融合紋理信息的SLIC算法在醫(yī)學(xué)圖像中的研究

侯向丹 李柏岑 劉洪普 杜佳卓 鄭夢(mèng)敬 于鐵忠

超像素算法產(chǎn)生的結(jié)果可以大幅提高后續(xù)圖像處理的運(yùn)算速度[1],因而被廣泛地應(yīng)用于交互式圖像分割[2]、圖像去霧[3]、顯著性檢測(cè)[4]、目標(biāo)跟蹤[5?6]、目標(biāo)分類[7]、3維重建[8]、室內(nèi)場(chǎng)景理解[9]以及卷積神經(jīng)網(wǎng)絡(luò)[10]等領(lǐng)域.

目前超像素算法主要分為兩大類:第一類是基于圖論(Graph-based)的;第二類是基于聚類(Clustering-based)的.基于圖論的超像素分割算法,通過求圖的最小割來(lái)實(shí)現(xiàn)超像素分割.比較有代表性的算法包括歸一化割(Normalized cut,NC)[11]、 Superpixel lattices(SL)[12]、 GCa 和GCb[13]、基于熵率的超像素分割(Entropy rate superpixel segmentation,ERS)[14]、SEEDS[15]、Lazy random walk(LRW)[16]、Fuzzy entropy maximization[17?18]、Superpixel hierarchy[19]等.基于聚類的超像素分割方法,是指把多個(gè)像素點(diǎn)進(jìn)行聚類或迭代聚類直到滿足特定條件.近些年比較有代表性的包括:TurboPixel[20]、VCells[21]、Simple linear iterative clustering(SLIC)[22]、Simple non-iterative clustering(SNIC)[23]、DBSCAN superpixel segmentation[24]、Linear spectral clustering superpixel(LSC)[25]、Watershed superpixel(SCoW)[26]等,其中SLIC相較于其他算法,由于其簡(jiǎn)單易懂、速度快、分割結(jié)果良好、參數(shù)簡(jiǎn)單等原因,而廣受關(guān)注.

近年來(lái),有關(guān)學(xué)者針對(duì)SLIC在不同方面的改進(jìn)包括:無(wú)參數(shù)化設(shè)計(jì)[22,27],增加圖像預(yù)處理[28],改進(jìn)分割過程[29?31]以及改進(jìn)融合條件[28]等.

使用無(wú)參數(shù)化設(shè)計(jì),可以減少參數(shù)的輸入,但是難以保證分割的準(zhǔn)確度,尤其是對(duì)邊緣的貼合程度;增加圖像預(yù)處理,會(huì)使清晰的邊緣更清晰,但也會(huì)使模糊的邊緣更模糊;通過改進(jìn)融合條件,可以使孤立的超像素塊更準(zhǔn)確地融合于相鄰的超像素塊中,但不會(huì)對(duì)主要分割結(jié)果產(chǎn)生影響.

分割過程是SLIC算法的核心部分,對(duì)分割結(jié)果有著重要影響.Liu等[29?30]的方法,對(duì)于色彩變化較大和面積較小的區(qū)域分割效果較好,但是對(duì)于弱邊緣區(qū)域的分割效果依然欠佳;南柄飛等[31]的方法融合了紋理特征,但是處理一幅圖像平均需要1.4min,并且在欠分割錯(cuò)誤率上有著較為明顯的不足.

為了更好地提取紋理特征,需要一種更為快速和準(zhǔn)確的算法.而LBP算法計(jì)算速度快、效果好,同時(shí)具有灰度不變性以及旋轉(zhuǎn)不變性等特點(diǎn)[32],所以廣泛應(yīng)用于圖像紋理提取上.

在LBP算法的改進(jìn)中,雖然文獻(xiàn)[33?34]提出的方法會(huì)增強(qiáng)LBP算法對(duì)原圖中噪聲的魯棒性,但是其得到的紋理特征均會(huì)產(chǎn)生“紋理偏移”以及紋理噪聲.針對(duì)這些問題,本文提出一種新的LBP算法來(lái)提取紋理特征,解決了“紋理偏移”問題并減弱了紋理噪聲的影響,然后在SLIC的距離公式中加入紋理距離,使其對(duì)于紋理有更好的相應(yīng).

