CN109741336B - 一种基于像素聚类与分割阈值的白癜风区域分割方法 - Google Patents

Abstract

本发明公开了一种基于像素聚类与分割阈值的白癜风区域分割方法，通过将聚类中心分割与阈值分割方法相结合，本发明方法能够对不同光照环境下拍摄的白癜风患病区域的照片进行快速有效的分割。而且在皮损边缘模糊、曲折、图片对比度底等条件下，仍能较为理想地分割出白斑区域，为白癜风区域的面积测量与构建疗效评价体系提供了关键的技术支持。

Description

一种基于像素聚类与分割阈值的白癜风区域分割方法

技术领域

本发明属于数字图像处理领域，涉及一种基于像素聚类与分割阈值的白癜风区域分割方法。

背景技术

白癜风是一种常见的皮肤色素脱失病，该病的主要特征是在体表形成大小无规则的白斑皮损，是一种严重影响外貌美观的疾病,白斑面积是临床治疗效果的重要评价指标,而测量白斑面积的基础则是准确将白斑区域分割出来。

随着图像处理技术的发展，传统的白斑面积测量方法，如目测估算法、点估算法、宫格法等，由于其主观性强，缺乏客观的衡量标准，逐渐被基于图像分析的测量方法所取代。这类方法可以做到非接触式测量，客观准确，但由于图片拍摄环境、拍摄器材、患者皮肤自身的色度等诸多因素的限制，做到将白癜风区域高效，准确的分割出来仍具有一定难度，如基于混合颜色空间的K均值聚类方法采用将输入的RGB图像转转换到 CIELAB、HSV、YCbCr空间中进行K均值聚类分割，但该方法需要同时在三个空间下进行聚类，计算量大，难以对分辨率高的图像进行有效的处理，且以像素点为最小单位进行分割；使用Photoshop与Image J等工具对白癜风区域进行手动分割，标记边缘的方法，效果虽精确但操作繁琐；基于snake模型并使用水平集算法对白癜风皮损边缘进行提取的方法，要求先给定目标区域的初始轮廓，且算法对噪声较为敏感，且设备要求高。使用YCbCr颜色空间与Fuzzy C-Means(FCM)聚类相结合的方法，虽然达到了不错的分割效果，但无法适应图片对比度较小的情况。

因此，根据现存方法的一些缺点，如计算量大，操作繁琐，对拍摄器材要求高，只适用于强对比度的图片等，本发明公开了一种高效、简单、鲁棒性强、且不受拍摄器材限制的白癜风区域分割方法。本方法首先通过对图像进行聚类中心分割，然后再人为设定阈值，实现白癜风区域的分割。在本方法中将聚类中心定义为：由数字图像中相连通且特征相似的像素点组成的小区域。这些小区域保留了进一步进行图像分割所需的有效信息，且会保留图像中白斑的边界信息。

发明内容

发明目的：本发明提供一种基于像素聚类与分割阈值的白癜风区域分割方法，对白癜风区域进行分割。本方法在图像拥有噪声、高分辨率、低对比度的情况下仍可进行高效准确的分割，通过图像处理技术将白癜风区域地准确分割出来。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于像素聚类与分割阈值的白癜风区域分割方法，该方法包括如下步骤：

