本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域的一種基于元胞自動(dòng)機(jī)ca(cellularautomata)的結(jié)腸息肉圖像分割方法。本發(fā)明可用于對(duì)結(jié)腸鏡圖像中的息肉區(qū)域進(jìn)行分割，以便實(shí)現(xiàn)對(duì)息肉的分類，判斷息肉是否需要切除，進(jìn)而輔助醫(yī)生進(jìn)行結(jié)腸鏡檢查和診斷。
背景技術(shù)：
結(jié)直腸癌是全球第三大最常見(jiàn)的癌癥類型。預(yù)防結(jié)腸癌的關(guān)鍵是檢測(cè)結(jié)腸內(nèi)潛在的腺瘤性息肉。因此，在結(jié)腸鏡檢查中需要設(shè)法只去除結(jié)腸上的腺瘤性息肉而保留良性息肉。結(jié)腸鏡圖像中息肉區(qū)域的分割是判斷息肉類型的基本前提。分割的性能越好，分類的準(zhǔn)確性越高，更有利于輔助醫(yī)生進(jìn)行結(jié)腸鏡檢查和診斷。
目前，常用的結(jié)腸息肉圖像分割方法包括人工分割、半自動(dòng)分割與全自動(dòng)分割三種方式。人工分割雖然精確度高，但其不僅費(fèi)時(shí)費(fèi)力，而且分割結(jié)果很大程度上取決于醫(yī)生的經(jīng)驗(yàn)，一致性和可重復(fù)性差。半自動(dòng)分割方式允許人工交互式操作提供一些有用的信息，然后由計(jì)算機(jī)進(jìn)行分割處理。半自動(dòng)分割通常比較準(zhǔn)確，但仍在一定程度上受限于醫(yī)生的水平。全自動(dòng)分割完全利用計(jì)算機(jī)對(duì)圖像進(jìn)行分割，不僅能夠提高分割的效率，而且分割的準(zhǔn)確性更高。因此實(shí)現(xiàn)結(jié)腸息肉圖像分割的主要手段就是設(shè)計(jì)計(jì)算機(jī)可執(zhí)行的算法,進(jìn)行全自動(dòng)的分割。在結(jié)腸息肉圖像的全自動(dòng)分割算法中，基于知識(shí)的分割算法被廣泛接受。這類算法在分割時(shí)利用了對(duì)目標(biāo)的先驗(yàn)知識(shí)，包括專家定義的規(guī)則、理想目標(biāo)的形狀、外觀模型等高層次知識(shí)，適合于對(duì)具有特定屬性的具體病灶區(qū)域的分割。
重慶郵電大學(xué)在其申請(qǐng)的專利文獻(xiàn)“一種基于云模型和圖割相結(jié)合的醫(yī)學(xué)圖像分割方法”(申請(qǐng)?zhí)?01510808682.3，公開(kāi)號(hào)cn105389821a)中提出了一種基于云模型和圖割相結(jié)合的醫(yī)學(xué)圖像分割方法。該方法的主要實(shí)現(xiàn)步驟是：首先手動(dòng)標(biāo)注前景區(qū)域；然后對(duì)圖像進(jìn)行去噪處理；接著利用逆向云變換分別計(jì)算出圖像前景和背景的云特征值,利用x條件云發(fā)生器計(jì)算出每個(gè)像素對(duì)于前景和背景的隸屬度，并計(jì)算出數(shù)據(jù)項(xiàng)和光滑項(xiàng)；最后建立能量函數(shù)構(gòu)造相應(yīng)網(wǎng)絡(luò)圖，并用最大流/最小割算法實(shí)現(xiàn)醫(yī)學(xué)圖像分割。該方法存在的不足之處是，需要手動(dòng)標(biāo)注前景區(qū)域，分割操作在一定程度上依賴于操作者的經(jīng)驗(yàn)，可重復(fù)性差，執(zhí)行效率低。
