PACS系統(tǒng)中的圖像可識別特征分割方法研究與分析

王松山, 傅新鎮(zhèn), 李強

(濱州市人民醫(yī)院,濱州 256610)

PACS系統(tǒng)中的圖像可識別特征分割方法研究與分析

王松山, 傅新鎮(zhèn), 李強

(濱州市人民醫(yī)院,濱州 256610)

針對傳統(tǒng)的圖像可識別特征分割方法分割不準確，效率低的問題，提出了有向空間關系和局部灰度聚類模型相結合的圖像可識別特征分割方法。通過對圖像可識別特征點的顯著性檢測，建立圖像可識別特征輪廓模型。采用梯度下降法提取圖像可識別特征，對圖像可識別特征進行分析。以此為基礎，通過有向空間關系可確定圖像可識別特征間的關系，通過局部灰度聚類規(guī)則建立圖像可識別特征的局部灰度聚類模型，實現(xiàn)對圖像可識別特征分割方法的改進。實驗結果證明，采用改進的分割方法進行圖像可識別特征分割時，其分割精度，分割所需時間，分割效率均要優(yōu)于傳統(tǒng)的分割方法，具有一定的優(yōu)勢。

PACS系統(tǒng)； 圖像； 特征； 分割方法

0 引言

隨著數(shù)據(jù)信息技術的不斷提高，圖像設備逐漸更新為數(shù)字化，聯(lián)網和實施圖像信息系統(tǒng)的基本條件已經具備，數(shù)字化設備已經成為現(xiàn)代化圖像處理的發(fā)展趨勢，PACS(Picture Archiving and Communication Systems影像歸檔和通信系統(tǒng))是數(shù)字化圖像處理的重要硬件支撐[1]。PACS系統(tǒng)包括獲取圖像、圖像管理、圖像處理、圖像歸檔等。PACS可以通過外部接口進行圖像的傳輸，從而實現(xiàn)遠程圖像特征采集[2-4]。圖像可識別特征分割方法作為圖像處理和計算機視覺領域中的一個研究熱點和難點，其主要目的在于將圖像中感興趣的、可識別的目標特征與圖像的背景進行分離，以便實現(xiàn)后續(xù)高層次的圖像特征分析和理解。現(xiàn)階段圖像特征可識別特征分割方法受到了廣大學者的關注及分析[5-7]。

文獻[8]提出基于激光點云數(shù)據(jù)的圖像可識別特征分割方法，該方法通過對局部圖像分布特征進行原始掃描數(shù)據(jù)、點空間分布特征、法向特征的多維特征融合，采用SVM分類器進行分類，使用分割理論進行在分類分割，實現(xiàn)圖像可識別特征分割，但是存在分割不準確的問題；文獻[9]提出一種融合紋理信息與圖論的圖像可識別特征分割方法，該方法主要針對圖像背景色差較小導致難以分割的問題，將圖像劃分為圖像塊并計算每個圖像塊的紋理信息，以圖像塊為節(jié)點利用紋理信息構造權函數(shù)得到無向帶權圖，實現(xiàn)對圖像可識別特征分割，但是該方法存在分割效果差的問題；文獻[10]提出一種改進均值漂移算法的分割方法。該方法采用均值漂移算法對圖像進行平滑和分割時，帶寬的選擇直接影響平滑和分割效果，首先根據(jù)圖像的顏色特點，提取圖像的顏色指數(shù)，然后采用均值漂移算法，將圖像的顏色信息與空間信息結合起來，根據(jù)圖像顏色分布的豐富程度定義自適應空域帶寬，采用漸進積分均方差進行平滑處理，最后采用Otsu方法將平滑后的圖像可識別特征進行分割，但是該方法存在分割誤差大的問題。

