(12)发明专利申请
(10)申请公布号 CN 109509199 A(43)申请公布日 2019.03.22
(21)申请号 201811177386.8(22)申请日 2018.10.10
(71)申请人 华南理工大学
地址 510640 广东省广州市天河区五山路
381号(72)发明人 许洁斌 丁晓芳 陈家兴 (74)专利代理机构 广州市华学知识产权代理有
限公司 44245
代理人 冯炳辉(51)Int.Cl.
G06T 7/13(2017.01)G06T 5/00(2006.01)G06T 5/40(2006.01)
权利要求书3页 说明书7页 附图4页
(54)发明名称
一种基于三维重建的医学影像组织智能分割方法(57)摘要
本发明公开了一种基于三维重建的医学影像组织智能分割方法，包括步骤：1)输入DICOM医学图像序列，对图像进行预处理及调窗；2)对图像进行小波变化，将图像数据减少至原图的1/4；3)统计灰度直方图，提取初始种子点和生长阈值；4)对图像进行三维边缘检测，得到边缘轮廓图；5)结合灰度和边缘信息，进行三维空间区域生长；6)计算分割后的区域属性，优化种子点及生长阈值。本发明通过统计直方图，可以自动提取区域生长所需的初始种子点和生长准则所需的阈值，然后结合图像的边缘轮廓信息进行三维区域生长，并通过迭代生长不断优化初始种子点及生长阈值，从而改善分割的结果。同时，本发明通过小波变化，将图像数据减少至原始图像的1/4，从而缩短了运算时间。
CN 109509199 ACN 109509199 A
权 利 要 求 书
1/3页
1.一种基于三维重建的医学影像组织智能分割方法，其特征在于，包括以下步骤：1)输入DICOM医学图像序列，对图像进行预处理及调窗；2)对图像进行小波变化，将图像数据减少至原图的1/4；3)统计灰度直方图，提取初始种子点和生长阈值；4)对图像进行三维边缘检测，得到边缘轮廓图；5)结合灰度和边缘信息，进行三维空间区域生长；6)计算分割后的区域属性，优化种子点及生长阈值。
2.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤1)中，输入一组DICOM格式医学图像序列，在预处理阶段对图像序列进行调窗和高斯平滑，其中，所谓调窗，即根据预知的窗宽和窗位，将图像数据中位于窗口内的灰度值转换为显示时最亮和最暗范围内的值，高于窗口灰度范围的部分置为最亮，低于窗口灰度范围内的部分置为最暗；调窗公式如下：
其中，F'xyz为三维空间坐标(x,y,z)处像素点经调窗后的灰度值，Fxyz为该像素点的原始灰度值，C为窗位，W为窗宽，Max为显示器显示的最大灰度值；
针对调窗后的图像序列，进行高斯平滑，即对图像进行加权平均，每一个像素点的值，尤其本身和邻域内其他像素的值经过加权平均后得到；
上式中定义了三维高斯函数，其中，G(x,y,z)表示计算得到的高斯模板，(x,y,z)表示领域内其他像素点与中心像素点的相对坐标，σ表示高斯分布的标准差。
3.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤2)中，采用“db1”小波基对图像进行二层三维离散小波变化，也就是对图像的X，Y，Z方向分别进行高低频的滤波分解，每层小波变化都将产生8个分量，其中包含1个低频分量和7个高频分量，对第一层产生的低频分量继续做滤波分解，最终得到15个分量；取第二层小波变化后产生的低频分量进行后续的图像分割，能够将图像数据减少至原始图像的1/4。
4.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤3)中，统计图像的像素灰度，生成灰度直方图，扫描直方图，获取每一个感兴趣区域初始种子点的灰度值及其生长阈值，具体细节如下：
3.1)根据如下公式生成灰度直方图，定义峰值集合P、谷值集合V；
2
CN 109509199 A
权 利 要 求 书
2/3页