seung-hwanbae等人在其發(fā)表的論文“polypdetectionviaimbalancedlearninganddiscriminativefeaturelearning”(ieeetransactionsonmedicalimaging34(2015)2379-2393)中提出了一種自動(dòng)檢測(cè)內(nèi)窺鏡圖像中息肉區(qū)域的方法。該方法的主要思想是對(duì)大量的訓(xùn)練數(shù)據(jù)進(jìn)行特征提取和特征學(xué)習(xí)，訓(xùn)練出一個(gè)檢測(cè)器，最后利用訓(xùn)練出的檢測(cè)器來(lái)檢測(cè)內(nèi)窺鏡圖像中的息肉區(qū)域。該方法存在的不足之處是，檢測(cè)器對(duì)內(nèi)窺鏡圖像中息肉區(qū)域與非息肉區(qū)域的顏色和紋理這些傳統(tǒng)特征比較敏感，而且檢測(cè)結(jié)果沒(méi)有準(zhǔn)確地描繪出內(nèi)窺鏡圖像中息肉區(qū)域的邊緣。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于元胞自動(dòng)機(jī)模型的結(jié)腸息肉圖像分割方法。
實(shí)現(xiàn)本發(fā)明目的的思路是，根據(jù)結(jié)腸息肉圖像中擬分割息肉區(qū)域的形狀近似橢圓的先驗(yàn)知識(shí)，在結(jié)腸息肉圖像的多層級(jí)區(qū)域樹(shù)中，選取與橢圓形狀最近似的區(qū)域，引導(dǎo)種子點(diǎn)的自動(dòng)標(biāo)記，使分割操作成為一個(gè)全自動(dòng)的過(guò)程，不再需要人工交互，構(gòu)建的元胞自動(dòng)機(jī)模型充分利用了結(jié)腸息肉圖像的局部信息，通過(guò)元胞之間的局部競(jìng)爭(zhēng)，實(shí)現(xiàn)對(duì)結(jié)腸息肉圖像的分割。
本發(fā)明實(shí)現(xiàn)的具體步驟包括如下：
(1)讀入一幅待處理的含有息肉的結(jié)腸鏡彩色圖像；
(2)修復(fù)含有息肉的結(jié)腸鏡彩色圖像中的高光區(qū)域：
(2a)利用雙閾值法，從含有息肉的結(jié)腸鏡彩色圖像中檢測(cè)高光區(qū)域；
(2b)利用基于樣本的圖像修復(fù)方法，對(duì)含有息肉的結(jié)腸鏡彩色圖像中的高光區(qū)域，進(jìn)行修復(fù)；
(3)初步檢測(cè)含有息肉的結(jié)腸鏡彩色圖像中的息肉區(qū)域：
(3a)利用gpb-owt-ucm算法，對(duì)修復(fù)后的含有息肉的結(jié)腸鏡彩色圖像進(jìn)行層級(jí)分割，得到多層級(jí)區(qū)域樹(shù)；
(3b)對(duì)多層級(jí)區(qū)域樹(shù)中的每一個(gè)區(qū)域進(jìn)行橢圓擬合操作，得到擬合橢圓；
(3c)計(jì)算多層級(jí)區(qū)域樹(shù)中每一個(gè)區(qū)域與其擬合橢圓的重疊度；
(3d)從多層級(jí)區(qū)域樹(shù)中的所有區(qū)域中選取重疊度最大的區(qū)域，作為初級(jí)息肉區(qū)域；
(4)在初級(jí)息肉區(qū)域上隨機(jī)選取5％的像素作為種子像素；
(5)構(gòu)建元胞自動(dòng)機(jī)模型：
(5a)按照從左到右、從上到下的順序，依次將含有息肉的結(jié)腸鏡彩色圖像中的每個(gè)像素映射為元胞自動(dòng)機(jī)模型中的每個(gè)元胞；
(5b)將摩爾鄰域作為元胞自動(dòng)機(jī)模型的鄰域；
(5c)將由標(biāo)號(hào)、力量、強(qiáng)度向量三個(gè)狀態(tài)分量組成的狀態(tài)，作為元胞自動(dòng)機(jī)模型中元胞的狀態(tài)；
(6)初始化元胞自動(dòng)機(jī)模型：
(6a)對(duì)元胞自動(dòng)機(jī)模型中每個(gè)種子元胞的狀態(tài)進(jìn)行初始化；
(6b)對(duì)元胞自動(dòng)機(jī)模型中每個(gè)非種子元胞的狀態(tài)進(jìn)行初始化：
(7)對(duì)修復(fù)后的含有息肉的結(jié)腸鏡彩色圖像進(jìn)行分割：
(7a)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞屬于擬分割息肉區(qū)域的概率：