(1)获取患者人脸区域图像；

(2)对图像进行高斯模糊或中值滤波去除噪声；

(3)对步骤(2)处理获得的图像进行像素聚类；

(4)确定分割阈值，基于像素聚类对图像分割获得白癜风区域图像。

进一步，在步骤(2)中，若有图像中有高光区域，则先进行高光抑制处理。

进一步，其特征在于，在步骤(3)中，图像聚类方法如下：

(3-1)将采集到的RGB图像转换至Lab颜色模型时，需要通过XYZ颜色模型进行过渡，公式如下：

其中，p_R,p_B,p_G分别是像素p的RGB颜色分量；

(3-2)将输入RGB图像转换到Lab颜色空间：

其中，δ为预设值，X_n,Y_n,Z_n作为XYZ颜色空间中白点的参考值；

(3-3)根据输入图像尺寸初始化聚类种子点个数，公式如下：

其中，N_c为聚类种子点个数，W与H分别为图像的宽度和高度，ρ此处定义为种子点密度，取值范围为[0,min(W,H)]；

(3-4)将坐标为(ρ,ρ)的像素设置为第一个种子点，以ρ为步长，将其余种子点以棋盘格样式初始化在交叉点位置上，则种子点集合为

将种子点作为初始化聚类中心，记为C_k＝[l_k,a_k,b_k,x_k,y_k]，k＝1,2,…,N_c，其中，l_k,a_k,b_k分别为图像在Lab空间下位置坐标为(x_k,y_k)处所对应像素点的L,a,b分量；

(3-5)在以种子点为中心，3×3为大小的领域内，将种子点移动到Lab模型中L 通道梯度最小的位置，以防其落到图像边缘上或者噪声处；

(3-6)图像像素聚类过程的具体方法如下：

(3-6-1)初始化每一个像素点i的标签数组l(i)＝-1，距离数组d(i)＝∞，初始化最大迭代次数N_iter；

(3-6-2)以C_k为中心，2ρ×2ρ大小的区域内，对每一个像素i执行以下操作：计算像素i与聚类中心C_k的距离D；若D<d(i),则令d(i)＝D,l(i)＝k；

(3-6-3)判断是否遍历完所有聚类中心，若是，则继续；否则返回步骤(3-6-2)；

(3-6-4)更新所有聚类中心；

(3-6-5)判断是否达到最大迭代次数N_iter，若是，则结束；否则，返回步骤(3-6-2)。

进一步，步骤(3-6-2)中，像素i与像素j之间的距离D定义为空间距离与颜色距离的加权和：

其中，像素点i与像素点j的坐标分别为(x_i,y_i),(x_j,y_j),在Lab空间中像素值分别为 (l_i,a_i,b_i),(l_j,a_j,b_j),D_s为两个像素点的空间距离，D_c为两个像素在Lab颜色空间中的距离，C_s,C_c分别为空间距离与颜色距离的归一化常项，采用上述方法计算像素i与聚类中心C_k的距离D。

进一步，步骤(3-6-4)中，更新所有聚类中心方法如下：

其中，N_k是标签为k的像素个数。

进一步，步骤(3-6)中的图像像素聚类后还包括如下方法：

(3-7-1)初始化label＝0,adjacent＝0，初始化空队列Q，初始化数组new_cluster，初始值全部设置为-1，令

初始化数组V，记图像所含像素点数为N_p，令i＝0；

(3-7-2)取步骤(3-6)后得到的标签数组l；

(3-7-3)若i<N_p，则继续下面步骤；反之，则结束；

(3-7-4)若new_cluster[i]＝＝-1,则令像素i进入队列Q，按照左-上-右-下顺序遍历像素i的四邻域像素点,即在图像尺寸范围内，与像素i相邻的上下左右四个像素点，记为i_t,t＝1,2,3,4，若new_clusters[i_t]≥0,则更新adjcent＝new_clusters[i_t]；

(3-7-5)令count＝1；

(3-7-6)令队列Q中队头像素出列，记为像素j，并将j保存到数组V；

(3-7-7)遍历j的四邻域的像素点,即在图像尺寸范围内，与像素j相邻的上下左右四个像素点，记为j_t,t＝1,2,3,4,若new_clusters[j_t]＝＝-1，且l[i]＝＝l[j_t],则令j_t进入队列,并且令new_cluster[j_t]＝label，count＝count+1；否则，进入(3-7-8)；

