引用本文

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. doi: 10.16383/j.aas.c180682

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. doi: 10.16383/j.aas.c180682

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180682

关键词

纹理偏移，SLIC，LBP，医学图像，超像素 

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.

文章导读

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1.4 min, 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和John K. Tsotsos建立的心脏MRI数据集[35].经实验证明, 本算法可以更好地突出不同区域之间的变化, 适用于医学图像以及纹理较复杂的图像的分割.

图 1  LBP算法中有无纹理偏移的效果对比

图 2  心脏MRI分割结果

图 3  心脏MRI数据库运行结果

本文通过改进传统LBP旋转不变模式的计算方法, 来提取图像对应的纹理特征, 并将其与SLIC算法融合, 提出了一种对于纹理更加敏感的超像素分割算法—SLICT.将SLICT应用于心脏MRI数据库中的图像, 其结果表明SLICT具有更好的准确性以及鲁棒性, 对弱边缘以及细小的纹理有着更为优秀地响应.从数据上看, SLICT在欠分割错误率以及覆盖率上优于其余算法, 在边缘召回率上与LSC并列第一, 在运行时间上平均只需要0.15 s~0.2 s, 可以满足图像分割和处理的需求.同时验证了使用传统的LBP计算纹理特征时会导致“纹理偏移”, 使得其求得的纹理特征不能很好地描述边缘并且存在一定的纹理噪声, 从而影响分割结果.

此外, 在实验中发现, 医学图像中器官存在的弱边缘和模糊区域, 会导致呈现出的形状与实际形状有着一定差异.本文提出的SLICT可以很好地检测出这些差异部分, 并能够产生更为准确的分割结果, 对后续医学图像处理的相关研究有着重要的参考价值和影响.

作者简介

侯向丹

河北工业大学人工智能与数据科学学院副教授.2007年获得河北工业大学电工理论与新技术专业博士学位.主要研究方向为数字图像处理, 智能算法.E-mail:hxd@scse.hebut.edu.cn

李柏岑  

河北工业大学人工智能与数据科学学院硕士研究生.2015年获得黑龙江大学信息系统与信息管理专业学士学位.主要研究方向为数字图像处理.E-mail:zeroformove@gmail.com

杜佳卓  

河北工业大学人工智能与数据科学学院硕士研究生.2017年获得唐山学院物联网工程专业学士学位.主要研究方向为数字图像处理.E-mail:zezzdjz0601@163.com

郑梦敬  

河北工业大学人工智能与数据科学学院硕士研究生.2016年获得河北大学工商学院计算机科学与技术专业学士学位, 主要研究方向为数字图像处理.E-mail:zhengmengjing@cslc.com.cn

于铁忠  

河北工业大学人工智能与数据科学学院正高级工程师.1991年获得国防科技大学硕士学位.主要研究方向为智能信息处理.E-mail:yutiezhong139@163.com

刘洪普  

河北工业大学人工智能与数据科学学院讲师.2006年获得河北工业大学计算机应用技术专业硕士学位.主要研究方向为数字图像处理, 智能算法, 机器学习.本文通信作者.E-mail:liuii@scse.hebut.edu.cn