王松山, 傅新镇, 李强

(滨州市人民医院,滨州 256610)

PACS系统中的图像可识别特征分割方法研究与分析

王松山, 傅新镇, 李强

(滨州市人民医院,滨州 256610)

针对传统的图像可识别特征分割方法分割不准确，效率低的问题，提出了有向空间关系和局部灰度聚类模型相结合的图像可识别特征分割方法。通过对图像可识别特征点的显著性检测，建立图像可识别特征轮廓模型。采用梯度下降法提取图像可识别特征，对图像可识别特征进行分析。以此为基础，通过有向空间关系可确定图像可识别特征间的关系，通过局部灰度聚类规则建立图像可识别特征的局部灰度聚类模型，实现对图像可识别特征分割方法的改进。实验结果证明，采用改进的分割方法进行图像可识别特征分割时，其分割精度，分割所需时间，分割效率均要优于传统的分割方法，具有一定的优势。

PACS系统； 图像； 特征； 分割方法

0 引言

随着数据信息技术的不断提高，图像设备逐渐更新为数字化，联网和实施图像信息系统的基本条件已经具备，数字化设备已经成为现代化图像处理的发展趋势，PACS(Picture Archiving and Communication Systems影像归档和通信系统)是数字化图像处理的重要硬件支撑[1]。PACS系统包括获取图像、图像管理、图像处理、图像归档等。PACS可以通过外部接口进行图像的传输，从而实现远程图像特征采集[2-4]。图像可识别特征分割方法作为图像处理和计算机视觉领域中的一个研究热点和难点，其主要目的在于将图像中感兴趣的、可识别的目标特征与图像的背景进行分离，以便实现后续高层次的图像特征分析和理解。现阶段图像特征可识别特征分割方法受到了广大学者的关注及分析[5-7]。

文献[8]提出基于激光点云数据的图像可识别特征分割方法，该方法通过对局部图像分布特征进行原始扫描数据、点空间分布特征、法向特征的多维特征融合，采用SVM分类器进行分类，使用分割理论进行在分类分割，实现图像可识别特征分割，但是存在分割不准确的问题；文献[9]提出一种融合纹理信息与图论的图像可识别特征分割方法，该方法主要针对图像背景色差较小导致难以分割的问题，将图像划分为图像块并计算每个图像块的纹理信息，以图像块为节点利用纹理信息构造权函数得到无向带权图，实现对图像可识别特征分割，但是该方法存在分割效果差的问题；文献[10]提出一种改进均值漂移算法的分割方法。该方法采用均值漂移算法对图像进行平滑和分割时，带宽的选择直接影响平滑和分割效果，首先根据图像的颜色特点，提取图像的颜色指数，然后采用均值漂移算法，将图像的颜色信息与空间信息结合起来，根据图像颜色分布的丰富程度定义自适应空域带宽，采用渐进积分均方差进行平滑处理，最后采用Otsu方法将平滑后的图像可识别特征进行分割，但是该方法存在分割误差大的问题。

针对上述问题的产生，提出一种新的PACS系统中图像可识别特征分割方法。通过对图像可识别特征的显著性进行检测，采用谱嵌入式聚类算法建立图像可识别特征轮廓模型。采用梯度下降法提取图像可识别特征，对图像可识别特征进行分析。以此为基础，通过有向空间关系可确定图像可识别特征间的关系，在此基础上，通过局部灰度聚类规则建立图像可识别特征的局部灰度聚类模型，可实现对图像可识别特征分割方法的改进。实验结果证明，采用改进的分割方法进行图像可识别特征分割时，其分割精度，分割所需时间，分割效率均要优于传统的分割方法，具有一定的优势。

1 图像可识别特征显著性检测及特征轮廓模型的建立

1.1 图像可识别特征显著性检测

(1)

(2)

则对于每个图像的rk区域，可采用基于区域对比度的方法，通过测量某个图像区域与图像中其它像素区域的颜色对比度来计算此区域的显著性值，可表示为式(3)、式(4)。

(3)

(4)

1.2 图像可识别特征轮廓模型建立

在对图像可识别特征显著性检测的基础上，采用谱嵌入式聚类算法建立图像可识别特征轮廓模型。其可识别特征轮廓的能量反函数，可表示为式(5)。

(5)

(6)