針對上述問題的產生，提出一種新的PACS系統(tǒng)中圖像可識別特征分割方法。通過對圖像可識別特征的顯著性進行檢測，采用譜嵌入式聚類算法建立圖像可識別特征輪廓模型。采用梯度下降法提取圖像可識別特征，對圖像可識別特征進行分析。以此為基礎，通過有向空間關系可確定圖像可識別特征間的關系，在此基礎上，通過局部灰度聚類規(guī)則建立圖像可識別特征的局部灰度聚類模型，可實現(xiàn)對圖像可識別特征分割方法的改進。實驗結果證明，采用改進的分割方法進行圖像可識別特征分割時，其分割精度，分割所需時間，分割效率均要優(yōu)于傳統(tǒng)的分割方法，具有一定的優(yōu)勢。

1 圖像可識別特征顯著性檢測及特征輪廓模型的建立

1.1 圖像可識別特征顯著性檢測

(1)

(2)

則對于每個圖像的rk區(qū)域，可采用基于區(qū)域對比度的方法，通過測量某個圖像區(qū)域與圖像中其它像素區(qū)域的顏色對比度來計算此區(qū)域的顯著性值，可表示為式(3)、式(4)。

(3)

(4)

1.2 圖像可識別特征輪廓模型建立

在對圖像可識別特征顯著性檢測的基礎上，采用譜嵌入式聚類算法建立圖像可識別特征輪廓模型。其可識別特征輪廓的能量反函數(shù)，可表示為式(5)。

(5)

(6)

假設待分割圖像為I(x,y)，自適應提取的初始輪廓C將I(x,y)劃分為目標區(qū)域Ω0和背景區(qū)域ΩB，兩個區(qū)域的像素灰度均值為c0和cb，則圖像的梯度信息,可表示為式(7)。

(7)

(8)

式中：Z=Y(YTDY)1/2，D為度矩陣，則圖像的總體散布矩陣St，類間散布矩陣Sb，類內散布矩陣為Sw，分別可以獲取,如式(9)-式(11)。

(9)

(10)

(11)

式中：G為加權聚類分配矩陣。假設x,z∈X，X∈R(n)空間，非線性函數(shù)Φ實現(xiàn)了低維空間中圖像X到高維的圖像可識別特征F的映射，則可識別特征空間的核函數(shù),表示為式(12)。

(12)

式中，〈〉為內積，d,α是特征參數(shù)，σ為特征尺度參數(shù)?；诖丝山D像可識別特征輪廓模型，表達為式(13)。

(13)

式中：x為當前圖像的中心像素，Ni為圖像中xi的鄰域像素集，xj為鄰域圖像中不屬于Ni的像素點，dij為圖像xi和xj之間的空間歐氏間距，vk為圖像k中的中心原型，ukj為圖像k中像素xj的隸屬度值，m為每個圖像隸屬度的加權指數(shù)。

2 PACS系統(tǒng)中圖像可識別特征分割方法的改進

2.1 圖像可識別特征分析

在建立圖像可識別特征輪廓模型的基礎上，采用梯度下降法提取圖像可識別特征，對圖像可識別特征進行分析。假設B(x,y,t)為圖像基準幀的背景，D(x,y,t)為t時刻圖像相鄰幀之間的差別，定義為式(14)。

(14)

式中：I(x,y,t)為圖像幀轉換強度。為了能夠在連續(xù)的圖像區(qū)域里更加有效的提取圖像可識別特征，需要使目標特征服從高斯分布模型強于圖像背景固定的高斯分布的規(guī)律，讓圖像可識別目標特征具有不一樣的可視化性質，具體定義為式(15)。

(15)

式中：pobj(I(t))和pbck(I(t))分別表示在t時刻像素屬于圖像目標特征的概率和圖像固定背景的概率。

在獲取可識別特征時，對于第t幀圖像中目標特征邊界函數(shù),可表示為式(16)。

(16)

則利用梯度下降法對上述目標特征邊界函數(shù)進行處理，獲取最小值，提取圖像可識別特征，表達式為式(17)。

(17)

式中：n為樣本圖像總數(shù)，h為圖像中不同可識別特征向量維數(shù)，a為可識別中心特征，c為樣本圖像少數(shù)不可識別特征。

2.2 改進分割方法的實現(xiàn)

