一种基于共享采样的快速三维图像分割方法与流程

本发明涉及三维图像分割尤其涉及一种基于共享采样的快速三维图像分割方法。

背景技术：

在人体可视化的三维模型建立的过程中，从人体切片图像中准确分割提取出器官和组织是进行人体可视化的基础，分割的效果直接影响到可视化人体的精确度。对人体切片图像数据集进行分割的主要困难是需要处理大量的数据,人体内部器官和组织形态复杂多变。如今，直接对图像数据进行三维分割提取已经成为一个研究热点。很明显，与逐层图像分割再组合成三维相比，从原始的三维图像数据集中分割提取出感兴趣区域加以研究是更有意义的，且提取出的体数据更易于分析和理解。但是现在的医学图像分割算法大都是针对二维图像的，三维彩色图像的分割方法很少。现在的三维分割基本是先从单层图像提取出轮廓区域，再将其组合成三维图像。对于大量的图像来说，这不仅是一项枯燥而耗时的任务，而且这在三维立体方向上也会损失一些信息。这些就导致分割结果不精确，分割时间长。

技术实现要素：

根据现有技术存在的问题，本发明公开了一种基于共享采样的快速三维图像分割方法，具体采用如下步骤：

选取二维系列图像i和对应的trimap图像t，其中trimap图像t分为已知区域tr和未知区域tu，根据颜色和空间距离相似度对trimap图像中的已知区域tr进行扩展；

采用共享采样方法为未知区域tu中的每一个像素点寻找一对最优前景-背景点对，对未知像素的前景-背景颜色进行局部优化，计算未知像素的不透明度信息、前景颜色、背景颜色以及选择前景背景颜色的置信度；

采用高斯函数对未知区域tu的像素点进行局部平滑得到每一个像素点的最终不透明度。

进一步的，根据颜色和空间距离相似度对trimap图像中的已知区域tr进行扩展具体采用如下方式：对于未知区域tu中的每一个像素点a在二维平面上从内到外进行搜索，如果找到一个像素点b与该像素点a颜色和空间距离在设定范围内则将像素点a归为像素点b所在的已知区域tr内，如果没有找到满足条件的像素点b，那么像素点a仍然属于未知区域tu。

进一步的，采用共享采样的方法为未知区域tu中的每一个像素点寻找一对最优前景-背景点对，然后进行局部优化具体方式为：

为属于未知区域tu的每一个像素点在三维空间中沿着不同角度的射线多次搜索，找到多个前景点和背景点并根据约束函数找到最优前景-背景点对，以最优前景-背景点对作为该像素点的前景-背景颜色并计算前景点和背景点的局部颜色方差，当未知区域tu中的每个像素点都找到最优前景-背景点对后，对于未知区域tu中的每个像素点根据周围其他像素点对其自身的前景-背景颜色进行局部优化，得到优化后的前景-背景颜色、不透明度和选择该前景-背景颜色的置信度信息。

采用高斯函数对未知区域的像素点进行局部平滑具体方法为：采用高斯加权平均的方法对未知区域tu的每个像素点的前景-背景色和不透明度进行加权平均得到最后的不透明度。

对于未知区域tu中的每个像素点根据周围其他像素点对其自身的前景-背景颜色进行局部优化具体采用如下方式：对未知区域的每一个像素点p，在一定范围内找到三个色失真最小的邻近的未知区域像素，色失真的定义如下：

设其中一个邻近像素点为q，cp是p的颜色值，是q的背景色，是q的前景色，对这三个像素点的前景颜色、背景颜色和局部颜色方差求均值，将该均值作为比较标准、得到优化后的前景-背景颜色和不透明度以及选择前景背景颜色的置信度。由于采用了上述技术方案，本发明提供的一种基于共享采样的快速三维图像分割方法，该方法可以显著且安全地减少分割所需的计算量，能够在相当小的离散搜索空间上运行的同时获得高质量的结果，本发明提出的方法中的图像分割速度使得用户的matte创建过程更容易，大大减少了通过alphamatting交互式分割图像所花费的时间，运行时间短，因此能够得到精确的三维分割图像。

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为本发明方法的流程图；

图2为本发明使用的原数据；

图3为本发明使用的trimap图像；

图4为本发明步骤s1的结果；

图5为本发明步骤s2的搜索过程；

图6为本发明步骤s2的结果；

图7为本发明的最终分割效果图。

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所示的一种基于共享采样的快速三维图像分割方法，本方法输入二维系列图像i和对应的trimap图像t。trimap图像分为已知区域tr和未知区域tu，其中已知区域分为前景tf和背景tb。前景的不透明度为1，背景的不透明度为0。以眼球为例，i的某一张二维切片如图2，t的三维重建如图3。具体采用如下步骤：

s1:根据颜色和空间距离相似度对trimap图像中的已知区域进行扩展：对于未知区域中的每一个像素点在二维平面上进行从内到外地搜索，如果找到与它颜色和空间距离在指定范围内的像素点，那么这个像素点就归为相应的已知区域，否则仍然属于未知区域。本步骤利用颜色和空间距离相似度对trimap图像中的已知区域了进行扩展，具体步骤为：

