一种基于聚类的肝脏CT影像的图像分割方法与流程

本发明涉及医疗图像处理，具体涉及一种基于聚类的肝脏ct影像的图像分割方法。

背景技术：

1、腹部ct图像则是目前医疗人员获取肝脏状态的最重要的手段之一，通过对腹部ct图像中肝脏区域的分割提取能够用于医学教学等多种领域。因此，从腹部ct图像中完整、精确的进行肝脏的分割，就显得尤为重要。但是，肝脏具有与周围毗邻器官的低对比度、弱边界以及病例间肝脏形态差异较大等特点，腹部ct图像中肝脏的精确分割仍面临较大困难。

2、现有的基于腹部ct序列图像的肝脏分割方法包括基于传统图像分析的方法、基于机器学习的方法和k-means聚类方法。基于传统图像分析的方法，分割流程复杂、耗时长、且需要人工干预，难以实现全自动分割，而且分割结果不理想。基于机器学习的方法，对判别性特征的设计要求非常高，而医学图像的复杂性高，判别特征设计难以得到理想结果；现有的k-means聚类方法在对肝脏ct图像进行分割时，由于类中心点处于一个均衡区域，会导致图像分割效果没有发生变化，同时在的k-means聚类迭代过程中，类中心点在灰度轴中的移动是无限制的，由此会增大k-means聚类过程中的计算冗余度。

技术实现思路

1、为了解决相关技术中，在使用k-means聚类法对肝脏ct图像进行分割时分割效果无法满足要求，以及计算冗余度大的技术问题，本发明提供了一种基于聚类的肝脏ct影像的图像分割方法，该方法通过获取ct图像的灰度直方图和灰度梯度直方图确定多个灰度值区间，并通过每个灰度值区间的聚类匹配程度和像素点聚集度确定多个目标灰度值区间，获取每个目标灰度值区间的初始聚类像素点，并根据每个目标灰度值区间的初始聚类像素点对ct图像中的像素点进行k-means聚类，完成对肝脏ct图像的分割；有鉴于此，本发明通过以下技术方案予以实现。

2、一种基于聚类的肝脏ct影像的图像分割方法，包括以下步骤：

3、获取腹部ct原始图像；

4、获取所述ct原始图像的灰度直方图和灰度梯度直方图；

5、在所述灰度直方图中从最大灰度梯度值开始，向灰度梯度值减小的方向逐级进行像素点数量累加，每累加一次后获取累加像素点数量与ct原始图像中像素点数量的比值，根据当前累加后的比值与上一次累加后的比值获取比值的变化率，根据所述比值的变化率获取所述ct原始图像中的边缘特征像素点；

6、根据所述灰度直方图中像素点的灰度级分布将所述ct原始图像中的灰度值分为多个灰度值区间；根据每个灰度值区间中像素点数量与该灰度值区间中边缘特征像素点数量的比值，获取每个灰度值区间的聚类匹配程度；

7、根据每个灰度值区间中每个像素点与该灰度值区间中其余像素点在所述ct原始图像中的距离的平均值，获取每个灰度值区间中的像素点的聚集度；

8、根据灰度值区间的聚类匹配程度和聚集度从多个灰度值区间中选取目标灰度值区间；

9、获取目标灰度值区间的像素点形成的区域中每个像素点与该区域中其余像素点的灰度值的差值平方和；根据差值平方和获取该区域中的聚类起始像素点；依次获取每个目标灰度值区间的像素点形成区域的聚类起始像素点；

10、根据所述聚类起始像素点对每个目标灰度值区间的像素点形成区域进行聚类，获得多个聚类区域，得到分割后的ct影像图像。

11、进一步地，根据所述比值的变化率获取所述ct原始图像中的边缘特征像素点的过程中，还包括设定变化率阈值，当所述比值的变化率大于所述变化率阈值时，停止像素点数量的累加，并将已经累加的像素点确定为所述ct原始图像中的边缘特征像素点。

12、进一步地，所述变化率阈值为0.3，当所述比值的变化率大于0.3时，停止像素点数量的累加，并将已经累加的像素点确定为所述ct原始图像中的边缘特征像素点。

13、进一步地，所述灰度值区间的聚类匹配程度通过下式确定：

14、

15、式中，为第个灰度值区间的聚类匹配程度；为第个灰度值区间中像素点数量与该灰度值区间中边缘特征像素点数量的比值；为第个灰度值区间中像素点数量与该灰度值区间中边缘特征像素点数量的比值；为灰度值区间个数；表示以自然常数e为底的指数函数。

16、进一步地，所述灰度值区间中的像素点的聚集度通过所述距离的平均值与所述ct原始图像中全部像素点灰度值和的比值得到。

17、进一步地，所述获取每个目标灰度值区间的像素点形成区域的聚类起始像素点的过程为：

18、获取所述目标灰度值区间的像素点形成的区域中每个像素点与该区域中其余像素点灰度值的差值平方和；获取所述差值平方和中的最大值，并将所述差值平方和中的最大值对应的像素点作为该区域的聚类起始像素点；依次获取每个目标灰度值区间的像素点形成的每个区域的聚类起始像素点。

19、进一步地，所述根据灰度值区间的聚类匹配程度和聚集度从多个灰度值区间中选取目标灰度值区间的过程中，还包括：

20、根据每个灰度值区间的聚类匹配程度从多个灰度值区间中选取非必要灰度值区间；

21、将所述非必要灰度值区间相邻的灰度值区间的范围进行调整，获取调整后的灰度值区间的聚类匹配程度和聚集度；当调整后的灰度值区间的聚类匹配程度和聚集度均不再增大时，停止对灰度值区间的调整，并将剩余的全部灰度值区间确定为目标灰度值区间。

22、进一步地，所述灰度值区间的聚类匹配程度小于0.3时，该灰度值区间为非必要灰度值区间。

23、进一步地，所述获取腹部ct原始图像后，还包括对所述ct原始图像进行降噪处理。

24、进一步地，所述降噪处理采用高斯滤波降噪。

25、与现有技术相比，本发明的有益效果是：

26、本发明提供了一种基于聚类的肝脏ct影像的图像分割方法，该方法通过获取腹部ct原始图像；获取ct原始图像的灰度直方图和灰度梯度直方图；由此可根据灰度直方图中灰度值分布确定多个灰度值区间，灰度梯度直方图用于获取ct原始图像中的边缘特征像素点；在灰度直方图中从最大灰度梯度值开始，向灰度梯度值减小的方向逐级进行像素点数量累加，每累加一次后获取累加像素点数量与ct原始图像中像素点数量的比值，根据当前累加后的比值与上一次累加后的比值获取比值的变化率，根据比值的变化率获取ct原始图像中的边缘特征像素点；本发明之所以根据当前累加后的比值与上一次累加后的比值获取比值的变化率获取边缘特征像素点，是因为在腹部ct原始图像中边缘像素点灰度值与其他区域的灰度值特征较大，当比值的变化率较大时，说明边缘像素点与其余区域有明显的分界线；根据灰度直方图中像素点的灰度级分布将ct原始图像中的灰度值分为多个灰度值区间；根据每个灰度值区间中像素点数量与该灰度值区间中边缘特征像素点数量的比值，获取每个灰度值区间的聚类匹配程度；根据每个灰度值区间中每个像素点与该灰度值区间中其余像素点在ct原始图像中的距离的平均值，获取每个灰度值区间中的像素点的聚集度；获取每个灰度值区间的像素点聚集度是为了确定每个灰度值区间中的起始聚类像素点；在获得每个灰度值区间中的起始聚类像素点后可对ct原始图像中每个目标灰度值区间的像素点进行k-means聚类，可实现对ct原始图像中像素点的分类和对ct原始图像的分割；通过本发明的技术方案实现了对ct原始图像中每个目标灰度值区间的像素点进行k-means聚类，解决了相关技术中，在使用k-means聚类法对肝脏ct图像进行分割时分割效果差，以及计算冗余度大的技术问题。