1.一种基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,包括:
步骤1,基于阈值分割和形态学操作得到待分割图像的二值图像;
步骤2,基于广义哈弗变换定位所述待分割图像的初始中心,将平均网格移动到所述待分割目标的初始中心,得到第一初始化网格;
步骤3,计算所述第一初始化网格每个顶点的法线值,根据所述待分割图像的二值图像沿着所述第一初始化网格每个顶点的法线方向调整所述第一初始化网格的每个顶点,基于形状稀疏表示算法对调整后的所述第一初始化网格进行平滑重建,得到第二初始化网格;
步骤4,计算所述第二初始网格每个顶点的法线值,计算所述第二初始网格每个顶点的法线方向外观字典重建标签的概率值,基于所述第二初始网格每个顶点的法线的矢量值结合所述法线方向外观字典重建标签的概率值局部调整所述第二初始网格每个顶点的位置,利用形状稀疏表示算法对定位后的所述第二初始网格进行平滑重建,得到第三初始网格;
步骤5,基于梯度矢量流场的定位算法依次对所述第三初始化网格上的每个顶点进行定位,利用形状稀疏表示算法对定位后的所述第三初始化网格进行平滑重建,得到最终的重建网格,将所述最终的重建网格转化为二值图像,作为最终的分割结果。
2.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤1中,基于阈值分割和形态学操作得到待分割图像的二值图像之前,还包括:对原始图像进行滤波去噪处理。
3.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤2中,将平均网格移动到所述待分割目标的初始中心,包括:基于主成分分析(PCA)训练出平均网格,所述主成分分析(PCA)的训练的公式表示如下:其中,ψk表示第k个训练样本的肺网格;T表示从训练样本空间到参考样本的相似性变换;T-1表示对应的T的反变换;pm表示主成分分析(PCA)训练获得的网格形状变化模式;λm表示主要的模式所对应的权重;ks表示训练样本的肺网格总数; 表示训练得到的平均网格。
4.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤3中,基于形状稀疏表示算法对调整后的所述第一初始化网格进行平滑重建,包括:所述形状稀疏表示算法的定义公式如下:其中,ψ表示法线方向调整后的所述第一初始化网格即需要被平滑的网格;Ds表示所有训练网格坐标形成的形状字典;pm表示主成分分析(PCA)训练获得的形状变化模式;T表示从形变网格到平均网格的相似变换;Ts表示每个训练网格到平均网格的相似变换;β1和β2表示稀疏系数;λ3和λ4表示平衡参数;
当ψ和Ds相似变换到平均空间 后,通过迭代最小化方式解形状稀疏表示算法的定义公式,首先使用快速的迭代阈值收缩算法(FISTA算法)优化下面的等式:整体的形状ψ用变换到平均空间的形状训练字典进行重建,第二项拟合局部误差e,在pm中通过参数β2挑选合适的形变模态并设置模态的比例大小,数学上表示成如下形式:上式用FISTA算法优化,最终的平滑后形状网格ψ表示为:
ψ=T-1(Ts(Ds)β1+Pmβ2)。
5.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤4中,基于所述第二初始网格每个顶点的法线的矢量值结合所述法线方向外观字典重建标签的概率值局部调整所述第二初始网格每个顶点的位置,包括:计算平移到中心点的网格每个顶点的法线值,用ni表示;对于网格上的每个顶点,沿着法线ni的方向计算边界候选点在离散的位置j=-nm,-nm+1,…,0,…,nm-1,nm,表示为如下形式:vij=vi+jδni