(3-7-8)若队列Q为空，则进入(3-7-9)；否则，返回步骤(3-7-6)；

(3-7-9)若count≤T_m,则遍历访问数组V中的点，记当前访问点为z,令new_cluster[z]＝adjacent,label＝label-1，遍历完成后，清空数组V；

(3-7-10)令label＝label+1；

(3-7-11)令i＝i+1,返回(3-7-3)；

(3-7-12)将上述得到的new_cluster作为为新的聚类标签数组，记重新聚类后的图像子区域有n个；

(3-7-13)使用如下公式重新计算聚类中心中心：

记为

中的

作为对其所代表区域内所有像素点的一个抽象特征表示。

进一步，步骤(4)中，确定分割阈值，基于像素聚类对图像分割获得白癜风区域图像，方法如下：

(4-1)用光标对白癜风区域内的像素点进行随机抽样，记一共采样了N_s点，采样点为S_i,i＝1,2,…,N_s,则采样点的L,a,b分量分别为S_iL,S_ia,S_ib，则分割所需阈值T_low和 T_high可通过如下规则确定：

(4-2)遍历所有像素聚类中心，若

则将此聚类中心标记为白斑皮损区域，否则标记为正常皮肤。

有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：

1.操作简单方便，对硬件设备没有特殊要求。

2.可适应白斑边界模糊且图像对比度低的情况。

3.由于引入聚类中心作为一块区域的代表，即便处理高分辨率图像仍可做到快速分割。

4.分割图像不易产生空洞，不依赖于后期的形态学处理。

附图说明

图1为基于聚类中心与阈值的白癜风区域分割方法的流程；

图2为基于聚类中心与阈值的白癜风区域分割方法的示例 ；

图3为基于聚类中心与阈值的白癜风区域分割方法的两张 分割实例 。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

(1)图片获取

可使用手机、相机、专业医疗设备对患处拍摄图片，皮肤应占据照片的主体部分，但仍可包含部分背景、衣物、毛发等无关的区域，拍摄时应尽量选择光线较为柔和的环境。

(2)图像预处理

依据具体情况，对图像进行高斯模糊或中值滤波，去除噪声；若有图像中有高光区域，则先进行高光抑制。此步骤的目的一是为了去除噪声，二是平滑毛发区域中的锐利边缘，避免聚类中心分割时产生过多的不规则形状以及孔洞。因为拍照时难免因皮肤表面出油而造成局部高光区域，而使颜色信息被掩盖，最终导致聚类中心分割效果不佳，应先对高光区域进行抑制。

(3)进行聚类中心分割

可使用SLIC算法或VCell算法对去噪后的图片进行聚类中心分割，此处以SLIC算法进行阐述。

(3-1)将输入RGB图像转换到Lab颜色空间；

由于Lab空间是均匀的颜色空间，在肤色与白斑对比度较低时，相比RGB更有优势。Lab模型中L是亮度，a、b是颜色通道。L表示从黑到白，a是绿色到红色；b是蓝色到黄色.将采集到的RGB图像转换至Lab颜色模型时，不能直接进行转换，需要通过XYZ颜色模型进行过渡，公式如下：

其中p_R,p_B,p_G分别是像素p的RGB颜色分量.

式中，δ为预设值，δ＝0.008856，X_n,Y_n,Z_n作为XYZ颜色空间中白点的参考值。本处取D65作为参考白点，则有：

X_n＝95.047

Y_n＝100.000

Z_n＝108.883

(3-2)根据输入图像尺寸初始化聚类种子点个数，可采用以下经验公式：

其中，N_c为聚类种子点个数，W与H分别为图像的宽度和高度，ρ此处定义为种子点密度，取值范围为[0,min(W,H)]，实验中取为20，可以根据需要设置ρ的值。ρ越大，种子点越密集，后期得到的每个聚类中心面积就越小，分割越细致，但过大的密度会增加计算量，并且容易受到图像噪声的干扰，导致图像分割效果变差。