在實(shí)驗(yàn)中,本文分別選取ERS、SEEDS、LRW、TurboPixel、SLIC、SNIC、LSC 和SCoW 這8種具有代表性的算法進(jìn)行實(shí)驗(yàn)對(duì)比.為驗(yàn)證分割效果,本文選取紋理較多的醫(yī)學(xué)圖像進(jìn)行實(shí)驗(yàn),圖像數(shù)據(jù)采用選擇了由Alexander Andreopoulos和John K.Tsotsos建立的心臟MRI數(shù)據(jù)集[35].經(jīng)實(shí)驗(yàn)證明,本算法可以更好地突出不同區(qū)域之間的變化,適用于醫(yī)學(xué)圖像以及紋理較復(fù)雜的圖像的分割.

1 基于紋理的SLICT算法

1.1 傳統(tǒng)的SLIC算法

SLIC由Achanta等[22]于2010年提出,利用圖像顏色相似度和空間距離關(guān)系進(jìn)行迭代聚類.假設(shè)在圖像中有個(gè)N像素點(diǎn),預(yù)計(jì)產(chǎn)生K個(gè)超像素,則每個(gè)超像素的預(yù)計(jì)邊長(zhǎng)為,然后在中心點(diǎn)2S×2S的區(qū)域內(nèi)進(jìn)行k-means迭代聚類,直至達(dá)到最大迭代次數(shù).

聚類中計(jì)算某點(diǎn)與中心點(diǎn)的距離D的公式如下:

其中

其中,li、ai、bi為點(diǎn)i在Lab色彩空間下的值,xi、yi為點(diǎn)i在圖像中的空間位置.m是衡量空間信息和色彩信息的比重,m越小時(shí),則對(duì)色彩變化越敏感同時(shí)超像素塊會(huì)越不整齊.一般來(lái)說(shuō),m取5～40時(shí)會(huì)比較有效.此外,對(duì)于灰度圖像而言,可以使用如下公式代替式(2):

其中,gi與gj分別為點(diǎn)i與點(diǎn)j的灰度值.

1.2 LBP旋轉(zhuǎn)不變統(tǒng)一模式

LBP是一種灰度范圍內(nèi)的紋理度量,由Ojala等[36]提出.設(shè)點(diǎn)c是圖G不在其上下左右4條邊上的某一個(gè)點(diǎn),gc是c的灰度值,p點(diǎn)是在c點(diǎn)P鄰域(本文采用的是八鄰域)內(nèi)的一個(gè)點(diǎn),R是P鄰域的半徑,則該點(diǎn)c的LBP值計(jì)算公式如下:

其中

LBP的旋轉(zhuǎn)不變模式[32]是指:不斷改變?cè)L問中心點(diǎn)P鄰域的順序,得到一組值,取其最小值作為該中心點(diǎn)的LBP值.每個(gè)點(diǎn)的旋轉(zhuǎn)不變模式的公式如下:其中,ROR(x,i)為旋轉(zhuǎn)函數(shù),表示將x轉(zhuǎn)化為二進(jìn)制數(shù)后,循環(huán)右移i(i

統(tǒng)一模式是指,某點(diǎn)LBP二進(jìn)制值的跳變(Spatial transaction)小于等于2的模式.該點(diǎn)對(duì)應(yīng)的跳變計(jì)算公式如下:

跳變大于2的模式,稱為非統(tǒng)一模式(Nonuniform pattern)或混合模式.跳變小于等于2的旋轉(zhuǎn)不變模式稱為旋轉(zhuǎn)不變統(tǒng)一模式[37](Rotation invariant uniform pattern,RIU).

1.3 SLICT算法流程

為了解決傳統(tǒng)的SLIC算法對(duì)于紋理不敏感以及傳統(tǒng)LBP算法會(huì)造成紋理偏移的問題,本文通過改進(jìn)LBP算法并與SLIC算法結(jié)合提出了一種結(jié)合無(wú)紋理偏移的紋理特征的超像素分割算法—SLICT,該算法的流程如下所示.

