本發明涉及計算機數學、圖形學以及數字圖像處理技術，具體涉及一種基于多重判定的區域生長檢測方法。
背景技術：
：區域生長算法(Regiongrowingalgorithm，RGA)是一種由種子元素進行擴展生長最終得到分割區域的方法。其首先在原網格數據上按照規則指定一些元素(頂點，三角面或者塊，即少數連通的點、面構成的集合)作為種子，每個種子對應一個分割的初始狀態，分割從種子開始生長、吸收相鄰的、未被標記的、且滿足生長條件的點元素，當沒有新的點元素可以加入分割集合，或滿足終止條件的時候停止生長過程，進而得到區域生長結果。但傳統的區域生長算法忽略了在實際匹配中，需要的部分是二維圖像中占比例較小的部分這一事實。另外，傳統的生長判斷條件只對比判斷點之間的關系，而忽略了二維圖片和判定點整體的聯系，這導致匹配出較多的干擾點，嚴重影響整體效果。技術實現要素：本發明的發明目的在于：針對上述存在的問題，提供一種基于多重判定的區域生長檢測方法，用于醫學MRI以及CT圖像等進行處理，準確的提取出所需的組織的圖像，即目標生長結果圖。本發明的一種基于多重判定的區域生長檢測方法，包括下列步驟：步驟1：輸入待檢測的目標圖像，從目標圖像的目標區域手動選擇初始點，讀取初始點的圖像位置，將初始點作為初始生長點，由生長點得到當前生長區域；步驟2：基于預設擴展度，以生長區域為中心，向四周進行邊界擴散，得到擴散區域，并將擴散區域作為當前檢測區域，即將當前生長區域的最大X、Y坐標MaX和MaxY分別加上預設擴展度(比如1～2)，以及最小X、Y坐標MinX、MinY分別減去預設擴展度，從而得到擴散區域；在邊界擴散時，位于目標圖像的邊界的生長區域的邊界保持不變；步驟3：基于當前生長閾值，判定當前檢測區域的每個像素點是否為生長點：若當前像素點滿足生長閾值，且與生長點相鄰，即存在為生長點的相鄰像素點，則無需進行邊緣點檢測，直接判定當前像素點為生長點；若當前像素點滿足生長閾值，且不與生長點相鄰，即不存在為生長點的相鄰像素點，則繼檢測當前像素點是否為目標圖像的邊緣點，若是，則當前像素點為生長點；否則，當前像素點不是生長點；若當前像素點不滿足生長閾值，且不與生長點相鄰，即不存在為生長點的相鄰像素點，則無需進行邊緣點檢測，直接判定當前像素點不是生長點；若當前像素點不滿足生長閾值，且與生長點相鄰，即存在為生長點的相鄰像素點，則繼檢測當前像素點是否為目標圖像的邊緣點，若是，則當前像素點為生長點；否則，當前像素點不是生長點；其中，滿足生長閾值是指基準灰度PJ與當前像素點的灰度值的差值在預設范圍內，且生長閾值PJ的初始值為初始生長點的灰度值；步驟4：將當前檢測區域中的生長點加入到生長區域中，得到更新后的生長區域；判斷當前生長區域的邊界是否均位于目標圖像的邊界，若是，則執行步驟6；否則執行步驟5：步驟5：更新基準灰度PJ，并繼續執行步驟2；其中更新基準灰度PJ的更新為：計算當前檢測區域中的生長點的平均灰度值PN，基于當前基準灰度PJ得到更新后的基準灰度：其中K為預設加權系數。通過大量實驗，得到K的優選值為0.25，從而在縮減本發明整體運算時間的同時達到較好的效果。步驟6：基于目標圖像的生長區域和非生長區域，進行二值化區分，得到生長結果圖并輸出。本發明通過邊緣檢測算法和擴展式的區域生長算法的有機結合，對圖像進行了全面而準確的生長匹配。本發明對需要判斷的點的灰度和位置信息進行了精細的判斷和處理，以保證得到準確的結果，在使用擴展的方法實行區域生長檢測的情況下，最大程度上接近于現有生長算法得到的結果精度，同時增大了結果的廣度。