一种面向虚拟人超大规模切片图像的序列化自动分割方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种面向虚拟人超大规模切片图像的序 列化自动分割方法。

背景技术

在医学工程方面，关于虚拟人的研究促进了人类医学、生物科学事业的发展，并提 供了方便而又强大的工具。目前中国的虚拟人可视化研究已经进入到人体器官组织的三维 模型重建和理解阶段，庞大的数据集使得人工分割难以承受，虚拟人超大规模切片图像的 序列化自动分割方法可以高质量，高精度，高速度，并对大数据集进行自动分割。为虚拟人 的研究提供了基础材料。

现有技术中有采用人工手动分割提取图片，但是该方法工作量大，需要浪费大量 的人力和时间；还有采用基于HIS颜色空间设置色度、亮度相似系数判定是否为同类像素来 进行图像分割，但是该方法的缺陷是重于人工交互，要求实施者的经验高，不同实施者可能 得到不同分割结果，标准不统一。另外还有一种方法是把人工标定的种子点作为起点，向周 围生长，判定的与当前像素同类的像素点则添加到欲获取区域中，以获得分割区域，但是在 实际分割过程中分割算法复杂度较高，难以编程实现，分割时消耗时间和内存大。

发明内容

根据现有技术存在的问题，本发明公开了一种面向虚拟人超大规模切片图像的序 列化自动分割方法包括以下步骤:

S1：基于闭式解决算法对第一张虚拟人切片图像进行分割：根据欲获取区域中手 动选择的多个种子点坐标集合采用闭式解决算法获得不透明度蒙版，将不透明度蒙版与序 列化图像按照像素进行融合后获得仅有欲获取区域的图片；

S2：基于距离变换算法生成欲获取区域种子点：将S1中获得的不透明度蒙版用距 离变换算法进行处理，在处理得到的图片中寻找局部最大值，将最大值所在位置作为种子 点；

S3：根据上述获得的种子点采用S1中的方式对第二张虚拟人切片图像进行分割处 理，将第二张获得的种子点对第三张虚拟人切片图像进行分割，如此循环完成最后一张虚 拟人切片图像的分割；

S4：对于分割结束后的欲获取区域图片，按序叠加后获得虚拟人器官三维立体图 像，供医学研究。

S1具体采用如下方式：

S11：输入虚拟人序列化图片，在第一张图片的欲获取区域上选取多个种子点，遍 历整张图片，将种子点置1，其余点置为0，获得二值矩阵；

S12：建立第一矩阵，矩阵元素为RGB分量，记录除图像边缘外的像素及其邻域的 RGB信息，计算该矩阵中所有像素点每个颜色分量的平均值，用邻域像素的每个颜色空间分 量与当前像素点的颜色分量做乘积后减去平均值，得到第二矩阵；

$W_2\left[i\right]\left[j\right]=T_1-\bar{i}\times \bar{j}+T_2,i=j=R,G,B$

其中T₁：$T_1=\frac{1}{n^2}\times \underset{x=0}{\overset{n-1}{\Sigma }}\left(W_1\right[x].i\times W_2[x].j)$

T₂：

$T_2=\left(\begin{array}{c}0,i=j\\ \frac{ϵ}{n^2},i\ne j\end{array}\right)$

其中W₁为第一矩阵，W₂为第二矩阵，ε取值10^-7—10^-5，n²为第一矩阵的大小，T₂是中 间变量，ε是调节抠图平滑度的参数；

S13：对第二矩阵进行矩阵求逆，用第一矩阵左乘该逆矩阵，并用该结果再左乘第 一矩阵，从而得到第三矩阵，通过行列对应，查重后得到稀疏矩阵；

以下为稀疏矩阵的获得过程：

第一矩阵内每一个像素在整个图片中的编号存储在一个第四矩阵中

其中W₄为第四矩阵，no为第一矩阵内每一个像素在整个图片中的编号，w为图片的 宽度，n为第一矩阵的行数和列数：

建立m×1矩阵的第五矩阵：

W₅[k]＝W₄[(k-len)％n²]；

建立m×1矩阵的第六矩阵：

W₆[k]＝W₄[(k-len)/n²]；

建立m×1矩阵的第七矩阵：

W₇[k]＝W₃[(k-len)％n²][(k-len)/n²]；

其中m为第一矩阵的个数*第三矩阵的行数*第三矩阵的列数，W₅为第五矩阵，W₆为 第六矩阵，W₇为第七矩阵，k为矩阵元素，len为此第一矩阵之前的第一矩阵的个数*第三矩 阵大小；

通过第五矩阵，第六矩阵，第七矩阵建立稀疏矩阵,第七矩阵中任何零元素将被忽 略,第七矩阵中在第五矩阵和第六矩阵处的重复值将被叠加；

S14：将稀疏矩阵每行相加到对角线元素处，并把S11得到的二值矩阵中非零值对 应的元素乘以设定的阈值加到该矩阵对角线元素处后得到系数矩阵A；

$A\left[i\right]\left[i\right]=\underset{i=0,j=0}{\overset{n}{\Sigma }}\left(W_8\right[i\left]\right[j]+W_9[i\left]\right[j]*\lambda )$

