2024年5月11日发(作者：)

基于Image Segmenter的图像分割

有的乳腺肿瘤超声图像由于各种原因可能会存在肿瘤部位与正常组织部位的灰

度值相差无几的情况，此时区域生长法就不再适合了。为了能够更加精准地分割出此

类肿瘤的部位，使用Matlab自带的Image Segmenter就能够很好的将病灶部位分割出

来。在另一方面，因为本文的乳腺肿瘤超声图像并不是大量的，工作量不是很大且分

割成果较好，故采取Image Segmenter（以下简称IS）进行分割。分割流程图如图3.5

所示。

图3.5 IS分割流程图

对于IS对图像进行分割，好处就是可以不用对图像进行预处理，可以直接对文

件区所保存的图像进行分割，但也可以通过对工作区原本就存在的图像或预处理过对

图像进行分割，分割步骤如下：首先在工作区加载出原图像或者预处理好后的图像，

然后直接点击图割进行图像分割。进入图像分割页面，将前景（病灶部位）与背景（正

常组织）标记出来，由于单独一点标记会由于灰度分布不均性会分割不准确，所以采

取线段式（或环形式）标记前景与背景。此类标记也是基于病灶已知的条件下，在慢

慢改动前景与背景的标记，同时可以根据子区域（前景）密度的调整来精确化病灶部

位。在标记完成后便可以开始创建掩膜了。由于标记后的图像边缘可能会存在着细小

的病灶未被包含进前景，故此时可以通过绘制ROI的方法进行填充，在这里直接用

手绘ROI形状就可以，手绘比较自由，能够把不需要的背景排除在外。在绘制好后，

点击应用，初步的图像分割就完成了。当然，此方法也会存在边缘有毛刺或不平整、

未全包完病灶或过包含病灶的现象，所以也需要进行形态学的处理。关闭ROI后点

击形态学，此时可以根据图像特点，进行膨胀掩膜、腐蚀掩膜、掩膜开运算或掩膜闭

运算，直到掩膜图像跟病灶部位几乎重合，则分割完成。最后关闭形态学处理，然后

导出图像到工作区，IS最终分割完成。如图3.6所示。

(a) (b)

(c) (d)

图3.6 IS分割 (a)良性乳腺肿瘤；(b)分割结果；(c)恶性乳腺肿瘤；(d)分割结果

从以上分割图像可以看出IS分割的优点是能将灰度值很接近的病灶和正常组织

更好的分割开来，对于图像处理编程要求也不高。但同时，IS的对图像处理步骤繁

杂，所花费的时间更多，对于处理大量的图像便不适合了，所以本文是利用了区域生

长法与IS分割两种方法结合进行图像的分割，既能处理灰度值接近的图像，也能处

理较多的图像。

3.2 基于GLCM的纹理特征提取

医学超声成像技术所成的图像的光点及其灰度分布不均匀等情况，会使超声图像

在显示器上出现不同的纹理，相反的，每副图像的纹理不同也就会其各自的的灰度值

分布情况。在1973年，Haralick等人就提出了基于灰度共生矩阵（GLCM）的纹理特

征提取方法

[17]

。GLCM是用图像纹理中灰度级的相互联系，根据图像像素的距离和

方向，计算图像灰度分布的二阶统计量，从而得到图像的纹理特征。在灰度级为L

的图像中，统计与灰度级为i的像素点（x1, y1）间离为d，方向为θ的灰度级为j的

像素点（x2, y2）的概率值p(i,j,d,θ)

[18]

。公式为：

p(i,j,d,θ)=#{(x

1

,y

1

),(x

2

,y

2

)|f(x

1

,y

1

)=i,f(x

2

,y

2

)=j,d,θ} (3.1)

其中，#表示元素的数目，(x,y)表示图像中的像素点，f(x,y)表示该像素点的灰度值信

息。本文根据GLCM产生的对比度、同质性、相关性、能量、熵对图像进行计算。

对比度，指的是图像纹理的清晰度和沟纹深浅度，公式为：

L−1L−1

CON=∑∑(i−j)

2

p(i,j,d,θ) (3.2)

i=0j=0

同质性，指的是图像纹理的平滑度，公式为：

L−1L−1

ID=∑∑

i=0j=0

p(i,j,d,θ)

(3.3)

1+(i−j)

2

能量，指的是图像纹理灰度分布的均匀性和纹理的粗细，公式为：

L−1L−1

EN=∑∑[p(i,j,d,θ)]

2

(3.4)

i=0j=0

熵，指的是图像纹理的均匀度和复杂度，公式为：

L−1L−1

ET=∑∑p(i,j,d,θ)logp(i,j,d,θ) (3.5)

i=0j=0

相关性，指的是图像的像素点灰度值在行或列之间的相似程度，公式为：

COR=

L−1

∑

L−1

i=0

∑

j=0

ijp(i,j,d,θ)−μ

x

μ

y

σ

x

σ

y

(3.6)

其中，μ和σ分别是灰度平均值和方差。

由于Matlab本身便带有灰度共生矩阵的函数，本文选取了各7幅正常与形成肿

瘤的乳腺超声图像，并将直接利用此函数分别计算正常与形成肿瘤的乳腺特征。首先

用graycomatrix函数得到图像的灰度共生矩阵，然后再利用graycoprops获取图像在

四个方向上（0°，45°，90°，135°）上的各个特征参数值（Contrast，Homogeneity，

Correlation，Energy），最后对四个方向上取均值。对于熵值的计算，可以直接使用

Matlab的entropy函数去直接计算图像的熵。当然，也可以利用公式计算，但是公式

计算会便复杂一点，本文也利用公式进行了计算，所得的结果与利用函数计算的结果

相同。

3.3 基于形态的特征提取

对于乳腺超声图像来说，良性与恶性的病灶部位会存在不同的形状特征。正如前

面所说，良性和恶性的形状是存在着较大的差别的。所以本文用的第二个方法便是基

于形态的特征提取，包括周长、面积、紧密度、近圆率、纵横比的特征提取。

本文的周长和面积是单单对于病灶部位的计算，首先利用Matlab自带的bwlabel

函数来找到图像所需要求周长和面积的边界。边界的寻找可以用4连通或者8连通，

而前面对图像分割后的用的二值化图像，所以本文用4连通就可寻找轻易地寻找到图

像的边界。4连通是指某个像素点与其上、下、左或者右四个方向上均表示连接的，

而bwlabel就能够通过此方法找到二值化图像的连通边界域，边界找到后再用

boundaries函数描出边界就可以得到病灶区域。通过bwlabel得到边界信息后，再用