在對特征進行分析的基礎上，采用有向空間關系和局部灰度聚類模型相結合對PACS系統(tǒng)中圖像可識別特征進行分割。假設在樣本圖像中有8種可識別特征，按照位置關系，可以分成水平、垂直和對角等四種不同類型的近鄰關系。則第n個像素屬于第k類的權值函數(shù),為式(18)。

(18)

式中：xi∈?nd為xi的第d類近鄰。根據(jù)定義的權值函數(shù)，得到圖像像素的密度函數(shù),為式(19)。

(19)

(20)

(21)

式中：μ,λ分別表示圖像可識別特征的均值和精度，Γ(·)為伽馬函數(shù)。v為圖像可識別特征的自由度。通過圖像在圖像的局部鄰域內使用局部灰度聚類準則，建立圖像可識別特征的局部灰度聚類模型，表達式為式(22)。

(22)

式中：b(x)為圖像的灰度不均勻特征，b(x)c1及b(x)c2為圖像可識別特征的局部灰度聚類中心。則圖像的灰度不均勻可識別特征,為式(23)。

(23)

式中b(x)為灰度不均勻可識別特征向量，n為零均值高斯噪聲，J為理想的圖像可識別特征。則在目標圖像區(qū)域內的可識別特征分割結果,為式(24)。

(24)

綜上所述，通過有向空間關系可確定圖像可識別特征間的關系，在此基礎上，通過局部灰度聚類規(guī)則建立圖像可識別特征的局部灰度聚類模型，可實現(xiàn)對圖像可識別特征分割方法的改進，但需要進行實驗證明分析。

3 實驗結果分析

3.1 實驗參數(shù)設置

為了檢驗改進分割方法在圖像可識別特征分割方面的性能，以及分割方法的有效性及可行性，對單幅真實圖像進行分割實驗，并與均值漂移算法和PCA馬氏距離法的分割結果進行了對比分析。本實驗平臺為Windows7操作系統(tǒng)，集成處理器配置為Intel(R)i5-2450M CPU 2.50GHz，內存2GB，實驗軟件為Matlab7.0。圖像實驗數(shù)據(jù)庫處理經典的圖像以外還有生物，醫(yī)學和工業(yè)圖像等。

3.2 實驗結果分析

為了檢驗改進分割方法在圖像可識別特征分割方面的有效性及可行性，采用均值漂移算法和PCA馬氏距離法為對比進行可識別特征提取方面的對比分析，其所識別提取的特征點直接顯示在所識別圖像上，結果如圖2～圖5所示：

圖2 原始圖像

由圖2～圖5可以明顯看出，均值漂移算法分割圖像時，圖像中車輛發(fā)生相互遮擋，分割效果不佳。而PCA馬氏距離法分割圖像時，車輛間間距拉大，圖像分割效果準確度較差。本文方法的圖像特征分割顯著性較高，與原圖匹配性更強，具有一定的優(yōu)勢。

為了進一步驗證改進分割方法在圖像可識別特征分割方面的性能，在分割時間不定的情況下，以均值漂移算法和PCA馬氏距離法為對比進行分割精度方面的對比分析。根據(jù)以上特征識別結果計算不同方法的分割精度，其分割精度計算公式為：

結果如圖6所示：

由圖6可以看出，采用均值漂移算法時，其精度約為60.4%，隨著分割時間的不斷增加，在短暫的時間內出現(xiàn)了穩(wěn)定狀態(tài)，但隨后就消失，且分割精度出現(xiàn)了3次較大波動，穩(wěn)定性較差；采用PCA馬氏距離法時，其分割精度約為63.5%，且隨著分割時間的不斷增加，出現(xiàn)了多處波動，穩(wěn)定性較差；采用改進分割方法時，其分割精度約為96.3%，隨著分割所需時間的增加，其分割精度逐漸增加，雖然在出現(xiàn)了一次較大的波動，但其整體分割精度，相比均值漂移算法和PCA馬氏距離法分別提高了約35.7%、32.8%，具有一定的優(yōu)勢。