其中,δ是搜索步长;nt表示顶点移动的阈值;nm表示最大的搜索范围。当顶点vi在肺内部,也即在二值图像的前景区域,并且j>nt,vij沿着法线ni方向搜索,顶点vi更新为vij;当顶点vi在肺外部也即在二值图像的背景区域,并且|j|>nt,vij沿着法线ni负方向搜索,顶点vi更新为vij。
6.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤4中,基于所述第二初始网格每个顶点的法线的矢量值结合所述法线方向外观字典重建标签的概率值局部调整所述第二初始网格每个顶点的位置,包括:所述第二初始网格顶点调整的数学公式表示为:其中δ'是搜索步长;j'=0,1,…,nm-1,nm表示沿着法线方向的候选点的离散位置;ni'表示顶点vi'的法线矢量值;ht表示顶点的平移阈值;h表示局部的可分辨外观字典学习重建的标签概率值;h由如下方式得到:训练阶段,对于被调整网格的每个顶点,根据其与训练样本对应顶点,从所有训练样本中所对应的相同领域位置取三维外观块形成块库Pl;将每个三维块表示成一维列向量的形式,因此整个三维块库Pl表示成矩阵形式: ma表示每个块的尺寸;na表示Pl中块的个数;和专家标注结合,外观字典学习训练公式表示为:
其中 表示学习的外观字典;α表示稀疏编码因子;ka表示
字典元素的个数;L表示Pl中每个块对应的专家标注值;ω表示学习的线性分类器;λ1和λ2是平衡因子;
测试阶段;外观字典在测试阶段被表示为;
其中pt表示在形变网格附近的一个三维块; 表示对输入块pt的稀疏因子;最终输入三维块pt中心体素的标签值被表示为;
h=ω*αt
特征空间的形状稀疏表示被用来对调整之后的网格进行平滑处理;整个过程迭代优化,直到两次迭代之间的网格顶点距离差Δd小于给定的阈值Δdt;此时的输出网格ψ被当作步骤5中的输入。
7.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤5中,基于梯度矢量流场的定位算法依次对所述第三初始化网格上的每个顶点进行定位,包括:一个边缘图被定义为:G=-Gσ*B。其中Gσ是表示标准差为σ的三维高斯函数;B表示阈值分割和外观字典学习重建下的二值图像。在梯度矢量流场的方向上离散顶点搜索的公式定义为:其中vj-1表示形变网格上当前的顶点; 表示vj-1所对应的梯度矢量流场值的角度值;
||G(vj-1)||表示vj-1所对应的梯度矢量流场的模值;vj表示沿着梯度矢量流场的方向搜素的下一个目标点; 表示vj所对应的梯度矢量流场值的角度值;||G(vj)||表示vj所对应的梯度矢量流场的模值。满足上式的离散点形成点集合 基于该集合,目标点被定义为:其中F(·)表示在离散位置 的边缘检测函数;γ表示惩罚参数。F(·)被定义如下:其中G向三角网格的法线ni投影限制不平衡边缘;将最大值通过sigmoid函数限制为gmax;±保证方向的一致性; 表示边缘附近外观字典学习重建的标签值。特征空间的形状稀疏表示被用来对调整之后的网格进行平滑处理。整个过程迭代优化,到设计的能量函数小于某个阈值时结束。
8.根据权利要求1所述的基于外观字典学习和形状稀疏表示的图像分割方法,其特征在于,步骤5中,基于梯度矢量流场的定位算法和形状稀疏表示算法交叉迭代最小化到的最终结果,根据损失函数的设计,将损失函数表示为:E=Eregion+λeEsurface其中λe控制区域能量项和表面能量项的平衡,对于区域能量项Eregion设置为:ψt表示阈值分割和外观字典学习重建的图像对应的网格;p表示梯度矢量流场上的一个体素;Nr表示归一化参数;ψτ表示基于梯度矢量流场定位的网格;||Gτ(p)||和||Gt(p)||分别表示ψτ和ψt在梯度矢量流场上所对应的赋值。
对于表面能量项设置为;
其中Ns表示归一化参数;ns表示网格ψλ顶点总数;顶点Nv表示顶点v'的邻域点集合;ψλ表示形状稀疏表示平滑之后的网格。