[发明专利]一种基于结构化信息极大分解的肌肉损伤超声造影图像分割方法

摘要

本发明涉及一种图像分割方法，尤其是一种面向肌肉损伤超声造影图像的分割方法。该方法首先对采集到的超声造影图像使用结构化纹理特征的提取方法进行提取；之后，使用基于结构化最大互信息分解的独立成分分析方法，获得结构化纹理图像的独立成分；最后，对分解后的独立成分使用基于信息熵的分类方法与基于并集图像的图像分割方法，得到了损伤肌肉边界。本方法的优点一是利用图像的局部纹理特征代替灰度值，提取了图像中的结构信息，避免灰度信息不稳定对后续分析的影响；二是不受噪声的影响，提高了损伤肌肉边界识别的准确率。

主权项

一种基于结构化信息极大分解的肌肉损伤超声造影图像分割方法，其特征是所述方法包括如下步骤：步骤1：信号强度峰值时图像帧的选取；首先对原始肌肉损伤超声造影图像选取一个时间窗口；选取的方法为观察图像的灰度值强度，记录灰度值强度最强的时刻为tmax，以tmax为中心时刻，选取区间为共计时间t秒的窗口，共计影像m帧；保留窗口内的所有图像，舍去其余的图像，得到能量值较高的肌肉损伤图像；步骤2：结构化纹理特征的提取；使用局部二值模式方法对于对步骤1所得的图像进行结构化纹理替换，从而产生图像的纹理特征；步骤3：基于结构化信息极大的独立成分分析；对步骤2替换后的结构化纹理影像进行独立成分分析，使用基于信息极大准则的独立成分分析方法，得到图像的独立分量；具体步骤如下：步骤3.1：混合信号进行成分个数的估计；对步骤2产生的结构化纹理特征图像，进行基于拉普拉斯近似的源信号成分个数估计，从步骤2产生的结构化纹理特征图像T中，得到源信号的成分个数n；步骤3.2：独立成分的分解；利用步骤3.1得出的源信号成分个数n，对结构化纹理特征图像T进行分解，得到相应的n个独立成分；结构化纹理特征图像T分解为两个矩阵，T＝AS，矩阵A表示混合矩阵，矩阵S表示源信号；公式中，T＝{T1(x,y),T2(x,y),...,Ti(x,y),...,Tm(x,y)}，Ti(x,y)为第i帧的局部二值模式图像，m为步骤1中采样的帧数；假定x是线性混合模型的输入，而所述线性混合模型具有如下形式：yi=φi(wiTx)+nn]]>其中，φi为某标量函数，wi为权重向量；nn为加性高斯白噪声；与之相对应的输出熵为：H(y)=H(φ1(w1Tx),φ2(w2Tx),...,φn(wnTx))]]>利用熵变换的经典式，可得：H(φ1(w1Tx),φ2(w2Tx),...,φn(wnTx))=H(x)+E{log|∂F∂W(x)}]]>其中，表示混合模型所定义的函数，计算其导数，得到目标函数：E{log|∂F∂W(x)}=ΣiE{logφn′(wnTx)}+log|detW|]]>求解上述目标函数，将结构化纹理特征图像T作为输入，得到解混矩阵W，W可以表示为W＝[w1,w1,...,wn]T；之后通过S＝WT，计算得到n个独立的成分信号；步骤4：肌肉损伤区域边界的确定；基于信息熵的分类方法，将独立的成分依据信息熵进行分类；其次基于并集图像的图像分割方法，对肌肉损伤的区域进行分割，并确定损伤肌肉的边缘；具体步骤如下：步骤4.1：独立成分的分类；以步骤3得到的n个成分信号，利用损伤肌肉、微气泡、噪声分布在不同的信息熵中的先验知识，将n个独立的成分信号分为三个集合，分别为肌肉组织成分集、微气泡成分集和噪声成分集；第一步，先计算信息熵：H(Sk)=Σi=0,j=0255PijlogPij]]>其中0≤i,j≤255，其中，i为像素点Pixel(x,y)的像素值，j为其八邻域像素点的均值；f(i,j)为像素点(i,j)概率密度函数，Ih为图像的长度，Iw为图像的宽度；第二步，使用如下基于信息熵的分类方法将n个独立的成分分为三个集合：SMT＝{Sk|H(Sk)＜ε1}SMB＝{Sk|ε1≤H(Sk)≤ε2}SNoise＝{Sk|ε2＜H(Sk)}其中，SMT为肌肉组织成分集，SMB为微气泡成分集，SNoise噪声成分集，ε1为微气泡成分集SMB信息熵的最小阈值，ε2为微气泡成分集SMB信息熵的最大阈值；步骤4.2：损伤肌肉边界的确定；取步骤4.1所得的微气泡成分集SMB，使用基于并集图像的分割方法，采用如下区域分割的准则，确定损伤肌肉边界：Boundary(SMB)={q(x,y)|q=∪i=1KSMBi,θ≤q(x,y)}]]>其中，K为集合SMB中的信号个数；i为集合中成分信号的标号，为SMB集合中的第i个信号；并集图像是指将多个信号求并集所获得的图像，为微气泡的成分集SMB的并集图像，图像大于等于阈值θ所组成的二值图像q(x,y)就是最终的分割边界Boundary(SMB)。