式中，H(i)表示灰度为i的像素点数占总像素点数的百分比，其中，i∈{0,1,2,3,…,Max-1}，X，Y，Z表示图像在三维空间X,Y,Z方向上的像素点总数，x，y，z表示像素点在三维空间的坐标，Fxyz表示图像像素在(x,y,z)处的灰度值，Equalxyz(i)用于判断(x,y,z)处的像素灰度是否等于i，若等于，则返回1，否则，返回0；
3.2)找到直方图的最大值对应的点作为第一个峰值点，记录该点对应的灰度值为p0，并加入集合P之中；
3.3)寻找下一个峰值点，其对应灰度值为p'，应满：以p'为中心，t为步长的范围内，也就是灰度范围为[p'–t,p']和[p',p'+t]的范围内，其灰度图分别呈现单调递增和单调递减状态；
3.4)重复步骤3.3)，直到找到所有峰值点以及它们对应的灰度值集合P，从小到达的顺序重排列集合P中的元素；
3.5)遍历集合P，依次找到每两个峰值点之间直方图值最小的点所对应的灰度值作为谷值，组成集合V；
3.6)从小到大遍历集合V，两两一组作为生长阈值，根据集合P找到两个谷值间的峰值p，随机选择三个灰度值为p的像素点作为初始种子点。
5.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤4)中，设计三维的Sobel边缘检测算子，计算图像的像素梯度，设置阈值，高于阈值的像素被认为是图像的边缘像素，置为1，否则置为0，以此得到医学图像的边缘轮廓图。
6.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤5)中，利用直方图中统计获得的初始种子点及其对应的生长阈值，结合图像的边缘轮廓信息进行三维空间的区域生长，即，在判定待生长点是否满足生长评价准则时，不仅要满足生长所需的灰度上下限，还需满足边缘条件，具体步骤如下：
5.1)将步骤3)中提取到的初始种子点压入种子栈，记录种子点对应的生长阈值；5.2)判断种子栈是否为空，为空则结束生长；不为空，则取出栈顶的种子点，以该点为初始点，搜索其六领域像素(x,y,z)，以(x,y,z)为中心，生成3*3*3的超体素，采用超体素的平均灰度值作为(x,y,z)像素点处的灰度值；
5.3)判断(x,y,z)的灰度值是否满足种子点对应的生长阈值，若满足，判断该点是否是边缘点，边缘点分为三种情况：①该点不是边缘点，则和种子点标记为同一区域，并成为新的种子点，压入种子栈；②该点是边缘点，但生长方向上的下一个点依然为边缘点，则和种子点标记为同一区域，并成为新的种子点压入堆栈；③是边缘点，且该生长方向上的下一点非边缘点，该方向停止生长；
5.4)重复步骤5.2)，直到生长结束。
7.根据权利要求1所述的一种基于三维重建的医学影像组织智能分割方法，其特征在于：在步骤6)中，各种子点生长结束后，根据如下公式计算其生成的感兴趣区域的平均灰度及其与背景区域的类间方差大小；
3
CN 109509199 A
权 利 要 求 书
3/3页
式中，μNROI表示感兴趣区域包含的像素个数，μROI表示感兴趣区域的平均灰度，B表示背景区域的平均灰度，NB表示背景区域包含的像素个数，Fxyz表示像素点(x,y,z)处的灰度值，θ表示然兴趣区域与背景区域的类间方差，μ表示图像整体平均灰度；
合并平均灰度相近的感兴趣区域的初始种子点和生长阈值；设定最小类间方差阈值，判断是否存在类间方差小于该阈值的感兴趣区域，若存在，则认定该分割区域无意义，合并该区域的初始种子点和生长阈值至相邻平均灰度的感兴趣区域；根据新的种子点和生长阈值重新生长，直至不存在无意义的分割区域或者达到最高迭代次数，最终返回包含多类标签的分割图像。
4
CN 109509199 A
说 明 书
一种基于三维重建的医学影像组织智能分割方法
1/7页
技术领域
[0001]本发明涉及医学图像分割的技术领域，尤其是指一种基于三维重建的医学影像组织智能分割方法。
背景技术