W₈为稀疏矩阵，W₉为S11得到的二值矩阵，n为矩阵的行数或列数，λ为阈值；

S15：设方程Ax＝b，其中A为上一步中得到的系数矩阵，x是要求的不透明度蒙版， b是S11中得到的二值矩阵按列排列成的1维向量，求解方程得到不透明度蒙版；

S16：将上一步获得的不透明度蒙版与原图片对应像素相乘，获得欲获取区域。

S2具体采用如下方式：

S21：设定第二阈值，其中：0<第二阈值≤1，根据S1中得到的不透明度蒙版选取大 于等于该阈值的点将其设置为1，将小于该阈值的点设置为0，将上述选取的点用于选取具 有种子点资格的像素；

S22：建立与图像大小相同的矩阵M；

根据S21中得到的二值矩阵，遍历矩阵，设矩阵中一点为p₁(x₁,y₁)该点值为1，设距 离p₁最近的值为0的点为p₂(x₂,y₂)利用欧几里得距离公式：

$M\left[x_1\right]\left[y_1\right]=\sqrt{{(x_1-x_2)}^2-{(y_1-y_2)}^2}$

计算p₁到p₂的距离，距离加入到矩阵M的对应位置；

S23：设置种子点集合Z，设置种子点资格矩阵V，初始为1；由上到下从左到右遍历 S22中得到的矩阵M，设当前遍历到点p(x,y)，若：

V[x][y]＝1

M[x][y-1]≤M[x][y]

M[x][y+1]≤M[x][y]

则将点p加入到集合Z中，对集合Z中种子点进行排序，当集合中元素个数超过集合 z的大小，新的种子点将替换掉距离值最小的种子点；

将点p下面h行的大小为h×w矩形内像素以及点p后面n个像素取消种子点资格即 矩阵V的对应位置设置为0，集合Z中的元素设置为种子点。

由于采用了上述技术方案，本发明提供的一种面向虚拟人超大规模切片图像的序 列化自动分割方法，本方法基于虚拟人超大规模序列化图片，自动分割其中感兴趣区域，为 虚拟人后续研究提供素材和基础，在分割方法方面采用了应用于自然场景分割的闭式解决 方法，分割结果更加精细，可获得精准的三维模型。本方法自动分割序列化图片，操作简单 快速，不同操作人员得到的分割结果基本相同。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。

图1为本发明中公开的方法的流程图；

图2为本发明中虚拟人切片序列化图像的示意图；

图3为本发明中虚拟人大腿切片图像的示意图；

图4为本发明中序列化分割过程的示意图；

图5为本发明中窗口遍历图像的示意图；

图6为本发明中生成稀疏矩阵行列向量的示意图

图7为本发明中种子点资格的示意图；

图8为本发明中距离矩阵的示意图；

图9为本发明中生成种子点的示意图；

图10为发明中不透明度蒙版与图片融合结果的示意图；

图11为本发明中序列化分割结果的示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本 发明实施例中的技术方案进行清楚完整的描述：

如图1-图4所示的一种面向虚拟人超大规模切片图像的序列化自动分割方法，具 体步骤是：S1：输入虚拟人序列化图片，选择序列化图片所在文件夹，载入工作窗口，序列化 图片名称按数字增序依次排列。基于闭式解决算法对第一张虚拟人切片图像进行分割：根 据欲获取区域中手动选择的多个种子点坐标集合采用闭式解决算法获得不透明度蒙版，即 在第一张图像中的种子点是人工手动选择的，种子点所在位置为欲获取区域。将不透明度 蒙版与序列化图像按照像素进行融合后获得仅有欲获取区域的图片，如图10所示。具体步 骤是：

S11：输入虚拟人序列化图片，在第一张图片的欲获取区域上选取多个种子点，遍 历整张图片，将种子点置1，其余点置为0，获得二值矩阵；

S12：建立第一矩阵，矩阵元素为RGB分量，记录除图像边缘外的像素及其邻域的 RGB信息，如图5所示。计算该矩阵中所有像素点每个颜色分量的平均值，用邻域像素的每个 颜色空间分量与当前像素点的颜色分量做乘积后减去平均值，得到第二矩阵；

$W_2\left[i\right]\left[j\right]=T_1-\bar{i}\times \bar{j}+T_2,i=j=R,G,B$

其中T₁：$T_1=\frac{1}{n^2}\times \underset{x=0}{\overset{n-1}{\Sigma }}\left(W_1\right[x].i\times W_2[x].j)$