SLICT算法流程.

輸入.1)圖像G;2)預(yù)分割超像素塊數(shù)K;3)空間距離權(quán)重m以及紋理距離權(quán)重L.

輸出.與原圖同樣大小的標(biāo)號(hào)圖,同一個(gè)標(biāo)號(hào)組成的連通域?qū)?yīng)相應(yīng)位置的超像素塊.

步驟1.提取原圖對(duì)應(yīng)的紋理特征:

1)求灰度變化方差圖,并利用該方差圖求每個(gè)點(diǎn)對(duì)應(yīng)的thresh(方法見第1.3.1節(jié));

2)利用1)中的thresh計(jì)算無(wú)紋理偏移的LBP模式(方法見第1.3.2節(jié));

3)利用無(wú)紋理偏移的LBP模式計(jì)算圖G的紋理特征Map(方法見第1.3.3節(jié)).

步驟2.初始化聚類中心:將圖像分為K個(gè)邊長(zhǎng)為S的規(guī)則網(wǎng)格,并將每個(gè)格子中心點(diǎn)的橫縱坐標(biāo)、對(duì)應(yīng)位置的Lab顏色以及紋理特征的值作為初始聚類中心,即Ck=[lk,ak,bk,xk,yk,Mapk]T,k=1,2,···,K.

步驟3.調(diào)整聚類中心:移動(dòng)每一個(gè)聚類中心至該中心的八鄰域內(nèi)顏色梯度值(見式(9))最小的點(diǎn).

步驟4.初始化距離和標(biāo)簽:初始化每個(gè)點(diǎn)的標(biāo)簽labels(i)=?1,初始化每個(gè)點(diǎn)與聚類中心的距離為d(i)=∞.

步驟5.k-means迭代聚類:對(duì)于每個(gè)聚類中心Ck和其周圍的2S×2S鄰域內(nèi)所有的像素點(diǎn)i,計(jì)算Ck與i之間的距離D0;如果D0

步驟6.重復(fù)步驟5,直到達(dá)到最大迭代上限

步驟7.超像素融合:將面積過小的超像素塊融入其附近的超像素塊之中.

在步驟3中對(duì)于不處于圖G上下左右4個(gè)邊上的任意一點(diǎn)c的梯度公式如下,其余值以0補(bǔ)齊:

其中,xc和yc分別是點(diǎn)c的橫縱坐標(biāo).步驟3中調(diào)整聚類中心的目的是為了避免初始聚類中心落在邊緣點(diǎn)上,從而影響聚類結(jié)果.

在步驟5中的任意兩點(diǎn)i、j之間的距離公式如下:

其中

若xi、yi分別是點(diǎn)i的橫縱坐標(biāo),則Map(xi,yi)=Map(i).dlbp是通過紋理特征計(jì)算出的紋理距離,L用于調(diào)節(jié)紋理距離所占比重,L越大,對(duì)于紋理越敏感.實(shí)驗(yàn)表明,L的取值為10～50時(shí)效果會(huì)比較好.

1.3.1 計(jì)算thresh

在文獻(xiàn)[33?34]中提到了兩種對(duì)LBP的改進(jìn)方法,但是這兩種方法并不能很好地處理一些由于光照或是成像等原因引起的紋理噪聲.為了減少這些噪聲所帶來(lái)的影響,并突出不同區(qū)域之間的差異,可以在計(jì)算式(6)中的時(shí)加入一個(gè)閾值thresh來(lái)達(dá)到此目的,即:

thresh是衡量中心點(diǎn)P鄰域內(nèi)灰度變化強(qiáng)烈程度的數(shù)值,所以需要先求得原圖對(duì)應(yīng)的灰度變化標(biāo)準(zhǔn)差圖,對(duì)于不處于圖G上下左右4個(gè)邊上的任意一點(diǎn)c的P鄰域內(nèi)灰度變化標(biāo)準(zhǔn)差為:

其中

則點(diǎn)c對(duì)應(yīng)的thresh計(jì)算公式如下:

當(dāng)thresh=0時(shí),基本等同于傳統(tǒng)LBP旋轉(zhuǎn)不變統(tǒng)一模式.此外,這種s(x)計(jì)算方法,雖然可以減少紋理噪聲但是依然會(huì)引起紋理偏移,下文中稱使用此s(x)計(jì)算的SLICT為SLICT紋理偏移.

