專利名稱：支持向量機與區(qū)域增長相結(jié)合的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種支持向量機與區(qū)域增長相結(jié)合的圖像分割方法。
背景技術(shù)：
圖像分割技術(shù)是最重要的圖像處理技術(shù)之一，在各個領(lǐng)域得到了廣泛的應(yīng)用。目前，圖像分割方法主要有兩類基于區(qū)域的方法和基于邊緣的方法。其中基于區(qū)域的方法主 要有閾值法、區(qū)域增長法和分類方法。區(qū)域增長法是從若干種子點出發(fā)，根據(jù)一定的增長規(guī)則向外增長，由增長規(guī)則判 定與種子點具有相似特征的點被加入的分割結(jié)果中。增長規(guī)則可基于灰度信息、紋理信息 等，種子點通常采用人機交互方式手動選取。這種方法的關(guān)鍵在于種子點的選取和增長規(guī) 則的確定。在實際應(yīng)用中，根據(jù)具體情況確定增長規(guī)則往往比較困難。分類方法是圖像分割方法中的一類重要方法，特別是當(dāng)目標區(qū)域比較分散時，比 其它分割方法更具優(yōu)勢。用分類器進行分割是一種有監(jiān)督的統(tǒng)計方法，它需要已知分割結(jié) 果的樣本集作為對新圖像進行自動分割的參考。典型的分類方法有神經(jīng)網(wǎng)絡(luò)、支持向量機 等。然而這種方法需要對圖像中的每個像素點進行特征提取并使用分類器判別，因此分割 速度通常較慢。

發(fā)明內(nèi)容
本發(fā)明的目的是針對上述問題提供一種支持向量機(SVM)與區(qū)域增長相結(jié)合的 圖像分割方法，該方法能夠有效地解決經(jīng)典區(qū)域增長算法中生長規(guī)則確定的困難和單純使 用支持向量機分割速度慢的問題。上述的目的通過以下的技術(shù)方案實現(xiàn)支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，該方法包括如下步驟(1)選取樣本訓(xùn)練分類器；(2)自動選取種子點；(3)使用支持向量機判別進行區(qū)域增長；(4)進行后處理。所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，步驟(1)所述的選取樣本 訓(xùn)練分類器的方式為從已知分割結(jié)果的圖像中選取一組目標區(qū)域與非目標區(qū)域樣本點作 為支持向量機分類器的訓(xùn)練樣本。所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，步驟(2)所述的自動選取 種子點的方法為以粒度N，即每隔N行N列取一個像素點，利用訓(xùn)練好的支持向量機判別 該點是否屬于目標區(qū)域，如果該點屬于目標區(qū)域，則將該點記為種子點。所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，步驟(3)所述的使用支持 向量機判別進行區(qū)域增長的具體方法為以步驟⑵所選種子點做起點進行區(qū)域增長，使 用支持向量機對像素點進行分類判別，決定是否將該點標記為目標區(qū)域。
所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，步驟(4)所述的進行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作中的一種或幾種。本發(fā)明的有益效果(1)單純使用支持向量方法對圖像進行分割，需要對圖像中的每個點使用支持向 量機進行分類判別，而本方法通常不需要對所有點進行判別，因此在速度上要優(yōu)于單純使 用支持向量機的分割方法。(2)與經(jīng)典的區(qū)域增長算法相比，避免了手動選取種子點的交互操作以及增長規(guī) 則和終止條件的選擇困難問題。在該方法中種子點的選取使用支持向量機自動搜索，只需 根據(jù)具體情況確定合適的粒度N即可。而在區(qū)域增長過程中直接使用支持向量機自動判 別。(3)該方法只需提供一已知分割結(jié)果的圖像用于訓(xùn)練支持向量機，訓(xùn)練好后就可 以實現(xiàn)同類圖像的自動分割。


