膝关节软骨图像自动分割方法

摘要

本发明公开一种膝关节软骨图像自动分割方法，其特征在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：其中基于SVM的边缘定位步骤包括：膝关节MRI图像的采集和转换、自适应Canny边缘检测以及基于SVM软骨边缘分类，基于区域生长法的图像分割步骤主要采用改进的自动选取种子点的区域生长法分割软骨组织。本发明的有益效果为：对膝关节MRI图像进行软骨分割，有效的利用模式识别与边缘检测相结合实现精准定位，再与区域生长法结合充分定位互补，实现待分割区域的内部相似特性和外部差异特性相结合；有效克服了传统分割方法的结果过分割或分割不准确等缺点。

主权项

一种膝关节软骨图像自动分割方法，其特征在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：基于SVM的边缘定位步骤包括：步骤11：获取待分割的膝关节MRI影像，并将其转换为灰度图像；步骤12：利用自适应Canny算法对步骤11中的灰度图像进行边缘检测；步骤13：对步骤12中检测出的各条边缘进行特征提取，并构建SVM分类器对提取的特征参数进行边缘定位，分类出软骨边缘和非软骨边缘；基于区域生长法的图像分割步骤包括：步骤21：从步骤13所分类出的软骨边缘的5*5邻域内，随机选择一个或多个像素值在245～255范围内的点作为种子点，并设置预设阈值K；步骤22：以种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：max|f_xy‑m|_(x,y∈R)＜K，其中f_xy表示坐标位置为(x,y)的非种子点的像素值，x为点的x坐标值，y为点的y坐标值，m表示所有种子点的像素均值，R表示生长区域种子点3*3邻域内各个点的坐标集合；如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤23；如果没有非种子点满足相似性准则，则进入步骤24；步骤23：按照更新生长的区域灰度均值并返回步骤22，其中R'表示生长区域各个点的坐标集合；步骤24：结束生长过程并将生长区域分割出来得到膝关节软骨图像；步骤13中每条边缘线提取的特征参数包括：边缘线上像素点X坐标平均值边缘线上像素点Y坐标平均值边缘线上像素点X坐标的方差边缘线上像素点Y坐标的方差边缘线上像素点平均灰度值边缘线上像素点的梯度值均值边缘线上像素点的灰度值方差边缘线上5*5邻域像素点的平均灰度值边缘线上5*5领域像素点的方差均值边缘线上5*5邻域像素点的灰度值方差其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L₅为边缘线5*5邻域内像素点的坐标集合，n₅为边缘线5*5邻域内的像素点数；步骤13中构建SVM分类器的过程中采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×10]的特征矩阵，其中N为步骤12所检测出的边缘线的条数，每一行中的10个元素分别为一条边缘线所对应的10个特征参数。