1.3.2 計(jì)算無(wú)紋理偏移的LBP模式

通過式(12)計(jì)算出的LBP模式會(huì)存在紋理偏移.LBP紋理偏移指的是使用傳統(tǒng)LBP計(jì)算公式時(shí)會(huì)使處于邊緣兩側(cè)的像素點(diǎn)屬于不同的LBP模式.這種情況,會(huì)使結(jié)果所表達(dá)的紋理與原圖不能完全重合.為了避免這種情況并減少紋理噪聲所帶來(lái)的影響,需要對(duì)式(12)中的s1(x)進(jìn)行如下改進(jìn):

則對(duì)于不處于圖G上下左右4個(gè)邊上的任意一點(diǎn)c其無(wú)紋理偏移的LBP旋轉(zhuǎn)不變統(tǒng)一模式為:

其結(jié)果范圍為[0,P+1],共計(jì)產(chǎn)生P+2類模式,其中第一類到第P+1類分別是在鄰域內(nèi)有多少個(gè)點(diǎn)與中心點(diǎn)相比,其灰度值的變化大于thresh,最后一類代表非統(tǒng)一模式.

為進(jìn)一步說(shuō)明紋理偏移的影響,使用不同的s(x)公式計(jì)算LBP模式圖，結(jié)果如圖1所示.

圖1中(a)是一張圖像的灰度圖,圖1(b)～(d)分別是利用式(6)、(12)、(16)計(jì)算出的旋轉(zhuǎn)不變統(tǒng)一模式圖,即可以看出圖1中(b)與(c)沒能很好地覆蓋邊緣兩側(cè),具體實(shí)例分析見第3.2節(jié).

1.3.3 提取紋理特征

使用某模式對(duì)應(yīng)點(diǎn)的P鄰域內(nèi)的灰度變化方差之和來(lái)代替某模式包含點(diǎn)的數(shù)量,這樣可以更好地描述紋理特征[34].但是為了減少明顯邊緣和弱邊緣之間的差別進(jìn)而突出弱邊緣的紋理特征,本文使用某模式對(duì)應(yīng)點(diǎn)的P鄰域內(nèi)的灰度變化標(biāo)準(zhǔn)差之和來(lái)代替某模式包含點(diǎn)的數(shù)量.其中某點(diǎn)c的P鄰域內(nèi)的灰度變化標(biāo)準(zhǔn)差varP,R(c)的計(jì)算方法見式(13).

而varP,R(c)對(duì)于圖像噪聲、顏色變化過大的邊緣區(qū)域或紋理復(fù)雜區(qū)域的浮動(dòng)過大,從而造成在計(jì)算LBP各模式的比例時(shí)(式(19))容易出現(xiàn)比例失衡的情況,所以為進(jìn)一步突出弱邊緣的紋理特征,對(duì)varP,R(c)進(jìn)行極值抑制.方法是:使用最大類間方差法[38]找到合適的閾值Press把varP,R(c)分成兩類,將大于Press的部分置為Press,其公式為:

圖1 LBP算法中有無(wú)紋理偏移的效果對(duì)比Fig.1 The results of LBP algorithm with and without texture deviation

然后利用所有像素點(diǎn)的varP,R0值,計(jì)算各模式所占的比例LBPWeight(k),即:

其中

其中,sum(·)表示計(jì)算集合內(nèi)所有元素的個(gè)數(shù),k代表模式的種類.

