一种融合类间方差和概率误差的肺部图像分割方法

：本发明属于图像处理，公开了一种融合类间方差和概率误差的肺部图像分割方法。

背景技术

0、
背景技术：

1、医学影像技术已经成为现代医学学科中的一个不可或缺的分支，也是作为诊断病状、治疗病情及研究技术的工具。利用x线胸片检查肺部疾病具有操作简便、辐射量小、价格低、图像整体感强等优点；x线胸片检查成为了肺脏疾病筛查、诊断的首选检查方法。在x线胸部成像时，生成的x线胸片图像中具有边界模糊、对比度低等特点，易对人眼产生干扰，有时难于精准地判断疾病所在，不利于快速且准确地对肺部疾病进行筛查、诊断和治疗。针对这种情况，为了更好地辅助医生筛查、诊断与治疗，可充分利用图像分割技术，便于医生更好辨别病人的疾病情况。类间方差法常用于全局图像分割，而最小误差分割法也是一种常用的分离病变区域和正常组织的方法，但该两种方法都有相应的局限性。

2、如专利公布号为cn116152505a，公开的《基于x光数据的骨骼目标识别分割方法》提供了包括：利用类间方差法对图像进行初步分割获取图暗区域，根据暗区域的灰度直方图的双波峰特征获得灰度遍历区间，根据肋骨边缘的光滑程度和肋骨的等宽度特征，结合灰度遍历区间内各灰度值对应像素点为肋骨边缘的概率，进而以其为权重对类间方差法函数加权，实现对x光胸片图像暗区域的阈值分割。但是该发明只是简单限制灰度值遍历区间，来计算目标的边缘概率以此为权重，来区分不同目标的，未解决在图像对比度较小时，基于类间方差的目标函数极有可能呈现出双峰或多峰的现象，且是局限性较强，无法较好适用于肺部图像分割。

3、如专利公布号为cn113223021a，公开的《一种基于unet的肺部x光图像分割方法》，提供了包括：利用迁移学习及添加残差块的方法构建改进unet框架；将步骤1得到训练样本和kaggle数据集中肺部x光分割图像作为改进unet的输入数据，训练改进unet分割模型；将待分割的肺部x光图像测试数据引入训练好的改进unet模型，得到分割后的结果；将分割后的结果做后期处理，得到最终分割结果。该发明是基于unet分割模型是常用的分割方法，加入跳跃连接的连接方式来对肺部图像进行分割。

4、除上述问题外，现在最小误差分割法和/或类间方差法应用于肺部图像分割还有以下问题：

5、(1)对于类间方差法，倘若所求目标相对背景的大小比例相差悬殊，以及图像对比度较小时，基于类间方差的目标函数极有可能呈现出双峰或多峰的现象，此时使用类间方差法计算得到的全局阈值进行图像分割，难于获得有效的分割效果。此外，类间方差法对图像中的噪声及目标大小十分敏感。

6、(2)最小误差分割法不关注像素平均灰度值，只关注像素的灰度值，对图像分割的性能和效果有较大影响；并且最小误差分割法使用了一维直方图，易受图像噪声的干扰。这使得利用最小误差分割法得到的二值图像包含一定的孔洞，且易受噪声干扰。

技术实现思路

0、
技术实现要素：

1、本发明针对现有技术的不足，提供一种融合类间方差和概率误差的肺部图像分割方法，包括以下步骤：

2、s1，图像预处理：利用暗通道先验理论对x线胸片图像进行去雾，提高图像的清晰度，增加对比度，以得到去雾图像；将去雾图像进行灰度处理，以得到灰度图像；将灰度图像中的胃部区域去除，以得到胃部去除灰度图像；将胃部去除灰度图像进行人体轮廓提取，以得到人体轮廓提取图像；对人体轮廓提取图像进行图像增强突出肺部区域与肺部边缘，以得到肺部区域增强图像；

3、s2，生成最佳阈值：根据肺部区域增强图像的平均灰度值，计算类间方差g1(t)；根据肺部区域增强图像的灰度概率分布，计算概率误差g2(t)；对得到的类间方差g1(t)和概率误差g2(t)分别进行无量纲化处理，以得到类间方差的无量纲量z1(t)和概率误差的无量纲量z2(t)；将类间方差的无量纲量z1(t)和概率误差的无量纲量z2(t)融合获得目标函数z(t)；根据目标函数z(t)计算其最小值，以得到最佳阈值

4、其中t(t∈[0,l-1])为将肺部区域增强图像的像素点分割成为目标类和背景类的初始阈值，l为图像的灰度级；所述目标类为肺部区域增强图像中的肺部图像区域，所述背景类为肺部区域增强图像中的肺部图像区域以外的区域；

