改进颜色融合的医学图像彩色化技术

改进颜色融合的医学图像彩色化技术作者：天天论文网日期：2016-1-49:12:55点击：1摘要：彩色化后的医学图像能清晰体现患者病灶信息有利于医患沟通。提出改进颜色融合的医学图像彩色化方法，首先利用基于KNN的图像前背景区分算法，强化病灶区域的边界信息；然后以此为约束条件，只需提供简单的着色输入；最后将边界能量引入颜色融合方法，得到较好的着色结果。着色图像保持了原图的灰度信息不变，增加了彩色标记图像的颜色和真实感。实验结果表明，该算法具有较高的精确度，可有效的应用于医学图像彩色化处理。关键词：医学图像处理；颜色融合；图像着色；图层区分引言：在基于光学理论的医学图像中，包含生理学信息的原始图像多数是灰度图像。虽然医生凭借专业知识可以分辨出灰度图中的病灶，但患者一般很难读懂CT、X光、MRI等医学图像，加之近些年来医患关系愈发紧张，急需要一种技术能够帮助医生和患者沟通。利用计算机给灰度医学图像彩色化，能够帮助人们更有效地找到医学图像中有用的生理学信息，特别是彩色化后的医学图像能够清晰体现患者病灶区域信息。在现有的灰度生物医学图像彩色化研究中，Zhao[1]提出通过两幅图像之间进行颜色传递为灰度图像着色，将一幅待着色的灰度图像作为目标图像，用一幅彩色图像作为源图像，并自动从源图像取色，然后将其赋到目标图像上。刘洪波等[2]在Tomihisa[3]方法的基础上，使用泰勒公式对图像进行分析，减少了用户的交互步骤，提高了图像的染色效果。然而，这种目前现有的基于色彩传递的医学图像彩色化方法在实际应用中存在以下两个不足之处：第一，现有的医学图像着色研究中需要一幅适当的彩色医学图像作参考图像，把它的色彩传递到待处理的灰度图像中，但彩色参考图像的来源是一个需要解决的问题；第二，为了更准确的分析诊断病症，在彩色化过程中需要给医学图像赋上特殊颜色以作标记，如何有效添加彩色标记是另一个需要解决的问题。针对以上两个亟待解决的医学图像彩色化问题，本文提出一种改进颜色融合的医学图像彩色化方法，对病灶区域进行KNN图层区分，并将图层区分结果引入彩色标记图和灰度医学图像的融合结果中进行着色，从而生成着色结果图。该算法在保持灰度图像原有信息的条件下，能够成功的着色增强其视觉效果。1基于采样像素点的颜色融合方法Levin[4]提出了一个简单的基于采样像素点的颜色融合算法，既不需要精确的图像分块，也不需要准确的区域跟踪。该算法基于一个简单的假设：“灰度图像中空间上相邻的像素点如果它们的灰度相近，则它们的颜色也相近。”在该方法中，用户只需要给图片添加少量的彩色注释，彩色注释就可以在时间和空间上自由扩展，最终得到完全被彩色化的图像。算法提出在YUV颜色空间中，其中Y是单色亮度通道，一般以强度简化。U和V是色度通道，为颜色编码。算法输入一个强度信息Y(x,y,t)，输出两个颜色信息U(x,y,t)和V(x,y,t)。为简化标记，文中采用黑体字母（如r,s）表示(x,y,t)。于是，Y(r)是特定像素的强度。2()()()()rsrsNrJUUrwUs(1)rsw是权值函数总和为1，当Y(r)与Y(s)相同时权值最大，当两者不同时权值最小。然而，在对灰度医学图像着色的过程中，基于采样像素点的颜色融合方法存在不足：当彩色笔触的位置和数量标记不合适，或者物体边界处的灰度值与背景灰度值相近，会出现颜色渗漏的问题，不能精准的突出病灶区域的信息，易造成医患沟通的困难。2基于KNN图层区分的医学图像颜色融合算法Levin[4]方法采用人工添加约束条件为图像着色，但是人工标色的像素点占很小的比例，并在实际操作过程中存在颜色渗漏问题，不利于医患之间准确的沟通。因此本文引入新的约束条件区分物体边界与背景以获取更加准确的着色结果。在采用Levin[4]方法对医学图像进行彩色化的基础上，本文引入KNN图层区分，提出基于KNN图层区分的医学图像颜色融合算法。