之后對(duì)LBPWeight(k)進(jìn)行歸一化,即:

則對(duì)于不處于圖G上下左右4個(gè)邊上的任意一點(diǎn)c,其對(duì)應(yīng)的紋理特征Map(c)為:

其余的點(diǎn)對(duì)應(yīng)的紋理特征值以0補(bǔ)齊.

1.3.4 進(jìn)行圖像分割

按照SLICT算法流程中步驟5和步驟6的步驟進(jìn)行迭代聚類,然后使用文獻(xiàn)[22]中的方法,消除面積過小的超像素塊,得到最終的分割結(jié)果.此外,以上流程是針對(duì)灰度圖像而言.如果需要分割圖像是彩色圖像,需要將其轉(zhuǎn)化為灰度圖像,并利用此圖像計(jì)算dlbp.

2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證SLICT的有效性,本文采用了邊緣召回率、欠分割錯(cuò)誤率、覆蓋率以及運(yùn)行時(shí)間這4種評(píng)價(jià)指標(biāo)進(jìn)行驗(yàn)證,其中前三項(xiàng)的定義和計(jì)算方法分別是:

1)邊緣召回率(Boundary recall)

邊緣召回率描述超像素邊緣與人工標(biāo)記邊緣的貼合程度,值越大說(shuō)明貼合度越好.定義是:人工標(biāo)記邊緣中位于超像素邊緣至多兩個(gè)像素距離內(nèi)的部分占總標(biāo)記邊緣的比例.

2)欠分割錯(cuò)誤率(Under-segmentation)

欠分割錯(cuò)誤率是一個(gè)從超像素塊外部來(lái)衡量分割效果的指標(biāo),表示人工標(biāo)記區(qū)域所在的所有超像素塊有多少“溢出”了人工標(biāo)記的范圍.設(shè)共分割出K個(gè)超像素塊,某個(gè)超像素塊為sj,人工分割區(qū)域?yàn)镸,|·|表示該區(qū)域的面積,α為欠分割錯(cuò)誤率參數(shù),其取值一般為sj面積的5%,則其公式計(jì)算如下:

3)覆蓋率(Coverage rate)

覆蓋率是在只有一個(gè)人工標(biāo)記區(qū)域的情況下,最大可達(dá)分割率(Achievable segmentation accuracy)[30]的簡(jiǎn)化計(jì)算方法,值越大,則說(shuō)明對(duì)人工標(biāo)記區(qū)域的分割越完整.計(jì)算公式如下:

3 實(shí)驗(yàn)結(jié)果分析

為了更好地驗(yàn)證本算法的有效性和時(shí)效性,將SLICT、SLICT紋理偏移以及上文提到的8種超像素算法應(yīng)用于紋理較為復(fù)雜的醫(yī)學(xué)圖像之中,分析各自的運(yùn)行效果,并在這部分詳細(xì)分析紋理偏移現(xiàn)象對(duì)分割結(jié)果和所求紋理特征的影響.

3.1 SLICT在醫(yī)學(xué)圖像中實(shí)驗(yàn)及結(jié)果分析

由于醫(yī)學(xué)圖像中存在著多種不同類型的紋理且各種紋理比較復(fù)雜,所以為了更好地驗(yàn)證本算法的準(zhǔn)確性和魯棒性,將上述的10種算法應(yīng)用于醫(yī)學(xué)圖像中的心臟MRI圖像上,其部分結(jié)果如圖2所示.

圖2中第1行和第3行是本文提出的SLICT算法以及其他超像素算法應(yīng)用于7980張MRI數(shù)據(jù)庫(kù)中的部分實(shí)驗(yàn)結(jié)果截圖,第2行和第4行分別是第1行和第3行心臟區(qū)域的放大結(jié)果.這部分使用的實(shí)驗(yàn)參數(shù)為m=5,L=30,預(yù)計(jì)分割超像素塊數(shù)為600.可以看到,SLICT對(duì)于邊緣以及弱邊緣(如心臟上的較暗區(qū)域的邊緣和圖像兩側(cè)灰度值為0的區(qū)域的邊緣)的響應(yīng)是最好的,其次是SLIC、SLICT紋理偏移、SEEDS、SNIC以及LSC.