T₂：

$T_2=\left(\begin{array}{c}0,i=j\\ \frac{ϵ}{n^2},i\ne j\end{array}\right)$

其中W₁为第一矩阵，W₂为第二矩阵，ε取值10^-7-10^-5，n²为第一矩阵的大小，T₂是中间 变量，ε是调节抠图平滑度的参数；

S13：对第二矩阵进行矩阵求逆，用第一矩阵左乘该逆矩阵，并用该结果再左乘第 一矩阵，从而得到第三矩阵，通过行列对应，查重后得到稀疏矩阵；

以下为稀疏矩阵的获得过程：

第一矩阵内每一个像素在整个图片中的编号存储在一个第四矩阵中

其中W₄为第四矩阵，no为第一矩阵内每一个像素在整个图片中的编号，w为图片的 宽度，n为第一矩阵的行数和列数：

建立m×1矩阵的第五矩阵：

W₅[k]＝W₄[(k-len)％n²]；

建立m×1矩阵的第六矩阵：

W₆[k]＝W₄[(k-len)/n²]；

建立m×1矩阵的第七矩阵：

W₇[k]＝W₃[(k-len)％n²][(k-len)/n²]；

其中m为第一矩阵个数*第三矩阵的行数*第三矩阵的列数，W₅为第五矩阵，W₆为第 六矩阵，W₇为第七矩阵，k为矩阵元素，len为此第一矩阵之前的第一矩阵的个数*第三矩阵 大小，如图6所示；

通过第五矩阵，第六矩阵，第七矩阵建立稀疏矩阵,第七矩阵中任何零元素将被忽 略,第七矩阵中在第五矩阵和第六矩阵处的重复值将被叠加；

S14：将稀疏矩阵每行相加到对角线元素处，并把S11得到的二值矩阵中非零值对 应的元素乘以设定的阈值加到该矩阵对角线元素处后得到系数矩阵A；

$A\left[i\right]\left[i\right]=\underset{i=0,j=0}{\overset{n}{\Sigma }}\left(W_8\right[i\left]\right[j]+W_9[i\left]\right[j]*\lambda )$

W₈为稀疏矩阵，W₉为S11得到的二值矩阵，n为矩阵的行数或列数，λ为阈值；

S15：设方程Ax＝b，其中A为上一步中得到的系数矩阵，x是要求的不透明度蒙版， b是S11中得到的二值矩阵按列排列成的1维向量，求解方程得到不透明度蒙版；

S16：将上一步获得的不透明度蒙版与原图片对应像素相乘，获得欲获取区域。

S2：基于距离变换算法生成欲获取区域种子点：将S1中获得的不透明度蒙版用距 离变换算法进行处理，在处理得到的图片中寻找局部最大值，将最大值所在位置作为种子 点。

S21：设定第二阈值，其中：0<第二阈值≤1，根据S1中得到的不透明度蒙版选取大 于等于该阈值的点将其设置为1，将小于该阈值的点设置为0，将上述选取的点用于选取具 有种子点资格的像素；

S22：建立与图像大小相同的矩阵M；

根据S21中得到的二值矩阵，遍历矩阵，设矩阵中一点为p₁(x₁,y₁)该点值为1，设距 离p₁最近的值为0的点为p₂(x₂,y₂)利用欧几里得距离公式：

$M\left[x_1\right]\left[y_1\right]=\sqrt{{(x_1-x_2)}^2-{(y_1-y_2)}^2}$

计算p₁到p₂的距离，距离加入到矩阵M的对应位置，矩阵M如图8所示；

S23：设置种子点集合Z，设置种子点资格矩阵V，初始为1；由上到下从左到右遍历 S22中得到的矩阵M，设当前遍历到点p(x,y)，若：

V[x][y]＝1

M[x][y-1]≤M[x][y]

M[x][y+1]≤M[x][y]

则将点p加入到集合Z中，对集合Z中种子点进行排序，当集合中元素个数超过集合 z的大小，新的种子点将替换掉距离值最小的种子点；

为保证种子点不过于集中在同一位置将点p下面h行的大小为h×w矩形内像素以 及点p后面n个像素取消种子点资格即矩阵V的对应位置设置为0，如图7所示。集合Z中的元 素设置为种子点，如图9所示。

S3：根据上述获得的种子点采用S1中的方式对第二张虚拟人切片图像进行分割处 理，将第二张获得的种子点对第三张虚拟人切片图像进行分割，如此循环完成最后一张虚 拟人切片图像的分割，如图11所示。

S4：对于分割结束后的欲获取区域图片，按序叠加后获得虚拟人器官三维立体图 像，供医学研究。

本发明提供的面向虚拟人超大规模切片图像的序列化自动分割方法，可有效分割 虚拟人序列化切片图像，自动化程度高，可获得更好的抠图成像效果，提升研究精度，使模 型的可视化程度更高，为虚拟人的研究以及医学上CT图像的处理提供准确的器官图像。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其 发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。