申请/专利权人:无锡文康科技有限公司
申请日:2024-04-07
公开(公告)日:2024-05-28
公开(公告)号:CN117994271B
主分类号:G06T7/11
分类号:G06T7/11;G06T7/187;G06V10/762
优先权:
专利状态码:有效-授权
法律状态:2024.05.28#授权;2024.05.24#实质审查的生效;2024.05.07#公开
摘要:本发明涉及图像数据处理技术领域,具体涉及一种基于分水岭算法的人脑图像分割方法,该方法通过获得颅脑梯度图像内每个像素点的第一滑窗及其纹理特征,根据每个相邻第一滑窗之间的密度差异和目标第一滑窗与对应像素点所属聚类区域之间的密度差异分别获得目标第一滑窗的第一熵密度差异和第二熵密度差异。根据第一熵密度差异、第二熵密度差异和局部熵密度获得每个第一滑窗的冲刷程度。筛选出每个像素点的参考滑窗,将所有参考滑窗的冲刷程度与像素点灰度值结合获得每个像素点的最终冲刷衰弱值,进而对颅脑梯度图像进行分割获取分割图像。本发明通过对分水岭算法进行优化改进,最终使颅脑梯度图像的划分得到更准确的分水岭分割效果。
主权项:1.一种基于分水岭算法的人脑图像分割方法,其特征在于,该方法包括以下步骤:获得颅脑灰度图像及其颅脑梯度图像;以所述颅脑梯度图像中每个像素点为中心,设置至少两个第一滑窗;根据第一滑窗的纹理特征和窗口尺寸获得每个第一滑窗的局部熵密度;根据梯度值非零的像素点之间的距离对所述颅脑梯度图像内所有像素点进行聚类,获得至少两个聚类区域及其纹理特征;根据所述聚类区域的像素点数量和纹理特征获得每个所述聚类区域的区域熵密度;对于所述颅脑梯度图像内目标像素点的任意一个目标第一滑窗,根据所述目标第一滑窗与相邻第一滑窗之间的密度差异获得所述目标第一滑窗的第一熵密度差异;根据所述目标像素点对应的每个第一滑窗的所述局部熵密度和目标像素点所属聚类区域的区域熵密度获得每个第一滑窗的第二熵密度差异;根据每个第一滑窗的第一熵密度差异、第二熵密度差异和局部熵密度获得对应第一滑窗的冲刷程度;统计所述颅脑梯度图像中所有像素点的第一滑窗,以包含目标像素点的第一滑窗作为参考滑窗;根据每个像素点对应所有所述参考滑窗的冲刷程度和对应像素点的灰度值获得每个像素点的最终冲刷衰弱值;根据颅脑梯度图像内所有像素点的最终冲刷衰弱值利用分水岭算法对颅脑梯度图像进行分割,获得分割图像;其中,所述第一滑窗的局部熵密度的获取方法包括:对任意一个第一滑窗,获得第一滑窗的纹理特征与对应第一滑窗面积的比值,将所述比值作为对应第一滑窗的局部熵密度;其中,所述每个聚类区域的区域熵密度的获取方法包括:将每个聚类区域的纹理特征与对应聚类区域的像素点数量的比值作为每个聚类区域的区域熵密度;其中,所述冲刷程度的获取方法包括:将每个第一滑窗的第一熵密度差异、第二熵密度差异与预设修正系数三者的和值作为综合差异;将对应第一滑窗的局部熵密度与综合差异的比值作为对应第一滑窗的冲刷程度;其中,所述每个像素点的最终冲刷衰弱值的获取方法包括:对颅脑梯度图像内的任意一个像素点,将像素点对应每个参考滑窗的冲刷程度的倒数进行归一化获得程度归一化值;将程度归一化值与对应像素点的灰度值的乘积作为像素点对应每个参考滑窗的冲刷衰弱结果;将像素点对应所有参考滑窗的冲刷衰弱结果均值作为每个像素点的最终冲刷衰弱值。
全文数据:
权利要求:
百度查询: 无锡文康科技有限公司 基于分水岭算法的人脑图像分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。