基于Snake模型的图像目标轮廓自动跟踪方法资料下载.pdf

基于Snake模型的图像目标轮廓自动跟踪方法资料下载.pdf

《基于Snake模型的图像目标轮廓自动跟踪方法资料下载.pdf》由会员分享，可在线阅读，更多相关《基于Snake模型的图像目标轮廓自动跟踪方法资料下载.pdf（4页珍藏版）》请在冰点文库上搜索。

方向编码;

交互分割中图分类号:

TP391文献标识码:

A文章编号:

1001-0505（2003）02-0215-04SnakemodelbasedautomatictrackingmethodforimageobjectcontourWangLigong1YuYonghua2JiangXiaotong1LuoLimin1（1DepartmentofBiologicalScienceandMedicalEngineering,SoutheastUniversity,Nanjing210096,China）（2DepartmentofRadiotherapy,ShandongProvinceTumorHospital,Jinan250117,China）Abstract:

Aimingatthedistributioncharacteristicofpixelgraylevelintesteddata,thispaperproposesavalidandreliablesearchingandtrackingpolicyfortheobjectcontour.Becauseoftherelativelydistinctcon-trastofgraylevelbetweenunhealthytissuesandneighboringonesindata,animprovedmethodisusedtotracktheobjectcontourfirstly,thenthecontourissampledtogetthediscretecontrollingpointsofitandin-putthemintotheSnakecontourtrackingalgorithmsubroutine,thusavoidingthelimitationoftheinitialcon-tourcontrollingpointsoftheSnakemethodandincreasingthespeedandaccuracyofthesegmentationfortheunhealthytissues.Theproposedmethodissignificantforpracticalapplication.Keywords:

Snakemodel;

contour;

objecttracking;

orientationcoding;

interactivesegmentation收稿日期:

2002-08-27.作者简介:

王立功（1970）,男,博士生,bastion;

罗立民（联系人）,男,博士,教授,博士生导师,luo.list.医学图像方面的许多应用都依赖于对图像中目标轮廓的准确跟踪,而目标轮廓可以通过很多途径得到.在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣.这些部分常称为目标或前景,其余部分则称为背景,它们一般对应于图像中特定的、具有独特性质的区域.为了辨识和分析目标,需要将它们分离出来,提取出感兴趣区域,在此基础上才有可能对研究对象做进一步的分析和处理.图像分割是由图像处理到图像分析的关键步骤,也是一种基本的计算机视觉技术,这是因为图像的分割、目标的分离、特征的提取和参数的测量是将原始图像转化为更抽象、更紧凑的形式,使得更高层次的分析和理解成为可能的关键步骤.图像分割的主要任务就是要把图像分割成各具特性的区域并提取出感兴趣目标,而区域的特性可以是像素的灰度、颜色和纹理等特征,预先定义的目标可以对应单个区域,也可以对应多个区域.由于图像分割几乎是图像处理和分析以及理解应用领域的第一步,因而多年来对该领域的研究成果也颇为丰富,许多学者针对各自特定研究对象提出了不少有价值的新方法和新观点14.然而就大多数方法而言,真正能投入到临床应用的并不多,很多方法都只是停留在实验室研究阶段.1问题的提出实现图像分割的完全自动化几乎可以被认为是该研究领域的最高目标,然而在大多数场合下全自动分割需要人工干预才能得到较为理想的分割效果.目前临床上绝大多数图像分割工作仍然是由人工来完成,由经验丰富的临床医生在原始胶片或计算机屏幕显示的图像上直接勾画出有关组织的边界或感兴趣区域,尽管到目前为止,人工分割的精度相对较高,但此法费时、费力,需要专业知识,且对操作者的勾画技能有较高要求,如欲分割一个完整的图像数据集需要花费临床医生很长时间才能完成,同时,分割结果也因人而异,可再现性较差,在已实现商品化的大多数应用中均采用此法.本文试图对人工分割方法做一些改进,以提高分割速度和准确性.在放疗计划系统应用中,精确提取出肿瘤组织的边界是整个系统得以顺利进行的最根本保证,若勾画出的病变组织边界多于实际边界则会在随后的放疗中伤及周围的健康组织,对病人术后的生命质量产生很大影响.反之,若少于实际边界则会造成照射不彻底,同样会造成病人术后可能的疾病复发.基于此,采用M.Kass提出的主动轮廓线模型/蛇0方法5对原始病变组织轮廓进行跟踪,以提高放疗计划系统的自动化程度.Snake方法及其改进方法在静态图像处理方面主要用于检测图像边缘、曲率、边界以及区域分割和骨架提取等,该法比较适合于复杂的生物医学组织结构的分割.基于Snake的算法可分为两类:

一类是变分方法;

另一类是离散网格法.变分法寻找全局最优解,要求对目标的先验知识知道得足够多,计算量很大,时间开销也很大.离散网格法存在如下一些问题,限制了其实际应用:

为使算法收敛,需酌情调整收敛值,否则可能导致不收敛;

代表轮廓线的点数固定不变,不能随目标大小作相应改变,而这一点在实际应用中几乎不可行.文献6提出了一种变型的Snake方法,但其实际上同样也存在着上述的一些问题.M.Kass的Snake模型用参数来表示轮廓线:

M（s）=（x（s）,y（s）,定义轮廓线的能量函数E*Snake=Q10ESnake（M（s）ds=Q10Eint（M（s）+Eimg（M（s）+Eext（M（s）ds

（1）式中,Eint为主动轮廓线的内部能量;

Eimg为图像自身作用力产生的能量;

Eext为外部限制力产生的能量,由此可见Snake的行为是由外部力和内部力来控制的,内部力起平滑性限制的作用,外部力引导初始轮廓线向图像特征逼近,初始轮廓线在内、外力的作用下寻找其能量函数的极小值.式

（1）中的Eimg可进一步描述为Eimg=ElEl+EedgEedg+EterEter

（2）式

（2）是直线、边缘以及界线能量项的加权线性组合,可分别从图像I（x,y）计算出.El=I（x,y）;

Eedg=-I（x,y）2,Eter为用高斯函数平滑过的图像中各级轮廓线的曲率;

Eint由一阶项和二阶项组成Eint（s）=（A（s）Mc（s）2+B（s）Md（s）2）2（3）式中,一阶项当轮廓线不封闭时有较大值,二阶项当轮廓线的曲率变大时有较大值.某个点的A值和B值决定了轮廓线在该点的延伸和弯曲程度,如A=0,则该点不连续;

B=0,则该点为角点.从求取能量函数极小值的推导过程可以看出,M.Kass及其改进的算法（变分法）均要求外力必须可微,这一点使算法的应用受到限制.Snake方法针对不同作用对象及相应系数取不同的值,作者在实验中取A=110,B为0或110（取决于该点是否为角点）,采用直接来自于临床的T1加权MRI图像数据,数据层内空间分辨率256256,层厚5mm,层间距6mm,挑选了含有病变组织的5幅空间序列MRI图像,数据灰度对比相对明显,病变组织清晰可见.采用HPP450微机,平均跟踪时间约0135s.图1中第1行数据为采集自临床实际数据,图1采用Snake方法跟踪肿瘤组织的运行结果第2行为通过人机交互产生的初始轮廓线,为对比实验,轮廓线基本上没有封闭,第3行为采用Snake方法跟踪出的病变组织的轮廓线.由跟踪过程可知,/蛇0能很快滑向病变组织的边缘,然而,从轮廓216东南大学学报（自然科学版）第33卷线包络结果来看并不令人满意,跟踪出的轮廓线能够完全贴住病变组织边界的出现概率并不高,有时需要反复设定轮廓线的初始控制点并改变预先设定的A和B值才能取得比较理想的结果,而大部分结果则是出现轮廓线的局部漂移,即跟踪出的轮廓线往往会将病变组织周围的正常健康组织也纳入其中,这种情形对于临床应用来说是不可行的.2改进的方法作者认为,上述问题的出现,根本原因是Snake方法对初始轮廓线控制点的设定条件及A和B值的取值不具普适性.为此,提出如下改进方法:

首先对图像进行滤波处理以提高信噪比,尽可能地去除噪声干扰,然后用阈值法对图像进行二值化处理,阈值法对图像进行分割的关键是选取合适的阈值,采用熵值法7求取阈值,其选取准则基于使背景和目标的灰度分布的有效信息量最大,一幅图像的有效信息量用图像的熵来衡量,调节阈值S,使得S处的熵函数U（S）取得最大值,此时就取得了最佳图像分割阈值.其算法为,计算灰度直方图,并定义熵H（A）=-ESi=1PiPSlnPiPSH（B）=-ESi=1Pi1-PSlnPi1-PS式中,Pi=fiN,PS=ESi=1Pi,fi为图像中灰度为i的点数;

N为图像的总点数.定义图像的熵函数为:

U（S）=H（A）+H（B）,求得熵函数U（S）最大时对应的值S,此值即为最佳分割阈值T.图2为任选含病变组织的一幅图像所对应的直方图,以及采用熵函数法进行二值化后的结果.由图示结果可见,图2采用熵阈值选取法进行二值化的结果采用熵阈值法分割图像能够比较理想地保留病变组织区域,并且该组织边界与周围组织间的界限对比明显,组织区域大小与其实际大小从分割结果来看大致相当,尽管如此,仍然无法肯定分割出的组织边界恰处于实际病变组织的边界上.基于此,首先采用一种适应性目标轮廓跟踪算法,该算法源于边界方向链码轮廓跟踪算法的思想.链码是对边界点的一种编码表示方法,其特点是利用一系列具有特定长度和方向的相连的直线段来表示目标的边界.因为每个线段的长度固定而方向数目取为有限,所以只有边界的起始点需用边界点的绝对坐标表示,其余点都可只用接续方向来代表偏移量.常用的有4和8方向链码,分别表示为:

上、下、左、右和上、下、左、右、左上、左下、右上、右下,如图3所示.这样,对于图像中任一目标轮廓只要用处于轮廓线上任一点的坐标和相应的方向编码即可表示,很明显,此轮廓线表示方法具有目标平移和尺度变换不变性,但不具目标旋转的不变性.基于类似思想,采用一种可称之为/摸索法0的轮廓跟踪方法来跟踪目标轮廓线上各个点的位置的绝对坐标,图像坐标系x方向取向右为正,y方向取向上为正,这样对于轮廓线上的任一点其上、下、左、右、左上、左下、右上和右下像素相对于该点的位置坐标分别为（0,1）、（0,-1）、（-1,0）、（1,0）、（-1,1）、（-1,-1）、（1,1）和（1,-1）,规定轮廓搜索方向均沿逆时针方向,定义一个动态方向编码数组为D82,数组元素即为这8个坐标点的位置,而其图34邻域和8邻域方向编码存放次序则由初始跟踪点来决定.例如,若当前轮廓初始点出现在目标的/左上0位置,则方向编码数组定义为D82=（-1,1）,（-1,0）,（-1,-1）,（0,-1）,（1,-1）,（1,0）,（1,1）,（0,1）而若初始点出现在目标的/上0位置,则方向编码数组定义为D82=（0,1）,（-1,1）,（-1,0）,（-1,-1）,（0,-1）,（1,-1）,（1,0）,（1,1）即始终将初始点在数组中的位置编号设置为0,且以逆时针方向顺序存放数组元素.其余情形依此类推,而初始点可通过人机交互方法得到,所以只要设置计算机初始点的绝对坐标位置及其方位,运用该算法即能准确跟踪出目标轮廓线上各个点的位置坐标,该算法的大致执行步骤描述如下:

给出初始点的坐标startPoint和其具体方位,由其方位确定方向编码数组;

跟踪方向beginDirect取为0,布尔变量bStartPoint取为假,将初始点坐标赋给当前跟踪点:

currentPoint=startPoint;

布尔变量bStartPoint若为假,进入步骤,217第2期王立功,等:

基于Snake模型的图像目标轮廓自动跟踪方法若为真,转到步骤;

判断当前点的下一个可能边界点,如为真,则保存当前点,并将该点取为当前点,此时判断该点是否为startPoint,如为真（bStartPoint=TRUE）,则转到步骤.否则,跟踪方向顺时针方向转两格（即beginDirect-2）,转到步骤;

判断当前点的下一个可能边界点,如为假（bStartPoint=FALSE）,则跟踪方向逆时针转一格（即beginDirect+1）,转到步骤;

结束轮廓跟踪操作.图4为采用上述方法跟踪出的人脑内病变组织的轮廓,原始数据经滤波、二值化及边缘检测后,运用本文的方法.此处对二值图像的边缘检测采用图4采用本文方法跟踪出的轮廓数学形态学中的Top-Hat方法,其数学描述为!