[0002]医学图像分割，是指根据某一特定的性质，将医学图像数据中具有不同意义的区域分离开来，使相同的区域满足区域一致性。常用的医学图像的分割方法包括：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于聚类的分割方法。[0003]基于阈值的分割方法，是利用一个或一组灰度阈值，将阈值范围内的图像数据标记为感兴趣区域，范围外的图像数据标记为背景数据，以此达到图像分割的目的。基于阈值的分割方法，具有简单，快速，计算复杂度低的优点；但是阈值的选取受噪声影响大，选取难度高；同时，由于仅利用了图像的灰度信息，难以分割灰度相似度高的感兴趣区域。而医学图像普遍具有灰度分布不均匀、各组织灰度相似度高的特性，因此，该算法在用于医学图像的多目标分割时，分割效果差。[0004]基于区域的分割方法，主要包含区域生长、分裂合并法、水平集等方法；其中，由于计算简单，区域生长法被广泛使用于医学图像分割中。但是，传统的区域生长算法极大程度的依赖于初始种子点的选取和生长准则的设定，难以实现多区域的自动化分割。[0005]基于边缘的分割方法，是利用不同区域之间，往往存在比较剧烈的灰度变化这一特性，来检测区域之间的边缘进行图像分割。该方法对于边缘灰度值过渡比较显著且噪声较小的简单图像的分割效果较为理想；对于结构复杂且存在较强噪声的医学图像，则会产生伪边缘或者边缘漏检的情况。[0006]基于聚类的分割方法，是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。基于聚类的分割方法主要包括以下几个难点：聚类类数的确定；确定聚类的有效性准则；聚类初始值的设置；运算复杂度较大。传统的聚类算法不考虑图像数据的空间信息，对图像噪声十分敏感。[0007]目前，传统的医学图像分割算法依然存在以下几点问题：[0008]1.利用先验知识进行分割，针对复杂的医学图像，任何一种单一的分割算法，都难以取得令人满意的分割结果。
[0009]2.大部分的分割算法都是基于二维的图像数据进行的分割，没有考虑图像在三维空间中的位置信息。
[0010]3.目前的自动化分割算法难以满足分割精度的需求，因此分割过程通常引入人工交互信息，分割效率低。发明内容
[0011]本发明的目的在于克服现有技术存在的不足，提出了一种基于三维重建的医学影
5
CN 109509199 A
说 明 书
2/7页
像组织智能分割方法，该方法利用三维体数据，通过统计直方图，可以自动提取区域生长所需的初始种子点和生长准则所需的阈值，然后结合图像的边缘轮廓信息进行区域生长，并通过迭代生长不断优化初始种子点及生长阈值，从而改善分割的结果。同时，该方法通过小波变化，将图像数据减少至原始图像的1/4，从而缩短了运算时间。[0012]为实现上述目的，本发明所提供的技术方案为：一种基于三维重建的医学影像组织智能分割方法，包括以下步骤：[0013]1)输入DICOM医学图像序列，对图像进行预处理及调窗；[0014]2)对图像进行小波变化，将图像数据减少至原图的1/4；[0015]3)统计灰度直方图，提取初始种子点和生长阈值；[0016]4)对图像进行三维边缘检测，得到边缘轮廓图；[0017]5)结合灰度和边缘信息，进行三维空间区域生长；[0018]6)计算分割后的区域属性，优化种子点及生长阈值。[0019]在步骤1)中，输入一组DICOM格式医学图像序列，在预处理阶段对图像序列进行调窗和高斯平滑。所谓调窗，即根据预知的窗宽和窗位，将图像数据中位于窗口内的灰度值转换为显示时最亮和最暗范围内的值，高于窗口灰度范围的部分置为最亮，低于窗口灰度范围内的部分置为最暗。调窗公式如下：
[0020]
其中，F'xyz为三维空间坐标(x,y,z)处像素点经调窗后的灰度值，Fxyz为该像素点的原始灰度值，C为窗位，W为窗宽，Max为显示器显示的最大灰度值。[0022]针对调窗后的图像序列，进行高斯平滑，即对图像进行加权平均，每一个像素点的值，尤其本身和邻域内其他像素的值经过加权平均后得到。
[0023]
[0021]
上式中定义了三维高斯函数，其中，G(x,y,z)表示计算得到的高斯模板，(x,y,z)表示领域内其他像素点与中心像素点的相对坐标，σ表示高斯分布的标准差。[0025]在步骤2)中，采用“db1”小波基对图像进行二层三维离散小波变化，也就是对图像的X，Y，Z方向分别进行高低频的滤波分解，每层小波变化都将产生8个分量，其中包含1个低频分量和7个高频分量，对第一层产生的低频分量继续做滤波分解，最终得到15个分量。取第二层小波变化后产生的低频分量进行后续的图像分割，可以将图像数据减少至原始图像的1/4。
