一种基于肿瘤攻击的交互式智能图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，尤其是涉及到彩色图像目标分割方法。
【背景技术】
[0002] 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分 一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区 域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标 从一幅图像中孤立出来，这就是图像分割要研究的问题。
[0003] 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到 一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方 法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人 员具有一定的启发作用。图像分割是图像分析的第一步，图像分割接下来的任务，如特征提 取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比 较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对 各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没 有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几 年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并 将图像分割方法分为一下几类。
[0004] 1.阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是 简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像 素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰 度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅 图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是 根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割， 即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个 最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。该算法的局限 于对灰度图像的处理，且分割的精度不高。
[0005] 2.边缘检测法是基于图像不连续性的分割技术。由于一副图像的大部分信息存 在于不同区域的边缘上，而且人的视觉系统在很大程度上根据边缘差异对图像进行认识分 析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串 行边缘检测技术和并行边缘检测技术。并行边缘检测方法是利用图像一阶导数的极值或二 阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法是构造对图像灰 度阶跃变化敏感的差分算子来进行图像分割，如Robort算子、Sobel算子、Laplacian算子、 Prewitt算子等。在有噪声时，用各种算子得到的边缘像素常是孤立的或分小段连续的，为 了得到完整的边缘信息，还需进行边界闭合处理。边界闭合可以根据梯度实现，即如果某些 像素的梯度的幅度和梯度方向满足规定的条件就可以把这些像素连接起来，如果对所有边 缘像素都做这样的判断和连接就可能得到闭合的边界。除此之外，还可以利用数学形态学 的一些操作进行边界的连接和闭合。但此方法的抗噪性不佳。
[0006] 3.Graphcut和Grabcut均是一种全局的组合优化技术应用于图像分割的任务， 并且可以处理η维图片。GraphCut方法是一种直接基于图切算法的图像分割技术。它仅 需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权 图，并通过求解最小切割区分前景和背景。GrabCut方法是Graphcut方法的扩展，是迭代 的Graphcut。该方法利用了图像中的颜色信息和边界（反差）信息，只要少量的用户交互 操作即可得到比较好的分割结果。每次迭代收集像素点颜色和归属信息，根据当前分割， 重新调整图像图表和应用图削减计算新的精确分割，最终分配标签值，得到分割结果。但两 个有共同的缺点：1，只利用了局部像素点的颜色信息，没有利用全局信息；2,如果背景比 较复杂或者背景和目标相似度很大，那分割就不太好了；3,速度慢。
【发明内容】
[0007] 为了克服已有图像处理技术的图像分割技术的不足，本发明在Graphcut和 Grabcut的基础上，提供一种精度较高的基于TumorsAutomata(肿瘤攻击）的交互式智能 图像分割技术，充分的结合了局部和全局信息，取代原有两种方法中以像素点为处理对象， 本方法中是以超像素为处理对象，使得在迭代的过程中次数减少，速度更快，得到的分割结 果更加稳定。
[0008] 本发明解决其技术问题所采用的技术方案是：
[0009] -种基于肿瘤攻击的交互式智能图像分割方法，所述分割方法包括以下步骤：
[0010] 1)对于待处理图像进利用简单的线性迭代聚类算法进行过分割，得到对应的超像 素块；
[0011] 2)提取每一个超像素块的颜色信息，并且在空间位置上找到每一个超像素块的相 邻的超像素块；
[0012] 3)利用迭代能量最小化分割算法得到初步分割结果，过程如下：
[0013] 3. 1)用户通过点击相应的超像素块来得到初始的tripletΤ(1ρ，θp，Tp)，其中lp 为当前超像素块的标签，θρ为当前肿瘤的攻击力，Tp为当前肿瘤的特征向量，即分割目标 上的超像素块的全部作为"可能是目标块"TU，而目标之外的超像素块全部作为背景的超像 素块ΤΒ，而这些被选中的超像素块就作为初始的两个类别的肿瘤，去攻击剩下的未被选中 的超像素块；
[0014] 3. 2)对ΤΒ内的每一超像素η，初始化超像素η的标签lp= 0,即为背景超像素块， 其对应攻击力为θp= -1 ;而对TU内的每个像素n，初始化超像素η的标签lp= 1，即作为 "可能是目标"的超像素，其对应攻击力为θρ= 1 ;
[0015]
[0016] 3. 3)经过上面两个步骤，分别得到属于目标（lp= 1)的一些超像素，和属于背景 (lp= 〇)的超像素，这个时候这些选中的超像素就像两种类别的肿瘤，分别去攻击剩下的 中立的超像素，每次当前肿瘤与步骤3. 2)中找到的对应的其物理空间的相邻超像素之间 进行"攻击"计算：
[0017]
[0018]
[0019]
[0020]
[0021] Tp，Tq分别为肿瘤p，q的颜色特征值；％和$分别为肿瘤p，q的当前时刻的攻击 力；/^4分别为肿瘤下一时刻和当前时刻的标签，g(x)为权重；
[0022] 3. 4)重复上述迭代步骤，当整幅图像的不在继续发动攻击，处于"和平"状态时达 到收敛条件，得到初步分割结果。
[0023] 进一步，所述分割方法还包括以下步骤：
[0024] 4)使用水平集的方法来优化分割结果，过程如下：
[0025] 4. 1)把目标图像转化为灰度图像；
[0026] 4. 2)将基于肿瘤攻击的图像分割的结果坐标作为水平集分割算法的初始位置；
[0027] 4. 3)利用能量最小化来找到最佳的分割位置
[0028]
[0029] 其中，F(<i>)为梯度流方程，77是方程F(<i>)的Gateaux导数，当梯度流向最小 νφ 时，即得到理想分割位置。
[0030] 再进一步，所述步骤2)中，采用RGB颜色空间，一个超像素块的平均RGB颜色作为 当前超像素的特征值。
[0031] 本发明的有益效果主要表现在：基于TumorsAutomata(肿瘤攻击）的交互式智能 图像分割技术，充分的结合了局部和全局信息，取代原有两种方法中以像素点为处理对象， 本方法中是以超像素为处理对象，使得在迭代的过程中次数减少，速度更快，得到的分割结 果更加稳定。
【附图说明】
[0032] 图1是基于肿瘤攻击的交互式智能图像分割方法的流程图。
[0033] 图2是