在規(guī)整度上,TurboPixel以及LSC的圖像是最規(guī)整的;ERS最零亂,即使對(duì)于灰度值為零的圖像左右兩側(cè)區(qū)域,生成的超像素塊依然很零亂;此外為保證LRW 的時(shí)效性,在進(jìn)行超像素分割時(shí)將圖像縮小至原圖像的1/4,故而其分割結(jié)果在原圖上呈現(xiàn)時(shí)顯得較為整齊,但是其超像素塊在紋理較少的區(qū)域分布并不均勻.從實(shí)驗(yàn)結(jié)果上看,基于圖論的算法ERS、LRW 與SEEDS產(chǎn)生的超像素塊結(jié)果均不整齊,而其余基于聚類的超像素算法產(chǎn)生的超像素塊則普遍整齊很多.

為進(jìn)一步驗(yàn)證算法的優(yōu)劣,在圖3中給出了各算法在心臟MRI數(shù)據(jù)庫(kù)中有人工標(biāo)記的5011幅圖像上的運(yùn)行結(jié)果,并計(jì)算和記錄了上述提到的4種評(píng)價(jià)指標(biāo).

從圖3中可以看出,本文提出的方法的分割效果在總體上優(yōu)于其余算法.在邊緣召回率上,SLICT與LSC相差不多,略優(yōu)于SLICT紋理偏移;而這三種算法均明顯優(yōu)于其余算法;TurboPixel因?yàn)槠浞指罱Y(jié)果更傾向于貼合種子節(jié)點(diǎn)附近的網(wǎng)格而非貼合目標(biāo)區(qū)域邊緣,所以有著較為明顯的不足;除卻SCoW、TurboPixel以及LRW以外的7種算法對(duì)應(yīng)的邊緣召回率,在預(yù)計(jì)分割數(shù)量達(dá)到1000時(shí),幾乎都達(dá)到了99%以上.此外,因?yàn)閳D像本身分辨率較低,而且人工標(biāo)記區(qū)域面積較小,所以此值會(huì)比常用的自然光數(shù)據(jù)庫(kù)(如BSDS500)上要大一些;由于同樣的原因,在欠分割錯(cuò)誤率上,結(jié)果也會(huì)大一些.

圖2 心臟MRI分割結(jié)果Fig.2 The results of superpixel algorithms on MRI images

在欠分割錯(cuò)誤率上,SLICT效果最好,優(yōu)于SLICT紋理偏移,其次是ERS與LSC;而LRW與SEEDS在此表現(xiàn)相對(duì)較弱.因?yàn)镋RS所分割出的超像素塊不規(guī)則以及對(duì)于紋理較少的區(qū)域靈敏度較差,造成在人工標(biāo)記區(qū)域周圍的超像素塊面積較小,所以其在此方面表現(xiàn)稍好.同時(shí)在實(shí)驗(yàn)中發(fā)現(xiàn),由于人體器官形狀以及MRI成像原理的復(fù)雜性,人工標(biāo)記區(qū)域往往會(huì)比較貼合器官的實(shí)際形狀而非圖像上表現(xiàn)出的形狀,所以在欠分割錯(cuò)誤率上,以上所有算法在不同圖像上均表現(xiàn)出較大的波動(dòng).

在覆蓋率上,SLICT優(yōu)于SLICT紋理偏移,而ERS在邊緣區(qū)域會(huì)分割出更多小塊的超像素,但是對(duì)于紋理的相應(yīng)程度仍不及本文提出的算法,位列第三;值得注意的是,SEEDS算法在這一點(diǎn)上表現(xiàn)出了較大的波動(dòng).其他8種算法只考慮了色彩以及空間信息,而且MRI圖像會(huì)有弱邊緣以及模糊區(qū)域,從而造成對(duì)弱邊緣區(qū)域不敏感,在最終的分割結(jié)果表現(xiàn)上,則是將更多邊緣不明顯的心臟區(qū)域與部分心包膜分在一個(gè)超像素塊中.