附圖1是本發(fā)明的流程框圖。附圖2(A)是肺部上段的CT圖像，⑶是肺部中段的CT圖像，(C)是肺部下段的 CT圖像。附圖3(A)是對肺部上段的CT圖像自動搜索找到的種子點，⑶是對肺部中段的 CT圖像自動搜索找到的種子點，(C)是對肺部下段的CT圖像自動搜索找到的種子點。附圖4(A)是對肺部上段的CT圖像根據(jù)自動搜索找到的種子點使用支持向量機判 別的區(qū)域生長結(jié)果，(B)是對肺部中段的CT圖像根據(jù)自動搜索找到的種子點使用支持向量 機判別的區(qū)域生長結(jié)果，(C)是對肺部下段的CT圖像根據(jù)自動搜索找到的種子點使用支持 向量機判別的區(qū)域生長結(jié)果。附圖5(A)是對附圖4(A)經(jīng)后處理后的二值圖像，⑶是對附圖4⑶經(jīng)后處理后 的二值圖像，(C)是對附圖4(C)經(jīng)后處理后的二值圖像。附圖6(A)是附圖5㈧和附圖2㈧相乘并去背景后的結(jié)果，⑶是附圖5(B)和附圖2(B)相乘并去背景后的結(jié)果，(C)是附圖5(C)和附圖2(C)相 乘并去背景后的結(jié)果，
具體實施例方式實施例1 支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，該方法框圖如圖1所示，其具體 實施方式如下(1)選取樣本訓(xùn)練分類器從已知分割結(jié)果的圖像中選取一組目標區(qū)域與非目標區(qū)域樣本點作為支持向量 機分類器的訓(xùn)練樣本并訓(xùn)練支持向量機。本方法需要已知分割結(jié)果的樣本集作為對新圖像進行自動分割的參考，訓(xùn)練樣本 從已知分割結(jié)果的圖像中均勻選取或隨機選取，選取數(shù)量可根據(jù)實際情況而定，例如選取 1000個(目標區(qū)域和非目標區(qū)域各500個)。已知分割結(jié)果的圖像可來自手動分割或其它方法。像素點的特征可在該像素點附近的MXM鄰域內(nèi)提取(M可適當(dāng)選取，例如選取5)，可根據(jù)圖像的特點提取其灰度特征、紋理特征等。支持向量機算法的實現(xiàn)可借助相應(yīng)軟件包。(2)自動選取種子點針對待分割圖像，以粒度N，即每隔N行N列取一個像素點，提取該像素點的特征， 然后利用訓(xùn)練好的支持向量機判別該點是否屬于目標區(qū)域，如果該點屬于目標區(qū)域，則將 該點記為種子點。此處所述“待分割圖像”與步驟⑴中所述“已知分割結(jié)果的圖像”應(yīng)為同一類圖 像，例如均為肺部CT圖像。(3)使用支持向量機判別進行區(qū)域增長以步驟(2)中所選取到的種子點作為起點進行區(qū)域增長，使用支持向量機對像素 點進行分類判別，決定是否將該點標記為目標區(qū)域。區(qū)域增長的過程是以種子點作為起始點，判斷該點周圍的四鄰域(該點的上、 下、左、右四個像素點)或八鄰域(圍繞該點的八個像素點)的像素點是否屬于目標區(qū)域， 判斷方法是使用步驟(1)中訓(xùn)練好的支持向量機進行判別，如果某點屬于目標區(qū)域，則繼 續(xù)判別該點周圍四鄰域或八鄰域內(nèi)未判別過的點，直到某點周圍四鄰域或八鄰域內(nèi)的未判 別的點都不屬于目標區(qū)域，此時增長過程完成，增長停止。(4)進行后處理經(jīng)上述步驟⑴、⑵、(3)處理后的結(jié)果圖像可能存在瑕疵，這時就需要根據(jù)實際 情況進行必要的后處理操作。主要是針對邊緣和噪聲像素點進行必要的后處理包括平滑、 濾波、數(shù)學(xué)形態(tài)學(xué)的操作。實施例2 支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，該方法框圖如圖1所示，下面以 肺部CT圖像的肺實質(zhì)分割為例，說明其具體實施方式
，本實施例使用了 512X512X20(像素)的已知肺實質(zhì)分割結(jié)果的肺部CT圖像(記 為圖像A)和512 X 512 X 64 (像素)的待分割肺部CT圖像(記為圖像B)，實驗中，分別從圖 像A的目標區(qū)域(肺實質(zhì))和非目標區(qū)域(肺實質(zhì)以外的部分)，隨機地選取500個像素 點共1000個樣本點，隨機選取的方法是使用randomO函數(shù)生成三個范圍分別在W，511]、
,
