融合纹理信息的SLIC算法在医学图像中的研究
侯向丹1,2 李柏岑1,2 刘洪普1,2,3 杜佳卓1,2 郑梦敬1,2 于铁忠1
【摘 要】摘 要 随着超像素算法的发展,SLIC(Simple linear iterative clustering)由于时间复杂度低及良好的分割结果而被广泛关注.但是由于传统的SLIC算法并没有考虑到图像的纹理信息,故而对于纹理较复杂的图像分割效果略有不足.LBP(Local binary pattern)对于纹理的识别有着优秀的表现而且时间复杂度低,但是对于噪声的鲁棒性较差,并且会产生纹理偏移.因此,本文首先针对传统的LBP中存在的问题进行改进;然后将改进后的算法与SLIC结合,提出一种融合纹理信息的超像素算法—SLICT(Simple linear iterative clustering based on texture).为验证分割效果,本文选取纹理较多的医学图像进行实验,采用心脏MRI数据库进行验证并与其他超像素算法进行对比.实验表明,SLICT在边缘召回率、欠分割错误率以及覆盖率上的综合表现优于其他算法.从分割结果上来看,SLICT不但能够更好地贴合图像边缘,而且对于连续区域的分割效果也较好,更适合纹理较复杂的图像. 【期刊名称】自动化学报 【年(卷),期】2019(045)005 【总页数】10
【关键词】关键词 纹理偏移,SLIC,LBP,医学图像,超像素
引用格式 侯向丹,李柏岑,刘洪普,杜佳卓,郑梦敬,于铁忠.融合纹理信息的SLIC算法在医学图像中的研究.自动化学报,2019,45(5):965?974
Manuscript received October 19,2018;accepted February 13,2019 天津市自然科学基金(16JCYBJC15600)资助
Supported by Natural Science Fundation of Tianjin(16JCYBJC15600) 本文责任编委 刘成林
Recommended by Associate Editor LIU Cheng-Lin
Citation Hou Xiang-Dan,Li Bo-Cen,Liu Hong-Pu,Du Jia-Zhuo,Zheng Meng-Jing,Yu Tie-Zhong.SLICT:computing texture-sensitive superpixels in medical images.Acta Automatica Sinica,2019,45(5):965?974
超像素算法产生的结果可以大幅提高后续图像处理的运算速度[1],因而被广泛地应用于交互式图像分割[2]、图像去雾[3]、显著性检测[4]、目标跟踪[5?6]、目标分类[7]、3维重建[8]、室内场景理解[9]以及卷积神经网络[10]等领域. 目前超像素算法主要分为两大类:第一类是基于图论(Graph-based)的;第二类是基于聚类(Clustering-based)的.基于图论的超像素分割算法,通过求图的最小割来实现超像素分割.比较有代表性的算法包括归一化割(Normalized cut,NC)[11]、 Superpixel lattices(SL)[12]、 GCa 和GCb[13]、基于熵率的超像素分割(Entropy rate superpixel segmentation,ERS)[14]、SEEDS[15]、Lazy random walk(LRW)[16]、Fuzzy entropy maximization[17?18]、Superpixel hierarchy[19]等.基于聚类的超像素分割方法,是指把多个像素点进行聚类或迭代聚类直到满足特定条件.近些年比较有代表性的包括
:TurboPixel[20]
、
VCells[21]
、
Simple
linear
iterative
clustering(SLIC)[22]、Simple non-iterative clustering(SNIC)[23]、DBSCAN superpixel segmentation[24]、Linear spectral clustering superpixel(LSC)[25]、Watershed superpixel(SCoW)[26]等,其中SLIC相较于其他算法,由于其简单易懂、速度快、分割结果良好、参数简单等原因,而广受
关注.
近年来,有关学者针对SLIC在不同方面的改进包括:无参数化设计[22,27],增加图像预处理[28],改进分割过程[29?31]以及改进融合条件[28]等.
使用无参数化设计,可以减少参数的输入,但是难以保证分割的准确度,尤其是对边缘的贴合程度;增加图像预处理,会使清晰的边缘更清晰,但也会使模糊的边缘更模糊;通过改进融合条件,可以使孤立的超像素块更准确地融合于相邻的超像素块中,但不会对主要分割结果产生影响.
分割过程是SLIC算法的核心部分,对分割结果有着重要影响.Liu等[29?30]的方法,对于色彩变化较大和面积较小的区域分割效果较好,但是对于弱边缘区域的分割效果依然欠佳;南柄飞等[31]的方法融合了纹理特征,但是处理一幅图像平均需要1.4min,并且在欠分割错误率上有着较为明显的不足.
为了更好地提取纹理特征,需要一种更为快速和准确的算法.而LBP算法计算速度快、效果好,同时具有灰度不变性以及旋转不变性等特点[32],所以广泛应用于图像纹理提取上.
在LBP算法的改进中,虽然文献[33?34]提出的方法会增强LBP算法对原图中噪声的鲁棒性,但是其得到的纹理特征均会产生“纹理偏移”以及纹理噪声.针对这些问题,本文提出一种新的LBP算法来提取纹理特征,解决了“纹理偏移”问题并减弱了纹理噪声的影响,然后在SLIC的距离公式中加入纹理距离,使其对于纹理有更好的相应.
在实验中,本文分别选取ERS、SEEDS、LRW、TurboPixel、SLIC、SNIC、LSC 和SCoW 这8种具有代表性的算法进行实验对比.为验证分割效果,本文选取纹理较多的医学图像进行实验,图像数据采用选择了由Alexander Andreopoulos
融合纹理信息的SLIC算法在医学图像中的研究