5、其中目标类像素点的数量与图像总像素点数量的比例为ω1，背景类像素点的数量与图像总像素点数量的比例为ω2，且ω1+ω2＝1；

6、肺部区域增强图像的灰度概率分布包括肺部区域增强图像的整体灰度概率分布p(g)、目标类概率分布p1(g)和背景类概率分布p2(g)，g∈g(g＝(0,1,…,l-1))，以p(g)满足双峰混合正态分布计算，p(g)＝ω1·p1(g)+ω2·p2(g)，p1(g)和p2(g)符合正态分布；

7、s3，分割图像优化：利用最佳阈值t对图像进行二值化处理，以得到分割图像；利用形态学处理方法填充二值图像中的小空洞，去除各区域的边界毛刺，以得到边界改善图像；去除边界改善图像中与边界相连的背景对象，保留肺部，以得到肺部完整图像；再定位肺部完整图像的两个最大的分割区域，并提取这两个区域，得到肺部区域的最终分割图像。

8、s1中所述利用暗通道先验理论对x线胸片图像进行去雾，具体包括：

9、1)暗通道估计：估计输入x线胸片图像的暗通道，以寻找局部区域内最低像素值的像素，作为暗通道图像；

10、2)大气光估计：根据步骤1)中的暗通道图像，取其中的最亮像素值作为大气光。

11、3)雾图像去除：使用暗通道图像和大气光，可以根据雾霾模型减去大气光和调整对比度。

12、s1中所述将灰度图像中的胃部区域去除，具体为：

13、利用类间方差法对灰度图像进行图像分割，并计算每个分割区域的中心坐标；

14、从灰度图像左至右计算横坐标，上至下计算纵坐标，将中心坐标的横坐标位于灰度图像50％至80％的区间，且纵坐标位于灰度图像70％至90％的区间的分割区域标记为胃部区域；

15、以胃部区域的中心坐标为中心、横纵跨度一半的1.25倍长度分别为长短半径在灰度图像上画椭圆，并将椭圆内部填充为白色，以去除胃部区域。

16、s1中所述将胃部去除灰度图像进行人体轮廓提取，具体为：

17、将胃部去除灰度图像进行二值化处理，以得到二值图像；

18、将二值图像进行颜色反转，保留与边界相连的区域，以得到得到清除人体区域的二值图像，利用形态学处理方法增强二值图像边界，以得到边界增强的二值图像；

19、将边界增强的二值图像与清除人体区域的二值图像进行比较，选定颜色不同的像素为人体轮廓边缘区域；

20、在去除胃部区域后的灰度图像上将该人体轮廓边缘区域填充为白色，以得到人体轮廓提取图像。

21、s2中所述根据肺部区域增强图像的平均灰度值，计算类间方差g1(t)，具体为：

22、根据目标类像素点平均的灰度值ν1和背景类像素点的平均灰度值为ν2，计算肺部区域增强图像的整体平均灰度ν：

23、ν＝ω1ν1+ω2ν2，

24、利用阈值t分割图像的初始状态的类间方差g1(t)：

25、g1(t)＝ω1(ν1-ν)2+ω2(ν2-ν)2，

26、再根据肺部区域增强图像的整体平均灰度ν和初始状态的类间方差g1(t)，得到类间方差g1(t)：

27、

28、所述s2中根据肺部区域增强图像的灰度概率分布，具体为：

29、利用阈值t进行图像分割，分割的概率误差为目标点误分为背景类的概率与背景点误分为目标类的概率的总和，即

30、所述s2中，对得到的类间方差g1(t)和概率误差g2(t)分别进行无量纲化处理，以得到类间方差的无量纲量z1(t)和概率误差的无量纲量z2(t)，具体为：

31、对于类间方差g1(t)进行归一化处理得到位于[0,1]域的无量纲量z1(t)，得到

32、

33、对于概率误差g2(t)进行归一化处理得到位于[0,1]域的无量纲量，再用1减去该无量纲量得到无量纲量z2(t)，得到

34、

35、所述s2中将类间方差的无量纲量z1(t)和概率误差的无量纲量z2(t)融合获得目标函数z(t)，具体为：

36、为寻找灰度值t，以满足α≥(z1(t)+z2(t))/2且z(t)最接近阈值α，同时令α＜(z1(t)+z2(t))/2时，z(t)取理论上的最大值，即z(t)＝1，从(0,1)中选取任一值α作为阈值，分段给出目标函数

37、

38、本发明有以下优势：

39、(1)最小误差分割法的目标是最小化误差，更适用于噪声较少的图像或需要快速分割的情况，而类间方差法的目标是最大化类间方差，更适合具有双峰分布的图像，因此，将其融合用于不同的分割任务。

40、(2)最小误差分割法在一定程度上对噪声敏感，因为它侧重于最小化误差，而噪声可能增加误差。类间方差法更倾向于利用统计信息来选择阈值，因此在一些情况下，它可以更好地处理噪声问题，以解决最小误差分割法因噪音而增加的误差。

41、(3)应用于肺部x光图像分割领域的方法很少，此外公开的肺部x光图像数据集较小，都加大了肺部分割和肺部疾病识别的难度，而本方法相对简单，对于数据集标注需求及训练成本较低。