這種精細處理是通過對點的灰度信息，點的位置以及點是否屬于邊緣點這三者的判定有機結合而成，同時在判斷過程中對判斷條件(基準灰度)進行細微修正，防止出現因為目標圖像的灰度變化造成的丟失生長區的問題。進一步的，為了得到更精確的生長區域，去除干擾點，步驟6還包括：對二值化區分得到的生長結果圖先進行腐蝕處理，再進行膨脹修正處理，得到優化生長結果圖；最后，將二值化區分得到的生長結果圖與優化生長結果圖進行與運算后，得到輸出的生長結果圖并輸出。其中腐蝕和膨脹修正處理可以采用任一慣用方案。綜上所述，由于采用了上述技術方案，本發明的有益效果是：本發明的技術優勢在于：利用擴展的方式掃描整個圖像，避免了傳統的區域生長算法無法對離散物體進行匹配的缺點，增加了區域生長算法的使用范圍。此外，在掃描過程中，通過對生長閾值進行實時修正，更加精確地確定了點是否屬于生長點，減少了干擾點出現的次數，降低了目標圖像的灰度變化對檢測結果產生的影響，且對檢測區域的生長點判定簡便，保證了本發明的運行速度；同時，本發明通過將灰度閥值判斷，臨近點判定和邊緣判定相結起來，實現了對離散生長區域中生長點的精確判斷，避免離散無關點的加入。附圖說明圖1是本發明的檢測方法流程示意圖；圖2是擴散區域示意圖；圖3是腐蝕和擴展的可用結構示意圖。具體實施方式為使本發明的目的、技術方案和優點更加清楚，下面結合實施方式和附圖，對本發明作進一步地詳細描述。本發明在手動選擇初始點后，在原有的區域生長算法的基礎上，將生長范圍逐漸強制擴展到目標圖像的全部圖像數據上，優化對離散點的匹配，基于邊緣檢測檢測離散點是否屬于可生長區域；另外通過始點優化基準灰度，在生長過程中不斷優化生長結果，以確保匹配到所需要的大區域圖像，避免匹配到滿足判斷條件的干擾點。最后對生長結果進行腐蝕和膨脹處理，去除干擾點，真正從整體上優化了整個匹配過程，得到更精確的結果。參見圖1，本發明的具體過程為：步驟S1：加載目標圖像；步驟S2：點擊目標圖像的目標區域，手動選擇初始點(及初始生長點)；步驟S3：獲取初始點位置，得到生長區域(初始生長區域直接由初始生長點構成)的邊界坐標；步驟S4：基于預設擴展度(1個像素點)，以當前生長區域為中心，向周圍1個像素點進行邊界擴散，得到擴散區域。即擴散區域是指將當前生長區域的最大X，Y坐標MaxX和MaxY及最小X，Y坐標MinX，MinY分別增加和減少一像素后得到的區域，如果想要提高檢測的速度，可以調整擴展度。如圖2所示，其中擴散區域是：以N*N的當前生長區域為中心且不包括當前生長區域的(N+2)*(N+2)區域。對于初始點不位于目標圖像中央的情況，當某個方向的X，Y參數抵達目標圖像的邊界后將不再變化；當四個方向均不再變化時邊界擴散結束，此時對整個目標圖像的全圖掃描完成。S5：對當前擴散區域的像素點進行檢測判斷；S6：判斷當前像素點是否滿足生長閾值，即判斷較基準灰度PJ(初始值為初始生長點的灰度值)與當前像素點的灰度值之差是否在預設范圍內，比如是否小于或等于10；S7：判斷當前像素點是否與生長點相鄰，即存在屬于當前生長區域的相鄰點；所當前像素點同時滿足條件：滿足生長閾值且與生長點相鄰；或者同時滿足條件：不滿足生長閾值且與不與生長點相鄰，則不用執行步驟S8的判斷，直接執行步驟S9；否則先執行步驟S8；S8：判斷當前像素點是否為目標圖像的邊緣點，例如通過Sobel算子得到當前像素點的一階梯度值，若一階梯度值大于或等于15，則當前像素點為邊緣點。S9：將滿足下列三種條件之一的當前像素點加入當前生長區域，即將滿足條件的當前像素點作為生長點：(1)當前像素點滿足生長閾值且與生長點相鄰；(2)當前像素點滿足生長閾值且不與生長點相鄰且為邊緣點；(3)當前像素點不滿足生長閾值且與生長點相鄰且為邊緣點；擴散區域的每個像素點的生長點判定可由下表給出，其中1表示是，0表示否：滿足生長閾值與生長點相鄰邊緣點生長點判定結果111/01001/001011100001110100S10：判斷對當前擴散區域的像素點檢測判斷是否完畢，即是否完成整個擴散區域的檢測判斷，若是，則執行步驟S11；否則執行步驟S5；步驟S11：判斷是否對目標圖像的全圖掃描完畢，若是則執行步驟S13；否則執行步驟S12；步驟S12：對基準灰度PJ進行更新后，返回步驟S4；其中基準灰度PJ的更新步驟為：基于當前擴散區域被判定為生長點的所有像素點，計算其平均灰度值PN，然后根據公式得到更行后的基準灰度PJ：其中K為常數，經過大量試驗論證，k優選值為k＝0.25。通過上述對基準灰度PJ的迭代更行，可以有效防止PJ發生較大變化，使得以后的判斷結果相對穩定，同時新加入點(當前擴散區域被判定為生長點的像素點)對PJ的修正增加后續判斷的正確率。在對如MRI圖進行區域生長匹配時，由于人體內部組織較為復雜和人體皮膚組織厚度不均，導致MRI的亮度隨區域發生小幅度變化，在這種情況下，通過在區域生長過程中不斷對生長參數進行修改，可以較好地彌補上述問題。同時，使用基于實際使用經驗的權值運算，可以在保證良好效果的同時簡化運算過程，保證運算速度。步驟S13：基于目標圖像的生長區域和非生長區域，進行二值化區分，得到生長結果圖，再利用腐蝕和膨脹對生長結果圖進行優化后輸出。由于如果直接對原圖(目標圖像)進行腐蝕和膨脹處理，會導致原圖圖像數據細節的丟失，所以，本發明先將原圖按照是否屬于生長點進行二值化，屬于生長區域的點為白色，即灰度值設置為0，其余點為黑色，即灰度值設置為1。然后對白色的點進行腐蝕和膨脹處理，具體的方法是基于預構造的腐蝕和膨脹的結構元素，其可以有多種結構，如圖3所示，優選圖3中的十字型結構。接著，基于所采用的腐蝕和膨脹的結構元素在二值化圖像上進行逐點移動并進行比較，根據比較的結果作出相應處理。以生長結果圖的骨架為白色點為例：作圖像腐蝕處理時，如果結構元素中的所有白色點與它對應的生長結果圖(二值化圖像)完全相同，則該點為白色，否則為黑色。作圖像膨脹處理時，如果結構元素中只要有一個及以上白色點與它對應的生長結果圖像素點相同，則該點為白色，否則為黑色。也就是說，如果結構元素中的所有白色點與它對應的生長結果圖像素點沒有一個相同，則該點為黑色，否則為白色。結構元素中的所有白色點與它對應的生長結果圖像素點沒有一個相同，說明大圖的這些像素點都是黑色的。首先對二值化圖進行腐蝕處理，可以除去圖中的小干擾點，即將包含白色干擾點的部分全部變為黑色，同時位于生長區域的點保留白色。然后使用同樣的結構模型進行膨脹，位于生長區域的點由于保留有白色，會還原成原樣，而干擾點由于沒有白色，不再恢復。之后，將原二值化圖像(原生長結果圖)與進行過處理(腐蝕、膨脹)的二值化圖像進行與運算，保留原圖像上與腐蝕和膨脹處理后的二值化圖上白色的點坐標相同的點，這樣可以在防止圖像細節紋理被破壞的情況下，去除圖像上的干擾點。以上所述，僅為本發明的具體實施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。當前第1頁1 2 3