4 結論

針對采用傳統(tǒng)的圖像可識別特征分割方法一直分割不準確，效率低的問題，提出有向空間關系和局部灰度聚類模型相結合的圖像可識別特征分割方法。通過對圖像可識別特征的顯著性進行檢測，采用譜嵌入式聚類算法建立圖像可識別特征輪廓模型。采用梯度下降法提取圖像可識別特征，

圖6 不同方法下分割精度對比分析

對圖像可識別特征進行分析。以此為基礎，通過有向空間關系可確定圖像可識別特征間的關系，在此基礎上，通過局部灰度聚類規(guī)則建立圖像可識別特征的局部灰度聚類模型，可實現(xiàn)對圖像可識別特征分割方法的改進。實驗結果證明，采用改進的分割方法進行圖像可識別特征分割時，其分割精度，分割所需時間，分割效率均要優(yōu)于傳統(tǒng)的分割方法，具有一定的優(yōu)勢。

[1] 李萍, 蔣慧琴, 楊曉鵬,等. 適用于PACS系統(tǒng)的醫(yī)學圖像近無損壓縮[J]. 中國圖象圖形學報, 2013, 18(6):699-705.

[2] 肖鐘捷. 基于小波空間特征譜熵的數(shù)字圖像識別[J]. 吉林大學學報:工學版, 2015, 45(6):1994-1998.

[3] 李菊霞. 基于融合計算機視覺圖像的差異特征識別[J]. 計算機仿真, 2015, 32(1):442-445.

[4] 陳宗海, 林名強,等. 基于條件隨機場和圖像分割的顯著性檢測[J]. 自動化學報, 2015, 41(4):711-724.

[5] 陳愷, 陳芳, 戴敏,等. 基于螢火蟲算法的二維熵多閾值快速圖像分割[J]. 光學精密工程, 2014, 22(2):517-523.

[6] 鄭毅, 鄭蘋. 基于模糊熵和模擬退火算法的雙閾值圖像分割[J]. 電子測量與儀器學報, 2014, 28(4):360-367.

[7] 喻垚慎, 云挺, 楊緒兵. 基于激光點云數(shù)據(jù)的植物器官多維特征分割方法[J]. 數(shù)據(jù)采集與處理, 2015, 30(5):1054-1061.

[8] 張晗, 何東健. 一種融合紋理信息與圖論的圖像分割方法[J]. 計算機工程與應用, 2014, 50(1):180-184.

[9] 伍艷蓮, 趙力, 姜海燕,等. 基于改進均值漂移算法的綠色作物圖像分割方法[J]. 農業(yè)工程學報, 2014, 30(24):161-167.

[10] 劉曉平, 陸勁挺, 夏新宇. 基于PCA和馬氏距離的運動捕捉數(shù)據(jù)分割方法[J]. 合肥工業(yè)大學學報(自然科學版), 2014(5):563-566.

Research and analysis of image recognition feature segmentation method in PACS system

Wang Songshan, Fu Xinzhen, Li Qiang

(Binzhou People’s Hospital, Binzhou 256610, China)

In order to solve the problems of low accuracy and low efficiency in traditional image segmentation methods, a new method based on the combination of directional spatial relation and local gray clustering model is proposed. Based on the detection of the feature points of the image, an image recognition feature contour model is established. Gradient descent method is used to extract the feature of image recognition. On this basis, by the relationship between the characteristics of image recognition and the space using local gray clustering model and image recognition features through local gray clustering, the image recognition feature segmentation method is improved. The experimental results show that the segmentation accuracy, the time required for segmentation, and the segmentation efficiency are better than the traditional segmentation method, hence, it has some advantages.

PACS system; Image; recognition; Feature; Segmentation method

王松山(1974-),男,濱州,本科,工程師,研究方向:醫(yī)療器械、醫(yī)院信息化。 傅新鎮(zhèn)(1973-),女,本科,主管技師,研究方向：醫(yī)療設備及器械。 李強(1974-),男,大學本科,主管技師,醫(yī)療設備及器械。

1007-757X(2017)04-0035-04

TP391

A

2016.10.20)