基于k－均值聚类及信息融合的角膜病灶图像分割方法

摘要

一种基于改进的k－均值聚类及信息融合的角膜病灶图像分割方法,涉及数字图像处理领域及眼病的诊断治疗,特征在于利用外眼角膜病灶图像特征的色度信息,通过改进的k－均值聚类完成图像的初次分割,即自学确定初始色度聚类中心,再通过全图搜索确定最佳聚类中心,进行聚类分割;其次利用图像的亮度信息,通过改进的k－均值聚类完成图像的二次分割,即自学确定初始亮度聚类中心,再通过全图搜索确定最佳聚类中心,进行聚类分割;利用一种信息融合技术,根据一种新的判断准则完成对色度和亮度信息分割结果的融合;利用数学形态学,设计结构算子及图像边缘检测算子,来完成对图像分割结果的优化。该方法复杂度低,分割效果理想,具有较好的鲁棒性。

主权项

1、一种基于k-均值聚类及信息融合的角膜病灶图像分割方法，是由数码相机完成采集角膜病灶图像(一般指钴兰光病灶图像)，并将角膜病灶图像的光学信号转换为电信号图象输入到计算机进行处理，本发明的特征在于它还依次包括下述步骤：(1)计算机从USB接口读入角膜病灶图象信号，并保存在内存中；(2)采用通用的直方图均衡的方法对图像进行预处理；(3)进行色度空间转化，将图像从RGB空间转换到CY空间来得到其相应的色度图像和亮度图像；(4)对色度图像进行角膜病灶的分割，其步骤为：设角膜病灶图像的大小为M^*N(其中M为图像的宽度，N为图像的高度)，同时设图像的像素为所需要聚类的样本，根据其特点，可将样本分为两类：A、通过自学习确定两个初始聚类中心Z₁¹，Z₂¹：设角膜病灶图像的像素为X，其三基色为R、G、B，其色度值为X_u：如果G＞R&&G＞B则X∈S₁¹，且S₁类中心的矢量如果B＞G&&B＞R则X∈S₂¹，且S₂类中心的矢量接下来再利用传统的k-均值聚类方法进行聚类：B、如果|X_u-Z₁^k|＜|X_u-Z₂^k|            则X∈S₁^k，C、计算两个聚类中心的新向量值 $Z_j^{k+1}=\frac{1}{n_j}\underset{X\in S_j^K}{\Sigma }{X}_u(j=1,2),$D、如果|Z_j^k+1-Z_j^k|＞ε  j＝1，2，    则回到B，重新迭代计算，   如果|Z_j^k+1-Z_j^k|≤ε  j＝1，2，    则结束；(5)对亮度图像进行角膜病灶的分割，分割过程如下：在对亮度进行聚类之前，应对其先进行亮度直方图均衡处理，经过直方图均衡处理过的图象，再对其亮度进行k-均值聚类，聚类时只有第一步自学习确定两个初始聚类中心与色度的聚类过程不同，其他都相似，计算图象的平均亮度的步骤是：(M为图像的高度，N为图像的宽度)，通过自学习确定两个初始聚类中心Z₁¹，Z₂¹，如果Y＜aver(Y)+ε  (ε＝10)则否则Y≥aver(Y)+ε  (ε＝10)则自“搜索全角膜的每个像素的亮度值”后的其他步骤与色度的聚类过程相似；(6)将色彩分割和亮度分割这两种方法得到的结果进行信息融合：设外眼图像的角膜区域为全集W，色度的k均值聚类结果为A(AW)，亮度的k均值聚类结果为B(BW)，最终的聚类结果为S，在光照条件均匀的情况下，色度和亮度的聚类结果都比较理想，S应为二者的交集，但是在光照条件不理想的情况下，色度的聚类结果失真较大，亮度的聚类结果较为理想，故S应为亮度的聚类结果，而不应取二者的交集，(7)利用数学形态学对得到的图像结果进行优化处理，根据眼科病灶图象特点选择十字形的4-连通结构算子B₁，3×3方形的8-连通结构算子B₂，设原始图像为f，设计了剔除噪声点的数学形态学的边缘检测算子：f·B-(fΘB₁)ΘB₁即(fB₁)ΘB₂-(fΘB₁)ΘB₁，利用该公式得到分割图象的边缘，由于溃疡病灶基本都是闭合的，所以边缘如果是线状、枝状等非闭合形状，应全部剔除，接下来填充图象，并对图象进行开运算，使分割图象轮廓平滑，消除毛刺和孤立点，再对图象进行闭运算，填补分割图象中的空洞和裂缝；(8)输出并显示图像分割结果。