s11:对于在未知区域tu中的每一个像素点p，在以p为中心的(2k+1)×(2k+1)的二维平面区域内从里到外搜索像素点q，搜索到q后停止(如果搜索了整个(2k+1)×(2k+1)的二维平面也没找到满足条件的q，搜索也停止)。其中q属于已知区域tr(r＝{f,b})，k＝1，2·····ki。像素点q需要满足以下条件：p和q之间的像素空间距离||p-q||≤ki，颜色空间距离||cp-cq||≤kc。其中cp和cq分别代表p和q的颜色值，ki取决于未知区域的大小，一般在10到30之间，kc在5到10之间。

s12:对于找到q的像素点p，将该像素点p的标签改为像素点q所属的已知区域。p的不透明度也改为对应的0或1。没找到q的像素点p仍然属于未知区域。

s2:如图4、图5和图6所示，采用共享采样的方法为未知区域中的每一个像素点寻找一对最优的前景-背景点对：为属于未知区域的每一个像素点在三维空间中沿着不同角度的射线多次搜索，找到多个前景点和背景点并根据定义的约束函数找到最优的一对前景-背景点，以其作为该像素点的前景-背景颜色并计算前景点和背景点的局部颜色方差，然后对该结果进行局部优化，得到更好的前景-背景色、不透明度、选择前景-背景色的置信度。本步骤利用共享采样的方法为未知区域中的每一个像素点寻找一对最优的前景-背景点对，然后进行局部优化计算得到每一个像素点的前景-背景色、不透明度、选择前景-背景色的置信度，具体步骤为：

s21:为未知区域的每一个像素点收集采样。具体步骤为：

s211:对于未知区域里的每一个像素点p，首先沿着以p为起点，与x,y轴正方向分别成(θ,β)角度的射线1搜索与p距离最近的一个前景点和一个背景点(如果存在的话)。

然后沿着以p为起点，与x,y,z轴正方向分别成(θ,β,ξ)角度的射线2搜索，最后沿着以p为起点，与x,y,z轴正方向成(θ,β,180-ξ)角度的射线3搜索，其中ξ＝θ(mod180)。初始θ＝(xp+yp+zp)×(1.7×(360÷kg)÷9)％(360÷kg)，(xp,yp,zp)是像素p的三维坐标，kg一般取4。搜索情况如图5。

s212:每次将θ增加(360÷kg)度重复步骤1)，重复kg-1次。最后收集至多kg×3个前景点以及最多kg×3个背景点，以下步骤会从这些前景点和背景点中选择一对前景-背景点当作p的前景色和背景色。

s213:取上面s211和s212步骤得到的某一个前景点fi和某一个背景点bj，它们的颜色分别为fⁱ和b^j，计算p的邻近相似度

其中估计不透明度值ωp是以p为中心的3×3×3区域，q是ωp中的某一点。

s214:计算约束函数其中是像素点p属于前景的可能性估计值，从p到fi或bj的能量函数为s代表fi或bj，

s215:分别计算像素点p到fi和bj的图像空间距离dp(fi)＝||fi-p||和dp(bj)＝||bj-p||。

s216:计算总约束函数其中一般取en＝3,ea＝2,ef＝1,eb＝4。

s217:重复上述s213，s214，s215，s216步骤，找到像素p的最优前景-背景对

s218:的对应颜色是计算和其中ωf和ωb分别是以和为中心的5×5×5像素区域，和是局部颜色方差，n＝125。最后得到关于p的一个元组

s22:为了减少噪音的影响，对收集采样步骤得到的结果进行优化，具体步骤为：

s221:对于未知区域中的每一个像素p，在p的邻近未知区域像素(最多kr个)中找到三个像素q(像素q也属于未知区域)，这三个像素满足色失真是最小的，然后将这三个像素的元组平均得到通过平均减少了噪音的影响。其中kr一般取11×11×11。

s222:计算优化后前景-背景对的颜色和不透明度值像素p选择和的可能性一般取λ＝10，ε＝10^-8。最后得到新的元组

s3:为了阻止结果不连续的发生，采用高斯函数对未知区域tu的像素点进行局部平滑得到每一个像素点的最终不透明度。具体步骤为：

对于未知区域中的每一个像素点p，取p的m个最近的邻近像素点，记为ψp，q∈ψp。g是σ²＝m/9π的正态高斯函数。一般取m＝100。

s31:计算m个像素的权重，然后计算像素p的最终前景色和最终背景色

s32:计算权重然后计算ψp的平均前景-背景颜色距离最后计算像素p选择fp和bp的可能性：

s33:计算像素点q的不透明度的权重其中δ是一个布尔函数，当时，返回1，反之，返回0。然后计算ψp的权重平均α值最后计算像素p的最终α值

s34:将最终α值输出得到输入图像的三维α图像，然后根据三维α图像进行三维重建得到分割好的组织。最终的分割结果如图7所示。

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。