[0026]在步骤3)中，统计图像的像素灰度，生成灰度直方图，扫描直方图，获取每一个感兴趣区域初始种子点的灰度值及其生长阈值，具体细节如下：[0027]3.1)根据如下公式生成灰度直方图，定义峰值集合P、谷值集合V；
[0024]
6
CN 109509199 A[0028]
说 明 书
3/7页
[0029]
式中，H(i)表示灰度为i的像素点数占总像素点数的百分比，其中，i∈{0,1,2,
3,…,Max-1}，X，Y，Z表示图像在三维空间X,Y,Z方向上的像素点总数，x，y，z表示像素点在三维空间的坐标，Fxyz表示图像像素在(x,y,z)处的灰度值，Equalxyz(i)用于判断(x,y,z)处的像素灰度是否等于i，若等于，则返回1，否则，返回0；
[0031]3.2)找到直方图的最大值对应的点作为第一个峰值点，记录该点对应的灰度值为p0，并加入集合P之中；
[0032]3.3)寻找下一个峰值点，其对应灰度值为p'，应满：以p'为中心，t为步长的范围内，也就是灰度范围为[p'–t,p']和[p',p'+t]的范围内，其灰度图分别呈现单调递增和单调递减状态；
[0033]3.4)重复步骤3.3)直到找到所有峰值点以及它们对应的灰度值集合P，从小到达的顺序重排列集合P中的元素；[0034]3.5)遍历集合P，依次找到每两个峰值点之间直方图值最小的点所对应的灰度值作为谷值，组成集合V；
[0035]3.6)从小到大遍历集合V，两两一组作为生长阈值，根据集合P找到两个谷值间的峰值p，随机选择三个灰度值为p的像素点作为初始种子点。[0036]在步骤4)中，设计三维的Sobel边缘检测算子，计算图像的像素梯度，设置阈值，高于阈值的像素被认为是图像的边缘像素，置为1，否则置为0，以此得到医学图像的边缘轮廓图。
[0037]在步骤5)中，利用直方图中统计获得的初始种子点及其对应的生长阈值，结合图像的边缘轮廓信息进行三维空间的区域生长，即，在判定待生长点是否满足生长评价准则时，不仅要满足生长所需的灰度上下限，还需满足边缘条件.具体步骤如下：[0038]5.1)将步骤3)中提取到的初始种子点压入种子栈，记录种子点对应的生长阈值；[0039]5.2)判断种子栈是否为空，为空则结束生长；不为空，则取出栈顶的种子点，以该点为初始点，搜索其六领域像素(x,y,z)，以(x,y,z)为中心，生成3*3*3的超体素，采用超体素的平均灰度值作为(x,y,z)像素点处的灰度值；
[0040]5.3)判断(x,y,z)的灰度值是否满足种子点对应的生长阈值，若满足，判断该点是否是边缘点，边缘点分为三种情况：①该点不是边缘点，则和种子点标记为同一区域，并成为新的种子点，压入种子栈；②该点是边缘点，但生长方向上的下一个点依然为边缘点，则和种子点标记为同一区域，并成为新的种子点压入堆栈；③是边缘点，且该生长方向上的下一点非边缘点，该方向停止生长；[0041]5.4)重复步骤5.2)，直到生长结束。[0042]在步骤6)中，各种子点生长结束后，根据如下公式计算其生成的感兴趣区域的平均灰度及其与背景区域的类间方差大小；
[0030]
7
CN 109509199 A[0043]
说 明 书
4/7页
[0044][0045]
式中，μNROI表示感兴趣区域包含的像素个数，μROI表示感兴趣区域的平均灰度，B表
示背景区域的平均灰度，NB表示背景区域包含的像素个数，Fxyz表示像素点(x,y,z)处的灰度值，θ表示然兴趣区域与背景区域的类间方差，μ表示图像整体平均灰度；[0047]合并平均灰度相近的感兴趣区域的初始种子点和生长阈值；设定最小类间方差阈值，判断是否存在类间方差小于该阈值的感兴趣区域，若存在，则认定该分割区域无意义，合并该区域的初始种子点和生长阈值至相邻平均灰度的感兴趣区域；根据新的种子点和生长阈值重新生长，直至不存在无意义的分割区域或者达到最高迭代次数，最终返回包含多类标签的分割图像。