在運(yùn)行時(shí)間上,SLIC、SLICT、SNIC、SEEDS、LSC、SCoW 與TurboPixel的時(shí)間復(fù)雜度均為O(N)[15,20,22?23,25?26],而ERS的平均時(shí)間復(fù)雜度為O(NlogN),最大時(shí)間復(fù)雜度為O(N2logN)[14],LRW的時(shí)間復(fù)雜度為O(itr·N2),其中itr代表最大迭代次數(shù)[16].從結(jié)果上看,速度最快的是SCoW與SEEDS,平均處理一幅圖像不到0.05s;SLICT平均處理一幅圖像需要0.15～0.2s左右,能夠滿足實(shí)際需求;TurboPixel的運(yùn)行時(shí)間明顯慢于同數(shù)量級(jí)的其他方法,這一點(diǎn)與文獻(xiàn)[22]中的描述匹配;LRW的運(yùn)行時(shí)間會(huì)隨著超像素塊數(shù)的增多而出現(xiàn)線性的增長(zhǎng),這一點(diǎn)很難滿足實(shí)際的需求.

圖3 心臟MRI數(shù)據(jù)庫(kù)運(yùn)行結(jié)果Fig.3 Expriment data on MRI dataset

3.2 紋理偏移影響分析

為進(jìn)一步說(shuō)明紋理偏移在提取紋理特征上的影響,在圖4(b)和(c)中分別展示了使用s1(x)與s2(x)的結(jié)果圖,其中某點(diǎn)c的顏色越亮,表示該點(diǎn)的紋理特征的值(即Map(c))越大.

可以看出,后者紋理噪聲較少,邊緣更加完整連續(xù)平滑,不同區(qū)域間的對(duì)比更大,相同區(qū)域間的連續(xù)性更強(qiáng)、變化性更小,對(duì)于弱邊緣和紋理的表達(dá)更加清晰.這一點(diǎn)也可以從具體的數(shù)據(jù)上看出來(lái),由于式(12)對(duì)紋理的描述存在偏移,整體上弱于SLICT;但是偏移量只有一個(gè)像素,所以在整體上也優(yōu)于其余算法.

4 總結(jié)

本文通過改進(jìn)傳統(tǒng)LBP旋轉(zhuǎn)不變模式的計(jì)算方法,來(lái)提取圖像對(duì)應(yīng)的紋理特征,并將其與SLIC算法融合,提出了一種對(duì)于紋理更加敏感的超像素分割算法—SLICT.將SLICT應(yīng)用于心臟MRI數(shù)據(jù)庫(kù)中的圖像,其結(jié)果表明SLICT具有更好的準(zhǔn)確性以及魯棒性,對(duì)弱邊緣以及細(xì)小的紋理有著更為優(yōu)秀地響應(yīng).從數(shù)據(jù)上看,SLICT在欠分割錯(cuò)誤率以及覆蓋率上優(yōu)于其余算法,在邊緣召回率上與LSC并列第一,在運(yùn)行時(shí)間上平均只需要0.15s～0.2s,可以滿足圖像分割和處理的需求.同時(shí)驗(yàn)證了使用傳統(tǒng)的LBP計(jì)算紋理特征時(shí)會(huì)導(dǎo)致“紋理偏移”,使得其求得的紋理特征不能很好地描述邊緣并且存在一定的紋理噪聲,從而影響分割結(jié)果.

此外,在實(shí)驗(yàn)中發(fā)現(xiàn),醫(yī)學(xué)圖像中器官存在的弱邊緣和模糊區(qū)域,會(huì)導(dǎo)致呈現(xiàn)出的形狀與實(shí)際形狀有著一定差異.本文提出的SLICT可以很好地檢測(cè)出這些差異部分,并能夠產(chǎn)生更為準(zhǔn)確的分割結(jié)果,對(duì)后續(xù)醫(yī)學(xué)圖像處理的相關(guān)研究有著重要的參考價(jià)值和影響.

圖4 紋理特征圖Fig.4 Texutre feature