(3-3)将坐标为(ρ,ρ)的像素设置为第一个种子点，以ρ为步长，将其余种子点以棋盘格样式初始化在交叉点位置上，则种子点集合为

将种子点作为初始化聚类中心，记为 C_k＝[l_k,a_k,b_k,x_k,y_k]，k＝1,2,…,N_c，其中，l_k,a_k,b_k分别为图像在Lab空间下位置坐标为(x_k,y_k)处所对应像素点的L,a,b分量。

(3-4)在以种子点为中心，3×3为大小的领域内，将种子点移动到Lab模型中L 通道梯度最小的位置，以防其落到图像边缘上或者噪声处，对后面的聚类过程产生影响。

(3-5)聚类过程的具体算法如下：

(3-5-1)初始化每一个像素点i的标签数组l(i)＝-1，距离数组d(i)＝∞，初始化最大迭代次数N_iter

(3-5-2)以C_k为中心，2ρ×2ρ大小的区域内，对每一个像素i执行以下操作：计算 i与C_k的距离D；若D<d(i),则令d(i)＝D,l(i)＝k

(3-5-3)判断是否遍历完所有聚类中心，若是，则继续；否则返回步骤3-5-2

(3-5-4)更新所有聚类中心

(3-5-5)判断是否达到最大迭代次数N_iter，若是，则结束；否则，返回步骤3-5-2

其中，将像素i与像素j之间的距离D定义为空间距离与颜色距离的加权和：

其中C_s,C_c分别为空间距离与颜色距离的归一化常项。此处令C_s＝25,C_c＝ρ。在使用过程中，C_c的取值范围可取[1,40]之间，该值越大，则D_s在距离度量中所占权重越小，则后期所得聚类中心形状越不规则，呈长条状，即难以保证空间的相关性，但对物体边缘较为灵敏，贴合度较高，容易收到噪声的干扰；反之，该值越小，则D_s在距离度量中所占权重越大，则后期所得聚类中心形状越规则，类似方块状，不易受到噪声的干扰，但对图像边缘较不敏感。

实验中取最大迭代次数为10，可达到效果与计算代价的平衡。

可以利用下式进行聚类中心的更新：

其中，N_k是标签为k的像素个数。

(3-6)在用以上步骤聚类后会出现连通性差、一些未被标记的小区域的问题，所以需要进一步增强图像的连通性，具体方法为：

(3-6-1)初始化label＝0,adjacent＝0，初始化空队列Q，初始化数组new_cluster，初始值全部置为-1，令

初始化数组V，记图像所含像素点数为N_p，令i＝0；

(3-6-2)取步骤3-5后得到的标签数组l；

(3-6-3)若i<N_p则继续下面步骤；反之，则结束；

(3-6-4)若new_cluster[i]＝＝-1,则令像素i进入队列Q，按照左上右下顺序遍历像素i的四邻域像素点,即在图像尺寸范围内，与像素i相邻的上下左右四个像素点，记为i_t,t＝1,2,3,4，若new_clusters[i_t]≥0,则令adjcent＝new_clusters[i_t]；

(3-6-5)令count＝1；

(3-6-6)令队列Q中队头像素出列，记为像素j，并将j保存到数组V；

(3-6-7)遍历j的四邻域的像素点,记为j_t,t＝1,2,3,4,若new_clusters[j_t]＝＝-1，且l[i]＝＝l[j_t],则令j_t进入队列,并且令new_cluster[j_t]＝label，count＝count+1；否则，进入(3-6-8)；

(3-6-8)若队列Q为空，则继续；否则，返回步骤(3-6-6)；

(3-6-9)若count≤T_m,则遍历访问数组V中的点，记当前访问点为z,令 new_cluster[z]＝adjacent,label＝label-1，清空数组V；