[0048]本发明与现有技术相比，具有如下优点与有益效果：[0049]1.本发明基于三维图像数据进行分割，有效的利用了图像的空间位置信息，可以获得更好的分割效果。
[0050]2.本发明解决了区域生长算法依赖人工选取种子点和设计生长准则的缺点，能够自动选取种子点及其生长需满足的灰度阈值，实现了分割的自动化。[0051]3.本发明在区域生长的基础上结合了图像的边缘轮廓信息，保证了在自动化选取的生长阈值不够精确情况下生长的准确率，提高了分割的精确度。[0052]4.本发明通过迭代进行区域生长，计算平均灰度和类间方差完善分割结果，进一步降低自动化选取得到的种子点中无效种子点及生长阈值对分割结果的影响，提高了分割的精确度。
[0053]5.本发明采用小波变化减少了图像数据，减少了计算量和运行时间，使得算法具有更好的实时性。
附图说明
[0054]图1为本发明逻辑流程示意图。[0055]图2为本发明使用的高斯模板图。
[0056]图3为本发明使用的二层三维小波变化示意图。[0057]图4为本发明使用的Sobel边缘检测算子结构图。[0058]图5为本发明设计的区域生长流程图。
具体实施方式
[0059]下面结合具体实施例对本发明作进一步说明。[0060]如图1所示，本发明所提供的基于三维重建的医学影像组织智能分割方法，包括如下步骤：
[0061]第一步，输入一组DICOM格式医学图像序列，在预处理阶段对图像序列进行调窗和
8
[0046]
CN 109509199 A
说 明 书
5/7页
高斯平滑。所谓调窗，即根据预知的窗宽和窗位，将图像数据中位于窗口内的灰度值转换为显示时最亮和最暗范围内的值，高于窗口灰度范围的部分置为最亮，低于窗口灰度范围内的部分置为最暗。调窗公式如下：
[0062]
其中，F'xyz为三维空间坐标(x,y,z)处像素点经调窗后的灰度值，Fxyz为该像素点的原始灰度值，C为窗位，W为窗宽，Max为显示器显示的最大灰度值。[0064]本实例中，输入DICOM格式的脑部医学图像序列，大小为512*512*200，设置C＝50，W＝90，Max＝256。针对调窗后的图像序列，进行高斯平滑，即对图像进行加权平均，每一个像素点的值，尤其本身和邻域内其他像素的值经过加权平均后得到。
[0065]
[0063]
上式中定义了三维高斯函数，其中，G(x,y,z)表示计算得到的高斯模板的系数，(x,y,z)表示领域内其他像素点与中心像素点的相对坐标，σ表示高斯分布的标准差。根据设置的σ值的大小，决定平滑效果，值越大，则平滑效果越明显。如图2所示，显示了一个3*3*3的高斯模板中各个点的坐标，本实例设置σ＝0.8，将图2中各个坐标值代入高斯函数中，计算得到的G(x,y,z)值即为高斯模板的权值系数。[0067]第二步，采用“db1”小波基对图像进行二层三维离散小波变化，也就是对图像的X，Y，Z方向分别进行高低频的滤波分解，每层小波变化都将产生8个分量，其中包含1个低频分量和7个高频分量，对第一层产生的低频分量继续做滤波分解，最终得到图3所示的[LLL2,(LLH2,LHL2,HLL2,LHH2,HLH2,HHL2,HHH2),(LLH1,LHL1,HLL1,LHH1,HLH1,HHL1,HHH1)]共15个分量。取第二层小波变化后产生的低频分量，即“LLL2”分量进行后续的图像分割，可以将图像数据减少至原始图像的1/4。在本实例中，512*512*200大小的图像经过二层三维离散小波变化后，输出图像大小为128*128*40。[0068]第三步，统计图像的像素灰度，生成灰度直方图，扫描直方图，获取每一个感兴趣区域初始种子点的灰度值及其生长阈值，具体细节如下：[0069]3.1、根据如下公式生成灰度直方图，定义峰值集合P、谷值集合V；
[0070]
[0066]
[0071][0072]
式中，H(i)表示灰度为i的像素点数占总像素点数的百分比，其中，i∈{0,1,2,3,…,255}，X＝128，Y＝128，Z＝40，x，y，z表示像素点在三维空间的坐标，Fxyz表示图像像素在(x,y,z)处的灰度值，若灰度值为i，则Equalxyz(i)等于1，对应H(i)中灰度为i的像素点个
9
CN 109509199 A
说 明 书