其中，μ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于擬分割息肉區(qū)域的概率，h表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞在多層級(jí)區(qū)域樹(shù)中所屬的區(qū)域，k表示初級(jí)息肉區(qū)域，d表示h與k取并操作后的區(qū)域的擬合橢圓；
(7b)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞屬于非擬分割息肉區(qū)域的概率：
δ(p)＝1-μ(p)
其中，δ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于非擬分割息肉區(qū)域的概率，μ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于擬分割息肉區(qū)域的概率；
(7c)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的模糊力量：
其中，
(7d)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的每個(gè)鄰居元胞的模糊標(biāo)號(hào)：
其中，
(7e)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的每個(gè)鄰居元胞的攻擊力量：
其中，
(7f)按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞被其每個(gè)鄰居元胞攻擊的結(jié)果：
其中，r表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞被其第q個(gè)鄰居元胞攻擊的結(jié)果，
(7g)將元胞自動(dòng)機(jī)模型中滿足r＞0的每個(gè)元胞中，第t時(shí)刻的模糊標(biāo)號(hào)賦值為第t+1時(shí)刻的標(biāo)號(hào)，將第t時(shí)刻的攻擊力量賦值為其第t+1時(shí)刻的力量；
(7h)將元胞自動(dòng)機(jī)模型中不滿足r＞0的每個(gè)元胞中，第t時(shí)刻的標(biāo)號(hào)賦值為第t+1時(shí)刻的標(biāo)號(hào)，將第t時(shí)刻的力量賦值為第t+1時(shí)刻的力量；
(7i)判斷元胞自動(dòng)機(jī)模型中是否存在r＞0的元胞，若是，則將時(shí)刻t加1后執(zhí)行步驟(7c)，否則，執(zhí)行步驟(8)；
(8)輸出分割后的圖像。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：
第一，本發(fā)明利用結(jié)腸息肉圖像中擬分割息肉區(qū)域的形狀近似橢圓的先驗(yàn)知識(shí)，結(jié)合結(jié)腸息肉圖像的多層級(jí)區(qū)域樹(shù),獲得初級(jí)息肉區(qū)域，在初級(jí)息肉區(qū)域上隨機(jī)選取5％的種子像素，自動(dòng)標(biāo)注前景區(qū)域，克服了現(xiàn)有技術(shù)需要手動(dòng)標(biāo)注前景區(qū)域，分割操作在一定程度上依賴于操作者的經(jīng)驗(yàn)，可重復(fù)性差，執(zhí)行效率低的缺點(diǎn)，使得本發(fā)明提高了分割效率和可重復(fù)性。
第二，本發(fā)明利用元胞自動(dòng)機(jī)對(duì)結(jié)腸息肉圖像分割任務(wù)進(jìn)行建模，將摩爾鄰域作為元胞自動(dòng)機(jī)模型的鄰域，充分利用結(jié)腸息肉圖像的局部信息，克服了現(xiàn)有技術(shù)沒(méi)有準(zhǔn)確地描繪出結(jié)腸息肉圖像中息肉區(qū)域的邊緣的缺點(diǎn)，使得本發(fā)明能夠得到更加準(zhǔn)確的分割結(jié)果。