(3-6-10)令label＝label+1

(3-6-11)令i＝i+1,返回(3-6-3)。

上述算法得到的new_cluster为新的标签数组，其大小为图像中像素的数目，其某一位置的取值是该位置像素点对应的标签。

至此，即可得到分割好的n个图像的子区域，其中n等于步骤(3-6)中label变量的值，即为n个聚类中心，如图二(b)所示，由蓝色线所形成的每个最小封闭区域即为一个聚类中心。重新计算聚类中心中心，记为

中的

可以看做是对其所代表区域内所有像素点的一个抽象特征表示，在本实验中，是在Lab颜色空间中提取其特征。使用者也可以根据自己的需要，在不同的颜色空间下提取不同的特征。

中的

得到的是浮点数，为了方便步骤四进行阈值分割，可简单将其舍入为整数。

(4)人工确定阈值，进行分割

人工测量皮损区域的像素值并确定分割阈值，然后进行分割。具体步骤如下：

(4-1)使用photoshop或者画图等工具，用光标对白癜风区域内的像素点进行随机抽样，抽样点数目依据白癜风区域图像对比度所确定(即根据肉眼可见的明暗程度、色泽差别)，采样点需要尽可能地覆盖明暗程度、色泽差别不同的区域.记一共采样了N_s点，采样点为S_i,i＝1,2,…,N_s,则采样点的L,a,b分量分别为S_iL,S_ia,S_ib，则分割所需阈值T_low和T_high可通过如下规则确定：

(4-2)遍历所有聚类中心，若

则将此聚类中心标记为白斑皮损区域，否则标记为正常皮肤，从而得到类似于图二 (c)所示结果。

在此处使用Lab空间来进行阈值分割，原因是Lab空间可以将亮度分量与色度分离开来，从而可以只对颜色范围进行限定，对于光照条件较差的图片，该方法简单有效。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。实验对比结果如表一所示

表一测试图片如图二与图三所示，运行时间是从步骤二-图像预处理开始计时，到完成白斑区域分割为止。

Claims (6)

1.一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，该方法包括如下步骤：

(1)获取患者人脸区域图像；

(2)对图像进行高斯模糊或中值滤波去除噪声；

(3)对步骤(2)处理获得的图像进行像素聚类，图像聚类方法如下：

(3-1)将采集到的RGB图像转换至Lab颜色模型时，需要通过XYZ颜色模型进行过渡，公式如下：

其中，p_R,p_B,p_G分别是像素p的RGB颜色分量；

(3-2)将输入RGB图像转换到Lab颜色空间：

其中，δ为预设值，X_n,Y_n,Z_n作为XYZ颜色空间中白点的参考值；

(3-3)根据输入图像尺寸初始化聚类种子点个数，公式如下：

其中，N_c为聚类种子点个数，W与H分别为图像的宽度和高度，ρ此处定义为种子点密度，取值范围为[0,min(W,H)]；

(3-4)将坐标为(ρ,ρ)的像素设置为第一个种子点，以ρ为步长，将其余种子点以棋盘格样式初始化在交叉点位置上，则种子点集合为{(x,y)|x＝c₁ρ,y＝c₂ρ},

将种子点作为初始化聚类中心，记为C_k＝[l_k,a_k,b_k,x_k,y_k]，k＝1,2,…,M_N，其中，l_k,a_k,b_k分别为图像在Lab空间下位置坐标为(x_k,y_k)处所对应像素点的L,a,b分量；

(3-5)在以种子点为中心，3×3为大小的邻域内，将种子点移动到Lab模型中L通道梯度最小的位置，以防其落到图像边缘上或者噪声处；

(3-6)图像像素聚类过程的具体方法如下：

(3-6-1)初始化每一个像素点i的标签数组值l(i)＝-1，距离数组d(i)＝∞，初始化最大迭代次数N_iter；

(3-6-2)以C_k为中心，2ρ×2ρ大小的区域内，对每一个像素i执行以下操作：计算像素i与聚类中心C_k的距离D；若D<d(i),则令d(i)＝D,l(i)＝k；