假设待分割图像为I(x,y)，自适应提取的初始轮廓C将I(x,y)划分为目标区域Ω0和背景区域ΩB，两个区域的像素灰度均值为c0和cb，则图像的梯度信息,可表示为式(7)。

(7)

(8)

式中：Z=Y(YTDY)1/2，D为度矩阵，则图像的总体散布矩阵St，类间散布矩阵Sb，类内散布矩阵为Sw，分别可以获取,如式(9)-式(11)。

(9)

(10)

(11)

式中：G为加权聚类分配矩阵。假设x,z∈X，X∈R(n)空间，非线性函数Φ实现了低维空间中图像X到高维的图像可识别特征F的映射，则可识别特征空间的核函数,表示为式(12)。

(12)

式中，〈〉为內积，d,α是特征参数，σ为特征尺度参数。基于此可建立图像可识别特征轮廓模型，表达为式(13)。

(13)

式中：x为当前图像的中心像素，Ni为图像中xi的邻域像素集，xj为邻域图像中不属于Ni的像素点，dij为图像xi和xj之间的空间欧氏间距，vk为图像k中的中心原型，ukj为图像k中像素xj的隶属度值，m为每个图像隶属度的加权指数。

2 PACS系统中图像可识别特征分割方法的改进

2.1 图像可识别特征分析

在建立图像可识别特征轮廓模型的基础上，采用梯度下降法提取图像可识别特征，对图像可识别特征进行分析。假设B(x,y,t)为图像基准帧的背景，D(x,y,t)为t时刻图像相邻帧之间的差别，定义为式(14)。

(14)

式中：I(x,y,t)为图像帧转换强度。为了能够在连续的图像区域里更加有效的提取图像可识别特征，需要使目标特征服从高斯分布模型强于图像背景固定的高斯分布的规律，让图像可识别目标特征具有不一样的可视化性质，具体定义为式(15)。

(15)

式中：pobj(I(t))和pbck(I(t))分别表示在t时刻像素属于图像目标特征的概率和图像固定背景的概率。

在获取可识别特征时，对于第t帧图像中目标特征边界函数,可表示为式(16)。

(16)

则利用梯度下降法对上述目标特征边界函数进行处理，获取最小值，提取图像可识别特征，表达式为式(17)。

(17)

式中：n为样本图像总数，h为图像中不同可识别特征向量维数，a为可识别中心特征，c为样本图像少数不可识别特征。

2.2 改进分割方法的实现

在对特征进行分析的基础上，采用有向空间关系和局部灰度聚类模型相结合对PACS系统中图像可识别特征进行分割。假设在样本图像中有8种可识别特征，按照位置关系，可以分成水平、垂直和对角等四种不同类型的近邻关系。则第n个像素属于第k类的权值函数,为式(18)。

(18)

式中：xi∈∂nd为xi的第d类近邻。根据定义的权值函数，得到图像像素的密度函数,为式(19)。

(19)

(20)

(21)

式中：μ,λ分别表示图像可识别特征的均值和精度，Γ(·)为伽马函数。v为图像可识别特征的自由度。通过图像在图像的局部邻域内使用局部灰度聚类准则，建立图像可识别特征的局部灰度聚类模型，表达式为式(22)。

(22)

式中：b(x)为图像的灰度不均匀特征，b(x)c1及b(x)c2为图像可识别特征的局部灰度聚类中心。则图像的灰度不均匀可识别特征,为式(23)。

(23)

式中b(x)为灰度不均匀可识别特征向量，n为零均值高斯噪声，J为理想的图像可识别特征。则在目标图像区域内的可识别特征分割结果,为式(24)。

(24)

综上所述，通过有向空间关系可确定图像可识别特征间的关系，在此基础上，通过局部灰度聚类规则建立图像可识别特征的局部灰度聚类模型，可实现对图像可识别特征分割方法的改进，但需要进行实验证明分析。

3 实验结果分析

3.1 实验参数设置

为了检验改进分割方法在图像可识别特征分割方面的性能，以及分割方法的有效性及可行性，对单幅真实图像进行分割实验，并与均值漂移算法和PCA马氏距离法的分割结果进行了对比分析。本实验平台为Windows7操作系统，集成处理器配置为Intel(R)i5-2450M CPU 2.50GHz，内存2GB，实验软件为Matlab7.0。图像实验数据库处理经典的图像以外还有生物，医学和工业图像等。