第三，本發(fā)明利用元胞自動(dòng)機(jī)對(duì)結(jié)腸息肉圖像分割任務(wù)進(jìn)行建模，元胞自動(dòng)機(jī)模型中的分割規(guī)則不僅利用了結(jié)腸息肉圖像的顏色特征，而且還利用了結(jié)腸息肉圖像的形狀特征，克服了現(xiàn)有技術(shù)對(duì)顏色傳統(tǒng)特征比較敏感的缺點(diǎn)，使得本發(fā)明具有更高的魯棒性。
附圖說(shuō)明
圖1是本發(fā)明的流程圖。
具體實(shí)施方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的描述。
參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下。
步驟1，讀入一幅待處理的含有息肉的結(jié)腸鏡彩色圖像。
步驟2，修復(fù)含有息肉的結(jié)腸鏡彩色圖像中的高光區(qū)域。
利用雙閾值法，從含有息肉的結(jié)腸鏡彩色圖像中檢測(cè)高光區(qū)域。
所述雙閾值法的具體步驟如下：
第1步，按照下式，將輸入的含有息肉的結(jié)腸鏡彩色圖像，從紅綠藍(lán)rgb顏色空間轉(zhuǎn)換到明度飽和度色調(diào)hsv顏色空間：
v←max(r,g,b)
其中，v表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的明度分量，←表示賦值操作，max表示求最大值操作，r表示輸入的含有息肉的結(jié)腸鏡彩色圖像在rgb顏色空間上的紅色分量，g表示輸入的含有息肉的結(jié)腸鏡彩色圖像在rgb顏色空間上的綠色分量，b表示輸入的含有息肉的結(jié)腸鏡彩色圖像在rgb顏色空間上的藍(lán)色分量，s表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的飽和度分量，min表示求最小值操作，otherwise表示條件的補(bǔ)集，h表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的色調(diào)分量，and表示對(duì)條件取交操作。
第2步，按照下式，對(duì)輸入的含有息肉的結(jié)腸鏡彩色圖像中的每個(gè)像素進(jìn)行高閾值處理，得到高閾值處理后的二值圖像：
其中，f(x)表示對(duì)輸入的含有息肉的結(jié)腸鏡彩色圖像中第x個(gè)像素進(jìn)行高閾值處理后的二值圖像，s表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的飽和度分量，and表示對(duì)條件取交操作，v表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的明度分量，otherwise表示條件的補(bǔ)集。
第3步，用半徑為5個(gè)像素的圓盤形結(jié)構(gòu)元素，對(duì)高閾值處理后的二值圖像進(jìn)行膨脹操作，得到膨脹后的二值圖像。
第4步，按照下式，對(duì)輸入的含有息肉的結(jié)腸鏡彩色圖像中的每個(gè)像素進(jìn)行低閾值處理，得到低閾值處理后的二值圖像：
其中，f′(y)表示對(duì)輸入的含有息肉的結(jié)腸鏡彩色圖像中第y個(gè)像素進(jìn)行低閾值處理后的二值圖像，s表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的飽和度分量，and表示對(duì)條件取交操作，v表示輸入的含有息肉的結(jié)腸鏡彩色圖像在hsv顏色空間上的明度分量，otherwise表示條件的補(bǔ)集。
第5步，將能使膨脹后的二值圖像中的兩個(gè)不連通的區(qū)域變?yōu)檫B通，且值為1的像素稱為高像素，將膨脹后的二值圖像中與低閾值處理后的二值圖像中的高像素位置相同的像素的值置為1，得到雙閾值處理后的二值圖像，將雙閾值處理后的二值圖像中值為1的像素組成高光區(qū)域。
利用基于樣本的圖像修復(fù)方法，對(duì)含有息肉的結(jié)腸鏡彩色圖像中的高光區(qū)域，進(jìn)行修復(fù)。
所述基于樣本的圖像修復(fù)方法的具體步驟如下：
