申请/专利权人：大连海事大学

申请日：2019-08-14

公开（公告）日：2019-11-08

公开（公告）号：CN110428437A

主分类号：G06T7/13(20170101)

分类号：G06T7/13(20170101);G06T7/187(20170101);G06K9/62(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.11.29#授权;2019.12.03#实质审查的生效;2019.11.08#公开

摘要：本发明提供一种基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：设置参数k选择所述肺部图像的中心点作为初始聚类中心点对所述肺部图像进行边缘检测并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；判断所述图像边缘是否与所述超像素块边缘闭合；删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；超像素聚类并根据特征定位GGO；重新计算所述邻域矩阵，获取完整的GGO。本发明提出了基于边缘敏感的SLIC和二次密度聚类相结合的算法对GGO进行分割。本发明能够更好的贴和图像边界且具有较高的准确率和有效性，具有较高的使用价值。

主权项：1.基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征在于，包括以下步骤：S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；S7：重复步骤S5、S6，当剩余误差小于等于阈值T时，超像素分割结束，得到超像素分割结果，删除掉此时面积小于初始超像素18的孤立区域，认为此时为血管干扰，并将其合并到相邻超像素中；当所述剩余误差大于阈值T时，返回步骤S5；S8：步骤S7获取所述超像素后，生成邻域矩阵，根据所述邻域矩阵计算超像素与其邻域超像素之间的距离d，并根据阈值进行聚类，得到超像素分类结果，d的计算公式如下：di,j＝lmj-lmi2+amj-ami2+bmj-bmi21其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；S9：根据所述超像素分类结果，结合GGO类圆度和均匀度的特征，得到三类作为候选GGO，然后根据GGO的密度小于血管的特性，得到准确的GGO定位；S10：重新计算所述邻域矩阵，根据定位到的所述GGO，计算所述邻域矩阵与除所述邻域矩阵之外的邻域类之间的距离D′，根据自适应阈值的方法，判断其邻域类是否满足合并的条件，当满足合并条件时，则合并为GGO的一部分；当不满足所述合并条件时，则舍去，获取完整的GGO。

全文数据：

权利要求：

百度查询： 大连海事大学 基于边缘敏感的SLIC和二次密度聚类的GGO分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD