃｔｉｏｎ　ｉｎｄｉｇｉｔａｌ　ｍａｍｍｏｇｒａｍｓ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ［Ｊ］．Ｐｈｙｓｉｃｓ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ，２００４，４９（６）：９６１－９７５．［２８］ＭＵ　Ｔ　Ｔ，ＮＡＮＤＩ　Ａ　Ｋ，ＲＡＮＧＡＹＹＡＮ　Ｒ　Ｍ．Ｃｌａｓｓｉ－ｆｉｃａｔｉｏｎ　ｏｆ　ｂｒｅａｓｔ　ｍａｓｓｅｓ　ｕｓｉｎｇ　ｓｅｌｅｃｔｅｄ　ｓｈａｐｅ，ｅｄｇｅ－ｓｈａｒｐｎｅｓｓ，ａｎｄ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅｓ　ｗｉｔｈ　ｌｉｎｅａｒ　ａｎｄ　ｋｅｒｎｅｌ－ｂａｓｅｄ　ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｄｉｇｉｔａｌ　Ｉｍａｇｉｎｇ，２００８，２１（２）：１５３－１６９．［２９］ＹＵ　Ｓ，ＹＡＮＧ　Ｘ　Ｗ，ＨＡＯ　Ｚ　Ｆ，ｅｔ　ａｌ．Ａｎ　ａｄａｐｔｉｖｅｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｌａｒｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｐｒｏｂｌｅｍ［Ｊ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｎｅｔ－ｗｏｒｋｓ，２００６，３９７１：９８１－９９０．［３０］张昕．基于ＳＶＭ方法的医学图像分类研究［Ｄ］．杭州：浙江大学，２００６：９－２７．ＺＨＡＮＧ　Ｘｉｎ．Ｔｈｅ　ｓｔｕｄｙ　ｏｆ　ＳＶＭ－ｂａｓｅｄ　ｍｅｄｉｃａｌ　ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｄ］．Ｈａｎｇｚｈｏｕ：Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，２００６：９－２７．［３１］ＧＯＮＺＡＬＥＺ　Ｒ　Ｃ，ＷＯＯＤＳ　Ｒ　Ｅ．Ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｐｒｏｃｅｓｓ－ｉｎｇ　ｓｅｃｏｎｄ　ｅｄｉｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ　Ｈｏｕｓｅ　ｏｆＥｌｅｃｔｒｏｎｉｃｓ　Ｉｎｄｕｓｔｒｙ，２００７：５１９－５６６．０６７１浙　江　大　学　学　报（工学版）第４５卷　。

自适应权值调整GS图像分割算法

自适应权值调整GS图像分割算法
游培寒;毕笃彦;马时平
【期刊名称】《中国图象图形学报》
【年(卷),期】2006(011)007
【摘要】近期国内外分割算法研究表明,当目标局部边缘性质相差较大时,局部自适应分割算法较全局分割算法可以取得更好效果.为了快速地进行GS(Greedy Snake)图像分割,提出了一种不规则形状自适应图像分割算法,用于图像目标物体的边缘检测,同时基于伪逆算法,提出了一种自适应调整参数的方法,该方法保留了算法的反馈机制.在系统动态仿真中,为了避免动态边缘的停滞,新算法继承了greedy Snake算法的能量公式,同时根据附近目标轮廓边缘及其周围测试点的性质,通过调整其权值参量来达到调整局部特性的目的,以便使轮廓自适应地逼近目标边缘.计算机仿真结果表明,将新算法模型用于捕捉多种目标物体的边缘,可较其他Snake算法取得较为良好的效果.
【总页数】6页(P959-964)
【作者】游培寒;毕笃彦;马时平
【作者单位】西安空军工程大学工程学院,西安,710038;西安空军工程大学工程学院,西安,710038;西安空军工程大学工程学院,西安,710038
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.自适应权值调整的C-V模型及图像分割 [J], 闵莉;刘继飞
2.3DMIMO天线权值自适应调整研究 [J], 谢春平
3.基于多路径网络的权值调整图像语义分割算法 [J], 秦晓飞; 何玉帅; 孙越; 严浩通; 林轩
4.考虑电导率和能量的水下电场自适应调整多权值成簇算法 [J], 吴佳楠;贺曼利;邸焕双;谢广明
5.基于GS-SVM的彩色图像分割算法 [J], 黄挺;王元庆;张自豪
因版权原因，仅展示原文概要，查看原文内容请购买。