第1步，將輸入的含有息肉的結(jié)腸鏡彩色圖像中的高光區(qū)域作為目標(biāo)區(qū)域，將位于目標(biāo)區(qū)域邊緣上所有的像素點(diǎn)組成邊緣像素點(diǎn)集合，從輸入的含有息肉的結(jié)腸鏡彩色圖像中去除目標(biāo)區(qū)域，得到源區(qū)域。
第2步，依次以邊緣像素點(diǎn)集合中的每個(gè)像素點(diǎn)為中心，在輸入的含有息肉的結(jié)腸鏡彩色圖像上選取邊長(zhǎng)為9個(gè)像素的正方形結(jié)構(gòu)，得到待填充塊集合。
第3步，按照下式，計(jì)算待填充塊集合中每個(gè)待填充塊的信任值：
其中，b(ψ)表示待填充塊集合中第ψ個(gè)待填充塊的信任值，∑表示求和操作，q表示疊加塊v上的第q個(gè)像素，
第4步，按照下式，計(jì)算待填充塊集合中每個(gè)待填充塊的數(shù)據(jù)值：
其中，d(ψ)表示待填充塊集合中第ψ個(gè)待填充塊的數(shù)據(jù)值，iψ表示待填充塊集合中第ψ個(gè)待填充塊的中心像素的等照度線，·表示點(diǎn)乘操作，nψ表示待填充塊集合中第ψ個(gè)待填充塊的中心像素在目標(biāo)區(qū)域邊緣上的單位法向量，α表示圖像標(biāo)準(zhǔn)化因子，α取值為255。
第5步，按照下式，計(jì)算待填充塊集合中每個(gè)待填充塊的優(yōu)先級(jí)：
p(ψ)＝b(ψ)d(ψ)
其中，p(ψ)表示待填充塊集合中第ψ個(gè)待填充塊的優(yōu)先級(jí)，b(ψ)表示待填充塊集合中第ψ個(gè)待填充塊的信任值，d(ψ)表示待填充塊集合中第ψ個(gè)待填充塊的數(shù)據(jù)值。
第6步，從待填充塊集合中選出優(yōu)先級(jí)最大的待填充塊，得到優(yōu)先待填充塊；
第7步，將與優(yōu)先待填充塊距離最小的塊，作為優(yōu)先待填充塊的最佳匹配塊，在源區(qū)域上查找優(yōu)先待填充塊的最佳匹配塊；
第8步，將優(yōu)先待填充塊的最佳匹配塊復(fù)制到優(yōu)先待填充塊；
第9步，從目標(biāo)區(qū)域中去掉優(yōu)先待填充塊；
第10步，判斷目標(biāo)區(qū)域是否為空，若是，則執(zhí)行本步驟的第1步，否則，得到高光區(qū)域修復(fù)后的圖像。
步驟3，初步檢測(cè)含有息肉的結(jié)腸鏡彩色圖像中的息肉區(qū)域。
利用gpb-owt-ucm算法，對(duì)修復(fù)后的含有息肉的結(jié)腸鏡彩色圖像進(jìn)行層級(jí)分割，得到多層級(jí)區(qū)域樹(shù)。
所述gpb-owt-ucm算法的具體步驟如下：
第1步，對(duì)含有息肉的結(jié)腸鏡彩色圖像進(jìn)行特征分解操作，得到明度通道、顏色a通道、顏色b通道和紋理通道。
第2步，按照下式，計(jì)算含有息肉的結(jié)腸鏡彩色圖像中每個(gè)像素的邊界局部信號(hào)，得到邊界局部信號(hào)矩陣：
其中，mpb(z)表示對(duì)含有息肉的結(jié)腸鏡彩色圖像中第z個(gè)像素計(jì)算邊界局部信號(hào)后，由所有像素的邊界局部信號(hào)組成的邊界局部信號(hào)矩陣，max{·}表示取最大值操作，σ表示求和操作，s表示尺度值，i表示特征通道，αi,s表示直方圖權(quán)重，
第3步，按照下式，計(jì)算每一個(gè)元素的稀疏值，由所有稀疏值組成稀疏對(duì)稱相似矩陣：
其中，wi,j表示稀疏對(duì)稱相似矩陣中第i行第j列的元素的稀疏值，0≤i＜m，0≤j＜n，m表示含有息肉的結(jié)腸鏡彩色圖像的長(zhǎng)度，n表示含有息肉的結(jié)腸鏡彩色圖像的寬度，max{·}表示取最大值操作，exp表示以自然常數(shù)e為底的指數(shù)操作，a表示含有息肉的結(jié)腸鏡彩色圖像中第m個(gè)像素與第n個(gè)像素相連的直線l(u,v)上的任意一點(diǎn)，∈表示屬于符號(hào)，u的取值與i相等，v的取值與j相等，mpb(z)表示對(duì)含有息肉的結(jié)腸鏡彩色圖像中第z個(gè)像素計(jì)算邊界局部信號(hào)后，由所有像素的邊界局部信號(hào)組成的邊界局部信號(hào)矩陣，ρ為0.1的常數(shù)。