2.1KNN图层区分与非局部图层区分相类似，KNN算法建立连接关系时采用非局部原则，合理利用共轭梯度法(PCG)的先决条件，在极少的用户注释和极少的时间前提下，每个图层都得到高质量的图组，有效进行前背景分离[5]。非局部原则的假设是降噪像素m是具有与函数(,)fmn给定权值的相似外观的像素点权值之和[6]。KNN图层区分非常容易在颜色空间中扩展并处理SVBRDF或高维数据。对于自然抠图，为了加强空间相干性，给定像素点的m的特征向量X(m)可以被定义为：()(cos(),sin(),,,,)iXmhhsvxy(2)其中，h,s,v代表HSV坐标，(x,y)表示像素点m的空间坐标系。为了最小化像素点m和相邻像素点的颜色信息U(m)的差别，强化图像中物体的边缘信息，本文引入参数的期望值是：1[](,)mnnmEfmnB(3)(,)mnBfmn(4)22221211(,)exp(||()()||)gmnfmnTmTndhh(5)()(,,,,)iTmrgbxy(6)其()Tm是由像素点m信息计算得来的特征向量，,,rgb代表RGB坐标，(,)xy表示像素点m的空间坐标系，mnd是像素点m和n之间的像素距离，||||g[7]，12h,h是本文通过反复实验确定的常量。图层区分只提供少量的用户输入，就可以得到清晰的图像前景和背景区分结果，实验结果如图1所示。图1(a)是肝血管瘤CT断层切片图像，输入图1(b)中的标记笔道，可得出图1(c)中非常清晰的图层区分结果。图1(c)参数层，该层为前景层，其余为背景层。(a)原图(b)用户输入(c)图层区分结果图1KNN图层区分实例2.2改进的医学图像颜色融合算法对灰度医学图像进行KNN参数，于是对(1)中权值函数赋予如下定义：(()())2/22(()())2/22()YmYnmnwememmn(7)m是m周围像素点灰度值的方差，m是mmnw是权值函数总和为1，当Y(m)与Y(n)(m)(n)相同时权值最大，当两两不同时权值最小。与之相类似的权值函数在图像分割算法中得到广泛的应用[8][9]，通常被当作吸引函数。值的局部线性关系可以得到相关吸引。假设一个像素点的颜色信息U(m)是灰度信息Y(m)(m)的线性函数：()(()+())mmUmaYmmb(8)对于m周围的像素点线性参数ma和mb是相同的。这个假设在经验上可以得到判断，直观上意味着灰度值是连续的颜色也是连续的，当灰度值处于边缘时颜色也达到边缘（边缘的两边可以是任何两个数）[10]。由于用户着色笔道分布不均，或是物像素点计算得到的颜色信息U(m)，从而避免当灰度值相近时颜色渗漏。这种模式给每个图像窗口增加了一对变量，基于吸引函数的相关性和简单消除ma，mb变量。算法流程如下图2：（1）给定医学图像原图和用户标色图，采用颜色融合算法进行着色，得出着色结果，发现医学图像关键部位边界处渗色。（2）选择有渗色问题的图像作为目标图像，给定医学图像原图和用户注释笔道图，作为基于KNN的图像前背景区分算法的输入进行图层区分，采用封闭式解决方案获得图层区分结果，并得到每个像素点的（3值作为约束条件引入颜色融合算法中，生成含灰度信息和边界信息的权值函数，并以此作为着色基础，改善颜色渗漏的问题，生成颜色分布精确的图像。Levin方法含灰度信息和边界信息的权值函数KNN算法医学图像原图人工标色图医学图像原图注释笔道着色结果：关键部位边界处着色图像区分前景背景精确分布的着色结果图2本文算法流程图3实验结果与分析医学图像的扫描及处理多集中于占位性病变。所谓占位性病变，就是指恶性肿瘤，淋巴结等由于疾病而生长出来的占有原来器官所在位置的异物[11]。对于所呈现的医学图像，医生通过观察其着色密度以及研究质地均匀程度的检测报告，并根据已有知识和从医经验判断病症。本文算法优化了这一过程，医生只需简单几步对医学图像进行着色，可以清晰表现出患病位置，并且通过对不同部位的区别化着色，也可以对后期密度、血流速度等病变分析提供形象直观精确的帮助。图3是本文算法着色结果流程图，肝血管瘤CT断层切片图像实例。