一种随机游走图像自动分割算法

一种随机游走图像自动分割算法
周玉华;陈健美;阚宇
【期刊名称】《信息技术》
【年(卷),期】2015(39)12
【摘要】为了解决传统随机游走算法需要过多的人工干预因素,限制了算法的通用性,提出一种自动随机游走图像分割方法一SWRW算法.首先应用二次分水岭进行预分割,将预分割形成的若干同质区域取代传统算法中的节点来建立无向图;利用色调均值差制定准则自动选取种子区域并对它们进行标记,将彩色直方图作为区域描述算子,采用巴氏系数和高斯权函数建立区域间相似性权函数;最后应用狄利克雷边界条件,实现图像分割.该方法运算速度快,避免了用户的繁琐操作,实现了完全自动分割.结果表明,与其他相关方法比较具有更好的鲁棒性和分割精度.
【总页数】5页(P75-79)
【作者】周玉华;陈健美;阚宇
【作者单位】江苏大学计算机科学与通信工程学院,江苏镇江212013;江苏大学计算机科学与通信工程学院,江苏镇江212013;江苏大学计算机科学与通信工程学院,江苏镇江212013
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种脑MRA图像自动分割算法及其在图像导引神经外科中的应用 [J], 杜光伟;曹会志;罗述谦
2.基于随机游走的自动图像分割算法 [J], 茅正冲;韩毅
3.一种改进的随机游走图像分割算法 [J], 王梅;李玉鑑
4.一种面向CTA图像的冠状动脉自动分割算法 [J], 崔家礼;陈富强
5.一种快速自动多目标图像分割算法 [J], 高华;邬春学
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