3.2 实验结果分析

为了检验改进分割方法在图像可识别特征分割方面的有效性及可行性，采用均值漂移算法和PCA马氏距离法为对比进行可识别特征提取方面的对比分析，其所识别提取的特征点直接显示在所识别图像上，结果如图2～图5所示：

图2 原始图像

由图2～图5可以明显看出，均值漂移算法分割图像时，图像中车辆发生相互遮挡，分割效果不佳。而PCA马氏距离法分割图像时，车辆间间距拉大，图像分割效果准确度较差。本文方法的图像特征分割显著性较高，与原图匹配性更强，具有一定的优势。

为了进一步验证改进分割方法在图像可识别特征分割方面的性能，在分割时间不定的情况下，以均值漂移算法和PCA马氏距离法为对比进行分割精度方面的对比分析。根据以上特征识别结果计算不同方法的分割精度，其分割精度计算公式为：

结果如图6所示：

由图6可以看出，采用均值漂移算法时，其精度约为60.4%，随着分割时间的不断增加，在短暂的时间内出现了稳定状态，但随后就消失，且分割精度出现了3次较大波动，稳定性较差；采用PCA马氏距离法时，其分割精度约为63.5%，且随着分割时间的不断增加，出现了多处波动，稳定性较差；采用改进分割方法时，其分割精度约为96.3%，随着分割所需时间的增加，其分割精度逐渐增加，虽然在出现了一次较大的波动，但其整体分割精度，相比均值漂移算法和PCA马氏距离法分别提高了约35.7%、32.8%，具有一定的优势。

4 结论

针对采用传统的图像可识别特征分割方法一直分割不准确，效率低的问题，提出有向空间关系和局部灰度聚类模型相结合的图像可识别特征分割方法。通过对图像可识别特征的显著性进行检测，采用谱嵌入式聚类算法建立图像可识别特征轮廓模型。采用梯度下降法提取图像可识别特征，

图6 不同方法下分割精度对比分析

对图像可识别特征进行分析。以此为基础，通过有向空间关系可确定图像可识别特征间的关系，在此基础上，通过局部灰度聚类规则建立图像可识别特征的局部灰度聚类模型，可实现对图像可识别特征分割方法的改进。实验结果证明，采用改进的分割方法进行图像可识别特征分割时，其分割精度，分割所需时间，分割效率均要优于传统的分割方法，具有一定的优势。

[1] 李萍, 蒋慧琴, 杨晓鹏,等. 适用于PACS系统的医学图像近无损压缩[J]. 中国图象图形学报, 2013, 18(6):699-705.

[2] 肖钟捷. 基于小波空间特征谱熵的数字图像识别[J]. 吉林大学学报:工学版, 2015, 45(6):1994-1998.

[3] 李菊霞. 基于融合计算机视觉图像的差异特征识别[J]. 计算机仿真, 2015, 32(1):442-445.

[4] 陈宗海, 林名强,等. 基于条件随机场和图像分割的显著性检测[J]. 自动化学报, 2015, 41(4):711-724.

[5] 陈恺, 陈芳, 戴敏,等. 基于萤火虫算法的二维熵多阈值快速图像分割[J]. 光学精密工程, 2014, 22(2):517-523.

[6] 郑毅, 郑苹. 基于模糊熵和模拟退火算法的双阈值图像分割[J]. 电子测量与仪器学报, 2014, 28(4):360-367.

[7] 喻垚慎, 云挺, 杨绪兵. 基于激光点云数据的植物器官多维特征分割方法[J]. 数据采集与处理, 2015, 30(5):1054-1061.

[8] 张晗, 何东健. 一种融合纹理信息与图论的图像分割方法[J]. 计算机工程与应用, 2014, 50(1):180-184.

[9] 伍艳莲, 赵力, 姜海燕,等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报, 2014, 30(24):161-167.

[10] 刘晓平, 陆劲挺, 夏新宇. 基于PCA和马氏距离的运动捕捉数据分割方法[J]. 合肥工业大学学报(自然科学版), 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,滨州,本科,工程师,研究方向:医疗器械、医院信息化。 傅新镇(1973-),女,本科,主管技师,研究方向：医疗设备及器械。 李强(1974-),男,大学本科,主管技师,医疗设备及器械。

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

TP391

A

2016.10.20)