-（!

-）,结构元素B取33模板,采用形态学方法可得到较为细化的边缘,并且目标的几何形状和拓扑结构能够得到很好的保持.由图4可看出,方法是可取的,跟踪结果达到预期目标.只要图像分割正确,采用此方法均能实现轮廓的可靠跟踪.基于上述过程,采用人机交互方法对上述经熵阈值方法二值化后的空间序列图像进行病变组织的轮廓跟踪,逐一存取轮廓线上各个点的坐标位置.然后对每一层位的轮廓线坐标点进行点约化操作,其目的是在一定误差范围内,尽量减少采用多边形逼近轮廓线所需要的多边形顶点的数目.这里采用文献8的方法对跟踪出的序列轮廓线点进行点约化操作,得到每一层位病变组织轮廓线的离散控制点后,逐一将控制点输入至前述Snake轮廓跟踪算法程序模块中,得到图5所示的采用改进方法图5设定轮廓控制点后采用Snake方法跟踪出的轮廓跟踪出的病变组织的轮廓线.由实验结果可以看出,在对初始轮廓线的控制点进行控制后,算法的运行结果完全符合对病变组织轮廓线跟踪的要求,算法执行时间也大大减少.虽然病变组织周围水肿区域处出现微小的轮廓线漂移,但采用本文的方法后,基本上不会出现前述初始轮廓线控制点未经改进,而进行跟踪所出现的轮廓线漂移至周围正常健康组织区域,病变组织周围水肿区域的部分组织经小范围剂量照射后对病人术后的生命质量不会造成太大的影响,从某种意义上说,可以保证尽可能精确地去除非正常组织.3结语虽然到目前为止,国内外众多学者针对各自特定研究对象提出了不少图像分割算法,但是,要实现图像的完全自动分割几乎是不可能的,多少会有人工干预的痕迹.本文的方法基于对Snake轮廓跟踪和搜索算法初始控制点的优化和改进,尽最大可能减少了人机交互的时间,提高了轮廓跟踪的速度、准确性、可再现性以及该算法运用于实践的深度和广度,取得了比较理想的运行效果,本文方法具有临床应用的实际意义.参考文献（References）1杨扬,张田文.一种新的主动轮廓线跟踪算法J.计算机学报,1998,8:

297302.YangYang,ZhangTianwen.AnewactivecontourtrackingalgorithmJ.ChineseJcomputers,1998,8:

297302.（inChinese）2聂生东,陈瑛,顾顺德,等.磁共振颅脑图像快速模糊聚类分割算法的研究J.中国生物医学工程学报,2001,4:

104109.NieShengdong,ChenYing,GuShunde,etal.ThestudyoffastfuzzyclusteringsegmentationalgorithmofheadMRIJ.ChineseJournalofBiomedicalEngineering,2001,4:

104109.（inChinese）3董远,刘文萍,胡光锐.针对颅脑CT的边缘提取J.中国生物医学工程学报,1998,12:

378380.DongYuan,LiuWenping,HuGuangrui.EdgedetectionmethodforcranialcavityCTimageJ.ChineseJournalofBiomedicalEngineering,1998,12:

378380.（inChinese）4聂生东,章鲁,顾顺德,等.磁共振图像的分割J.国外医学生物医学工程分册,1999,6:

349354.NieShengdong,ZhangLu,GuShunde,etal.SegmentationofMRIimagesJ.ForeignMedicineVolofBiomedicalEngi-neering,1999,6:

349354.（inChinese）5KassM,WitkinA.Snakes:

activecontourmodelsJ.In-ternationalJofComputerVision,1988,1:

321331.6LobregtSteven,ViergeverMaxA.AdiscretedynamiccontourmodelJ.MedicalImaging,1995,14

（1）:

1224.7AbutalebAhmedS.Automaticthresholdingofgray-levelpic-turesusingtwo-dimensionalEntropyJ.ComputerVision,1989,9:

2232.8ShantzM.SurfacedefinitionforbranchingcontourdefinedobjectsJ.ComputerGraphics,1981,15

（2）:

1435.218东南大学学报（自然科学版）第33卷