6/7页
数加1。
3.2、找到直方图的最大值对应的点作为第一个峰值点，记录该点对应的灰度值为
p0，并加入集合P之中；[0074]3.3、寻找下一个峰值点，其对应灰度值为p'，应满：以p'为中心，设置步长t＝10，也就是灰度范围为[p'–10,p']和[p',p'+10]的范围内，其灰度图分别呈现单调递增和单调递减状态；[0075]3.4、重复步骤3.3直到找到所有峰值点以及它们对应的灰度值集合P，从小到达的顺序重排列集合P中的元素；[0076]3.5、遍历集合P，依次找到每两个峰值点之间直方图值最小的点所对应的灰度值作为谷值，组成集合V。[0077]3.6、从小到大遍历集合V，两两一组作为生长阈值，根据集合P找到两个谷值间的峰值p，随机选择三个灰度值为p的像素点作为初始种子点。[0078]第四步，设计图4所示的三维的Sobel边缘检测算子，遍历图像三维空间中的每个像素点，利用Sobel边缘检测算子计算该点的梯度。设置阈值，高于阈值的像素被认为是图像的边缘像素，置为1，否则置为0，以此得到医学图像的边缘轮廓图。[0079]第五步，利用直方图中统计获得的初始种子点及其对应的生长阈值，结合图像的边缘轮廓信息进行图5所示的三维空间的区域生长，即在判定待生长点是否满足生长评价准则时，不仅要满足生长所需的灰度上下限，还需满足边缘条件。具体步骤如下：[0080]5.1、将第三步中提取到的初始种子点压入种子栈，记录种子点对应的生长阈值；[0081]5.2、判断种子栈是否为空，为空则结束生长；不为空，则取出栈顶的种子点(x0,y0,z0)，以该点为初始点，搜索其六领域像素(x,y,z)，(x,y,z)∈{(x0-1,y0,z0)，(x0+1,y0,z0),(x0,y0-1,z0),(x0,y0+1,z0),(x0,y0,z0-1),(x0,y0-1,z0+1)}，以(x,y,z)为中心，生成3*3*3的超体素，采用超体素的平均灰度值，即以(x,y,z)为中心加上周围26个像素点的平均灰度值作为(x,y,z)像素点处的灰度值；[0082]5.3、判断(x,y,z)的灰度值是否满足种子点对应的生长阈值，若满足，判断该点是否是边缘点，边缘点分为三种情况：①该点不是边缘点，则和种子点标记为同一区域，并成为新的种子点，压入种子栈；②该点是边缘点，但生长方向上的下一个点依然为边缘点，则和种子点标记为同一区域，并成为新的种子点压入堆栈；③是边缘点，且该生长方向上的下一点非边缘点，该方向停止生长；[0083]5.4、重复步骤5.2，直到生长结束。[0084]第六步，各种子点生长结束后，根据如下公式计算其生成的感兴趣区域的平均灰度及其与背景区域的类间方差大小。
[0085][0073]
[0086][0087][0088]
式中，μNROI表示感兴趣区域包含的像素个数，μROI表示感兴趣区域的平均灰度，B表
10
CN 109509199 A
说 明 书
7/7页
示背景区域的平均灰度，NB表示背景区域包含的像素个数，Fxyz表示像素点(x,y,z)处的灰度值，θ表示然兴趣区域与背景区域的类间方差，μ表示图像整体平均灰度。[0089]合并平均灰度相近的感兴趣区域的初始种子点和生长阈值；本实例设定最小类间方差阈值为5，判断是否存在感兴趣区域与背景区域类间方差小于5，若存在，则认定该感兴趣区域的分割无意义，合并该区域的初始种子点和生长阈值至相邻平均灰度的感兴趣区域；根据新的种子点和生长阈值重新生长，直至不存在无意义的分割区域或者达到最高迭代次数，最终返回包含多类标签的分割图像。
[0090]以上所述实施例只为本发明之较佳实施例，并非以此为限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
11
CN 109509199 A
说 明 书 附 图
1/4页
图1
12
CN 109509199 A
说 明 书 附 图
2/4页
图2
图3
13
CN 109509199 A
说 明 书 附 图
3/4页
图4
14
CN 109509199 A
说 明 书 附 图
4/4页
图5
15
因篇幅问题不能全部显示，请点此查看更多更全内容