图3(b)是彩色标记笔道图，红色标记脑瘤病变位置，黄色标记正常区域，绿色标记切片外轮廓。图3(e)是Levin[4]方法着色结果，图中肝血管瘤病灶处颜色晕染到黄色正常区域，是典型的物体边界处发生颜色渗漏的案例。为了改善该颜色渗漏问题，引入KNN图像图层区分结果图3(f)值到权值函数，给图像重新着色，修正有颜色溢出的图像着色结果，获得色彩鲜艳、层次分明的图3(g)，能够满足用户对着色图像的要求。本文算法实验结果表明不但保留了原医学图像的灰度信息，并清晰的对各部位着色，增强了医学图像的可读性，增强了视觉效果，对于病人以及非医学专业人员来说，有助于看懂检查出来的成像，并且对自己的病情严重程度有形象直观的了解，方便医患沟通，从而有效缓解当前医患关系紧张的问题。由于不同的医学图像在内容分布上存在差异，为了证明本文的算法在灰度医学图像的着色领域有更广泛的应用，本文做了大量验证性实验，图4为其中一组脑膜瘤CT着色实验结果图。图4(f)中的红色区域是脑膜瘤病灶区域。(a)医学图像原图(b)人工标色图Levin方法(c)医学图像原图(d)注释笔道KNN算法(e)Levin方法结果(f)图层区分结果本文算法(g)精确的着色结果图3肝血管瘤CT着色实例流程图(a)医学图像灰度图(b)着色笔道图(c)Levin方法[3]结果(d)图层区分注释笔道(e)图层区分结果(f)本文算法结果__图5是一组以脑成像灰度图为例实现的医学图像彩色化实验结果对比图。图5(a)是MRI脑成像图，图5(b)是彩色实物图像，图5(c)是由前两幅图采用Liu算法[2]，经过亮度最佳匹配颜色传递得到的结果图像，图像中间区域仍有一些灰度区域没有被着色。图5(d)是采用Ji算法[12]，引入纹理合成处理方法形成完全着色的彩色结果。图5(e1)和图5(f1)分别是两种不同的着色笔道图，经过本文算法得到着色结果图5(e2)和图5(f2)。比较这三种算法的实验结果图，可以得出，相对于前两种基于色彩传递的医学图像着色算法需要需找特定的参考图像，本文算法在医学图像彩色化研究工作上更具有灵活性，可以根据实际需求对医学图像赋以不同的颜色，且具有精确的着色结果。在医学图像彩色化领域，本文算法有三点主要贡献：（1）支持简单的着色输入，即可完善着色到整个图像中，且能保持更好的细节。（2）能够传递到连续邻接的区域，并能有效解决生成物体边界渗漏，得到颜色分布精确的着色结果。（3）可根据实际需要对医学图像中的不同位置赋以不同的颜色，从心理学角度说，彩色图片有利于缓解焦虑心情，黑白图像多沉重压抑，而且对于不同色块的分析明显对于黑白密度分布的分析更为清晰，便于医生向患者讲解病情。Ji算法本文算法本文算法(b)彩色实物图像(d)Ji算法结果(e1)着色笔道1(e2)本文算法着色结果1(f1)(a)MRI脑成像图着色笔道2(f2)本文算法着色结果2(a)MRI脑成像图+Liu算法(b)彩色实物图像(c)Liu算法结果(a)MRI脑成像图+图5医学图像彩色化实验结果对比图4结束语对于患者而言，灰度医学图像不能精准的反映病灶区域的信息，很难辨识病灶的部位和严重程度。而医学图像色彩传递方法只能通过特定的彩色参考图对图像赋以特定的颜色，难以满足人们希望更加直观形象了解病情严重程度的迫切需求。本文搭建了一个灰度医学图像彩色化框架，对医学图像中病灶区域进行图像前背景区分，强化病灶区域的边缘信息，并以此作为新的约束条件引入到颜色融合算法中，生成颜色分布精确的彩色医学图像。实验结果图表明，本文提出的一种改进的医学图像颜色融合算法能够保留原图像的灰度信息，并能根据实际需求对灰度图像精准着色，增强视觉效果，为医患沟通搭建桥梁，减轻病人焦虑。参考文献:[1]ZhaoYuanmeng,WangLingxue,JinWeiqi,etal.Colorizingbiomedicalimagesbasedoncolortransfer[C]//ProcofIEEE/ICMEInternationalConf