的隨機整數(shù)，由這三個整數(shù)確定要選取的點的坐標，如果選取的點與之前 選取的點重復(fù)則舍棄該點并重新選取。然后從每個樣本點的5X5鄰域中提取包括當(dāng)前像素點灰度值、當(dāng)前像素鄰域均 值、當(dāng)前像素鄰域中值以及由當(dāng)前像素鄰域的灰度共生矩陣導(dǎo)出的5個紋理特征(角二階 矩、對比度、相關(guān)性、方差和、反差矩，取東西、西北-東南、南北、東北-西南四個方向上的平 均值)共8個特征?；叶裙采仃嚤欢x為從灰度為i的象素點，離開某個固定的位置關(guān) 系δ = (Dx，Dy)的點上的灰度為j的概率(或頻度)，表示為p(i，j) = {(x,y) f(x, y) = i, f (x+Dx, y+Dy) = j ；x, y = 0,1,2, ...，N_1}其中，i，j =0,1,2,…，L_1，L是灰度級數(shù)目，p(i，j)表示了符合上式定義的象 素個數(shù)，(X，y)是圖像中象素的坐標，f(x, y)是該點的灰度級，Dx, Dy是偏移量。在實際計 算中，反映固定的位置關(guān)系的參數(shù)Dx，Dy既包括偏移量的選擇，又包括方向的選擇。一般限 定方向只取東西、西北_東南、南北、東北_西南這四個方向。因此，Dx, Dy的選擇只會選取以下這四種值(Dx = d，Dy = 0)、(Dx = d，Dy = d)、(Dx = 0，Dy = d)、(Dx = _d，Dy = d)。1)角二階矩<formula>formula see original document page 6</formula>
2)對比度
<formula>formula see original document page 6</formula> 3)相關(guān)<formula>formula see original document page 6</formula>其中μ χ，μ y，δ χ，δ y分別是Ρχ，Py的均值和方差，Px, Py的定義是
<formula>formula see original document page 6</formula>則<formula>formula see original document page 6</formula>4)方差和<formula>formula see original document page 6</formula>
5)反差矩<formula>formula see original document page 6</formula>將提取的8個特征進行歸一化，歸一化的計算公式為<formula>formula see original document page 6</formula>歸一化后形成SVM的輸入向量Xi訓(xùn)練支持向量機，訓(xùn)練支持向量機的方法是使用 LibSVM軟件包中的SVm_train()函數(shù)。其中，支持向量機的核函數(shù)選擇徑向基核函數(shù)，其函 數(shù)表達式如下<formula>formula see original document page 7</formula>參數(shù)ο取0· 1，懲罰因子C取500。在搜索種子點過程中粒度N取20，即每隔20行20列取一點判別是否為種子點。以 所選取到的種子點作為起點進行四鄰域區(qū)域增長，其過程是以種子點作為起始點，判斷該 點周圍的四鄰域(該點的上、下、左、右四個像素點)的像素點是否屬于目標區(qū)域，判斷方法 是使用訓(xùn)練好的支持向量機進行判別(通過使用LibSVM軟件包中的SVm_prediCt()函數(shù) 實現(xiàn))，如果某點屬于目標區(qū)域，則繼續(xù)判別該點周圍四鄰域內(nèi)未判別過的點，直到某點周 圍四鄰域內(nèi)無未判別的點或未判別的點都不屬于目標區(qū)域，此時增長過程完成，增長停止。后處理過程依次進行了開運算(先對圖像進行腐蝕操作后對圖像進行膨脹操作) 和閉運算(先對圖像進行膨脹操作后再對圖像進行腐蝕操作)，在開閉運算中均使用7X7 的矩形結(jié)構(gòu)元素。膨脹操作的具體實施方法是用結(jié)構(gòu)元素掃描圖像中的每一個像素，將結(jié) 構(gòu)元素與其覆蓋的二值圖像做“與”操作，如果都為0，結(jié)果圖像的該像素為0，否則為1 ；腐 蝕操作的具體實施方法是用結(jié)構(gòu)元素掃描圖像中的每一個像素，將結(jié)構(gòu)元素與其覆蓋的 二值圖像做“與”操作，如果都為1，結(jié)果圖像的該像素為1，否則為0。應(yīng)用本方法對圖像B進行分割的各階段結(jié)果如下所示，分別選取肺部上、中、下段 各一張圖像作為示例。其中圖2為原始圖像，圖3為自動搜索找到的種子點，圖4為使用支 持向量機判別的區(qū)域生長結(jié)果(二值圖像)，圖5為經(jīng)后處理后的二值圖像，圖6為分割得 到的二值結(jié)果圖像與原始圖像相乘并去背景后的結(jié)果。