(3-6-3)判断是否遍历完所有聚类中心，若是，则继续；否则返回步骤(3-6-2)；

(3-6-4)更新所有聚类中心；

(3-6-5)判断是否达到最大迭代次数N_iter，若是，则结束；否则，返回步骤(3-6-2)；

(4)确定分割阈值，基于像素聚类对图像分割获得白癜风区域图像。

2.根据权利要求1所述的一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，在步骤(2)中，若有图像中有高光区域，则先进行高光抑制处理。

3.根据权利要求1所述的一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，步骤(3-6-2)中，像素i与像素j之间的距离D定义为空间距离与颜色距离的加权和：

其中，像素点i与像素点j的坐标分别为(x_i,y_i),(x_j,y_j),在Lab空间中像素值分别为(l_i,a_i,b_i),(l_j,a_j,b_j),D_s为两个像素点的空间距离，D_c为两个像素在Lab颜色空间中的距离，C_s,C_N分别为空间距离与颜色距离的归一化常项，采用上述方法计算像素i与聚类中心C_k的距离D。

4.根据权利要求3所述的一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，步骤(3-6-4)中，更新所有聚类中心方法如下：

其中，N_k是标签为k的像素个数。

5.根据权利要求4所述的一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，步骤(3-6)中的图像像素聚类后还包括如下方法：

(3-7-1)初始化label＝0,adjacent＝0，初始化空队列Q，初始化数组new_cluster，初始值全部设置为-1，令

初始化数组V，记图像所含像素点数为N_p，令i＝0；

(3-7-2)取步骤(3-6)后得到的标签数组l；

(3-7-3)若i<N_p，则继续下面步骤；反之，则结束；

(3-7-4)若new_cluster[i]＝＝-1,则令第i个像素进入队列Q，按照左-上-右-下顺序遍历像素i的四邻域像素点,即在图像尺寸范围内，与第i个像素相邻的上下左右四个像素点，记为i_t,t＝1,2,3,4，若new_clusters[i_t]≥0,则更新adjcent＝new_clusters[i_t]；

(3-7-5)令count＝1；

(3-7-6)令队列Q中队头像素出列，记为像素j，并将j保存到数组V；

(3-7-7)遍历j的四邻域的像素点,即在图像尺寸范围内，与像素j相邻的上下左右四个像素点，记为j_t,t＝1,2,3,4,若new_clusters[j_t]＝＝-1，且l[i]＝＝l[j_t],则令j_t进入队列,并且令new_cluster[j_t]＝label，count＝count+1；否则，进入(3-7-8)；

(3-7-8)若队列Q为空，则进入(3-7-9)；否则，返回步骤(3-7-6)；

(3-7-9)若count≤T_m,则遍历访问数组V中的点，记当前访问点为z,令new_cluster[z]＝adjacent,label＝label-1，遍历完成后，清空数组V；

(3-7-10)令label＝label+1；

(3-7-11)令i＝i+1,返回(3-7-3)；

(3-7-12)将上述得到的new_cluster作为为新的聚类标签数组，记重新聚类后的图像子区域有n个；

(3-7-13)使用如下公式重新计算聚类中心：

记为

中的

作为对其所代表区域内所有像素点的一个抽象特征表示。

6.根据权利要求5所述的一种基于像素聚类与分割阈值的白癜风区域分割方法，其特征在于，步骤(4)中，确定分割阈值，基于像素聚类对图像分割获得白癜风区域图像，方法如下：

(4-1)用光标对白癜风区域内的像素点进行随机抽样，记一共采样了N_s点，采样点为S_i,i＝1,2,…,N_s,则采样点的L,a,b分量分别为S_iL,S_ia,S_ib，则分割所需阈值T_low和T_high可通过如下规则确定：

(4-2)遍历所有像素聚类中心，若

则将此聚类中心标记为白斑皮损区域，否则标记为正常皮肤。

Images