摘
要: 传统的随机游走算法图像信息描述单一, 目标轮廓易受背景干扰; 针对这一问题, 提出一种自适
应随机游走图像分割算法#算法首先建立了一种基于纹理相似性的权函数表达式, 借助 G abor 能量滤波器, 首次将纹理特征引入到随机游走算法中, 来突出图像的结构信息; 其次, 为了更加准确地计算节点间的连接权
第32 卷第8期 2011 年 8 月
东北大学学报( 自然科学版) Journal of Nort heastern U niversity( Natural Science)
Vol132, No. 8 Aug. 2 0 1 1
自适应随机游走图像分割算法
依玉峰, 高立群, 程伟, 于鸿银
( 东北大学信息科学与工程学院, 辽宁沈阳 110819)
特征描述方法自适应地建立节点间权函数, 使得算法的应用具有局限性#
由于自然图像中包含大量复杂的信息, 单凭
一种方法无法精准地分割所有图像; 对于不同类
型的图像, 所选取的方法也不同#如何将各类方法融合起来, 使得分割算法的应用更具普遍性是当前研究的难点#本文在充分考虑到图像灰度、纹理和边缘信息的基础上, 提出一种自适应随机游走
1 随机游走图像分割算法
随机游走算法将图像看做由一定数量的顶点
和边构成的无向图, 在实数范围内为每条边赋予
一个权值来反映随机游走者经过这条边的可能
性; 如果两点间不相邻, 则两点间权值为零, 表示
随机游走者不能通过这条边#定义无向图 G =
( V , E , W ) , 其中 V 是点集, E 是边集, W 是相
随机游走交互式图像分割算法[ 1- 3] 首次将
离散电势理论应用到图像分割中, 通过求解图中节点电势值并根据其大小将节点进行分类, 实现
图像分割#其后出现了一些改进的随机游走算法[ 4- 5] , 这些方法均采用单一的灰度信息来描述节点间相似性, 没有根据图像的特点, 采用合适的
应带宽 R#f 对应的值是 0156, 本文分别令 f =
01122 和 f = 01183# 参数 H表示滤波器的最佳朝向, 决定了滤波
器的最优响应方向#H取不同值, 可以得到一组滤波器, 本文使用了 8 个等间距的最优朝向,
H= [ 22. 5b, 45b, ,, 180b] #参数 UI [ - P, P) , 决定 Gabor 滤波器的对称性和反对称性: 当 U= 0, P
第8期
依玉峰等: 自适应随机游走图像分割算法
10 93
传统随机游走算法中相邻节点间权值, 实现自适应的图像分割#采用本文算法建立的权函数不仅可以描述节点间的灰度差异, 而且还体现了节点周围的纹理结构信息, 能较好地反映图像的本质属性, 有效地融合了基于灰度和基于纹理图像分割方法的优点, 提高了随机游走图像分割算法的分割精确性和适用性#
D [ xU] =
1 2
x
T M
x
T U
LM B BT LU
xM =
xU
1 2
(
x
T M
LM
xM
+
2
x
T U
BTxM
+
x
T U
LU
xU)
#
( 4)
其中 xM 和 xU 分别对应种子节点和非种子节点的电势值, 即随机游走概率值#当满足式( 5) 的临
界条件时, D [ x] 达到最小值#
LU xU = - BT xM #
征, 二维 Gabor 滤波函数如式( 8) 所示:
G i , j = ex p -
u2 + Cv 2 2 R2
# cos( 2Pf u +
U) ;
u = ( i - i 0) # cosH+ ( j - j 0) # sin H,
v = - ( i - i 0) # sin H+ ( j - j 0) # cosH#
Tf , H=
R
2 f,
H,
0
+
Rቤተ መጻሕፍቲ ባይዱ
2 f,
H,
-
(1/
2)P#
( 10)
式中: Rf , H, 0 和 Rf , H, - (1/ 2)P分别为对称型和反对
有相同的解法, 在文献[ 1- 3] 中已经得到证明和
应用#定义拉普拉斯矩阵的元素为
dv , v , i, j k , l
v i, j = v k, l ;
L = - W , v , v i, j k, l
v ,v
i, j k, l
v i, j 和 v k , l 是相邻节点;
0,
其他#
( 2)
E 式中: d = vi, j , vk, l
图像分割算法#将 Gabor 能量滤波器引入到随机游走算法中来描述节点间纹理相似性, 与灰度相
似性权函数共同作用; 根据图像边缘密度, 自适应
地计算两种权重在权函数中所占比例, 用其代替
收稿日期: 2010- 02- 26 基金项目: 国家自然科学基金资助项目( 81000639) # 作者简介: 依玉峰( 1980- ) , 男, 辽宁抚顺人, 东北大学博士研究生; 高立群( 1949- ) , 男, 辽宁沈阳人, 东北大学教授, 博士生导师#
( 8) 式中: ( i 0, j 0) 表示滤波器中心坐标; 方差 R 决定了滤波器的大小; C 表示滤波器的偏心率, C在
0123~ 0192 范围内变化时具有实际意义, 本文中
C= 013# 参数 f 用来描述滤波器最佳空间频率, R#f
决定了线性滤波器的空间频率带宽#De Valois 在文献[ 6] 中提出, R 与 f 是相关的, 半空间频率响
i = 1 j= 1
( 9)
1 094
东北大学学报( 自然科学版)
第 32 卷
Rf , H, U是图像与 G abor 滤波器在不同最优朝向和
空间频率上的卷积结果# 本文将两个具有相同最优朝向和空间频率但
不同相位的卷积结果组合起来, 构成 Gabor 能量
特征图谱, 得到的 Gabor 能量特征图谱广泛应用于纹理分类和分割[ 7- 9] , 其表达式为
( School of Information Science & Engineering, Northeaster n U niv ersity, Shenyang 110819, China. Corresponding author : Y I Yu- feng, E- mail: neuy iyufeng @ 126. co m)
Abstract: T o solve the problems that the descript ion of image informat ion is sim ple and t he outline of the object ive is easily influenced by backg round dist urbances, an adapt ive random w alk ( RW) image segment at ion algorithm is proposed. A text ure- based similarity w eight ex pression is g iven, w it h the text ure features introduced into RW algorithm for t he f irst t ime to highlight t he image structural information. In order t o accurately calculat e the weig ht betw een tw o adjacent nodes, an adapt ive w eight expression is proposed, i. e. , t he proportion of intensity- based and texture- based weight s in weig ht ex pression w ill be adapt ively calculated according t o t he image edge densit y. H igh- quality segment at ion results can be achieved by solv ing Dirichlet boundary condit ion. T he experiment s demonst rat es that t he proposed algorit hm accurately describes image st ruct ural inf orm at ion and is more applicable and accurate in comparison w ith graph cut ( GC) and typical RW algorit hms. Key words: random walk; image seg mentation; Gabor energ y filter; edg e density; Dirichlet boundary condit ion
v i , j , v k, l
通过对图像中目标区域与背景区域进行标
记, 将图像中节点分成两个集合: 标记点集合 V M
和未标记点集合 V U , 且 V M G V U = V , V M H V U = ª#根据节点所属不同集合将拉普拉斯矩阵分解为对角分块阵形式, 则式( 3) 可以改写成如下形式:
中图分类号: T P 391