從以上實施例可以看出，本方法只需對搜索種子點及搜索到的種子點附近像素點 進行判別，而單純使用支持向量機的方法需要對所有像素點進行判別，因此本方法在速度 上明顯優(yōu)于單純使用支持向量機的分割方法；在該方法中種子點的選取使用支持向量機自 動搜索，只需根據(jù)具體情況確定合適的粒度N即可，粒度N的確定應(yīng)根據(jù)目標區(qū)域的大小 來確定，通常一個可參考的值是目標區(qū)域短徑的1/5左右。而在區(qū)域增長過程中直接使用 支持向量機自動判別，避免了經(jīng)典的區(qū)域增長算法手動選取種子點的交互操作以及增長規(guī) 則和終止條件的選擇困難問題；該方法只需提供一已知分割結(jié)果的圖像用于訓(xùn)練支持向量 機，訓(xùn)練好后就可以實現(xiàn)同類圖像的自動分割。從實驗結(jié)果來看，分割效果較好。該方法也 可以用于其它領(lǐng)域的圖像分割。
權(quán)利要求
一種支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征是該方法包括如下步驟(1)選取樣本訓(xùn)練分類器；(2)自動選取種子點；(3)使用支持向量機判別進行區(qū)域增長；(4)進行后處理。
2.根據(jù)權(quán)利要求1所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征是 步驟(1)所述的選取樣本訓(xùn)練分類器的方式為從已知分割結(jié)果的圖像中選取一組目標區(qū) 域與非目標區(qū)域樣本點作為支持向量機分類器的訓(xùn)練樣本。
3.根據(jù)權(quán)利要求1或2所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征 是步驟(2)所述的自動選取種子點的方法為以粒度N，即每隔N行N列取一個像素點，利 用訓(xùn)練好的支持向量機判別該點是否屬于目標區(qū)域，如果該點屬于目標區(qū)域，則將該點記 為種子點。
4.根據(jù)權(quán)利要求1或2所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征 是步驟(3)所述的使用支持向量機判別進行區(qū)域增長的具體方法為以步驟(2)所選種 子點做起點進行區(qū)域增長，使用支持向量機對像素點進行分類判別，決定是否將該點標記 為目標區(qū)域。
5.根據(jù)權(quán)利要求3所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征是 步驟(3)所述的使用支持向量機判別進行區(qū)域增長的具體方法為以步驟(2)所選種子點 做起點進行區(qū)域增長，使用支持向量機對像素點進行分類判別，決定是否將該點標記為目 標區(qū)域。
6.根據(jù)權(quán)利要求1或2或5所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其 特征是步驟(4)所述的進行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
7.根據(jù)權(quán)利要求3所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征是 步驟(4)所述的進行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
8.根據(jù)權(quán)利要求4所述的支持向量機與區(qū)域增長相結(jié)合的圖像分割方法，其特征是 步驟(4)所述的進行后處理的包括平滑、濾波、數(shù)學(xué)形態(tài)學(xué)操作。
全文摘要
支持向量機與區(qū)域增長相結(jié)合的圖像分割方法。經(jīng)典的區(qū)域增長算法進行圖像分割時通常需要手動選取種子點而且生長規(guī)則確定困難；典型的分類方法(如支持向量機)進行圖像分割時需要對圖像中的每個像素點進行特征提取并使用分類器判別，因此分割速度通常較慢。本發(fā)明的方法步驟為(1)選取樣本訓(xùn)練分類器；(2)自動選取種子點；(3)使用支持向量機判別進行區(qū)域增長；(4)進行后處理。本發(fā)明用于同一類圖像的自動分割。
文檔編號G06T7/00GK101826208SQ20101015519
公開日2010年9月8日 申請日期2010年4月26日 優(yōu)先權(quán)日2010年4月26日
發(fā)明者劉露, 張斌, 楚春雨, 馬建為 申請人:哈爾濱理工大學(xué)