第4步，按照下式，計(jì)算每個(gè)元素的邊界全局信號(hào)，將所有元素的邊界全局信號(hào)組成邊界全局信號(hào)矩陣：
其中，spb(z)表示對(duì)含有息肉的結(jié)腸鏡彩色圖像中第z個(gè)像素計(jì)算邊界全局信號(hào)后，由所有像素的邊界全局信號(hào)組成的邊界全局信號(hào)矩陣，n取值為16，
第5步，按照下式，計(jì)算含有息肉的結(jié)腸鏡彩色圖像中每個(gè)像素的邊界概率，得到邊界概率矩陣：
其中，gpb(z)表示對(duì)含有息肉的結(jié)腸鏡彩色圖像中第z個(gè)像素計(jì)算邊界概率后，由所有像素的邊界概率組成的邊界概率矩陣，β表示邊界局部信號(hào)權(quán)重，mpb(z)表示邊界局部信號(hào)矩陣，γ表示邊界全局信號(hào)權(quán)重，spb(z)表示邊界全局信號(hào)矩陣；
第6步，對(duì)邊界概率矩陣做方向分水嶺變換，得到最大細(xì)節(jié)圖像。
第7步，按照下式，將最大細(xì)節(jié)圖像映射到圖數(shù)據(jù)結(jié)構(gòu)：
g＝(r,e,w)
其中，g表示由最大細(xì)節(jié)圖像映射得到的圖數(shù)據(jù)結(jié)構(gòu)，r表示最大細(xì)節(jié)圖像中所有區(qū)域的集合，e表示最大細(xì)節(jié)圖像中所有邊緣的集合，w表示邊緣度。
第8步，按照邊緣度從小到大的順序，依次將圖數(shù)據(jù)結(jié)構(gòu)中的每個(gè)邊緣去除，每次去除操作產(chǎn)生一個(gè)層級(jí)區(qū)域，當(dāng)圖數(shù)據(jù)結(jié)構(gòu)中的所有邊緣都被去除時(shí)，得到多層級(jí)區(qū)域樹(shù)。
對(duì)多層級(jí)區(qū)域樹(shù)中的每一個(gè)區(qū)域進(jìn)行橢圓擬合操作，得到擬合橢圓。
計(jì)算多層級(jí)區(qū)域樹(shù)中每一個(gè)區(qū)域與其擬合橢圓的重疊度。
所述的多層級(jí)區(qū)域樹(shù)中每一個(gè)區(qū)域與其擬合橢圓的重疊度是按照下式計(jì)算的：
其中，f(a,b)表示多層次區(qū)域樹(shù)中的區(qū)域a與擬合橢圓b的重疊度，|·|表示取絕對(duì)值操作，∩表示交操作，∪表示并操作。
從多層級(jí)區(qū)域樹(shù)中的所有區(qū)域中選取重疊度最大的區(qū)域，作為初級(jí)息肉區(qū)域。
步驟4，在初級(jí)息肉區(qū)域上隨機(jī)選取5％的像素作為種子像素。
步驟5，構(gòu)建元胞自動(dòng)機(jī)模型：
按照從左到右、從上到下的順序，依次將含有息肉的結(jié)腸鏡彩色圖像中的每個(gè)像素映射為元胞自動(dòng)機(jī)模型中的每個(gè)元胞。
將摩爾鄰域作為元胞自動(dòng)機(jī)模型的鄰域。
將由標(biāo)號(hào)、力量、強(qiáng)度向量三個(gè)狀態(tài)分量組成的狀態(tài)，作為元胞自動(dòng)機(jī)模型中元胞的狀態(tài)。
步驟6，初始化元胞自動(dòng)機(jī)模型。
對(duì)元胞自動(dòng)機(jī)模型中每個(gè)種子元胞的狀態(tài)進(jìn)行初始化。
所述的對(duì)元胞自動(dòng)機(jī)模型中每個(gè)種子元胞狀態(tài)的初始化是按照下式操作的：
lo＝1,θo＝1,co＝rgbo
其中，lo表示元胞自動(dòng)機(jī)模型中第o個(gè)元胞的標(biāo)號(hào)；θo表示元胞自動(dòng)機(jī)模型中第o個(gè)元胞的力量，θo的取值范圍是[0,1]上的所有實(shí)數(shù)，co表示元胞自動(dòng)機(jī)模型中第o個(gè)元胞的強(qiáng)度向量，rgbo表示由含有息肉的結(jié)腸鏡彩色圖像中第o個(gè)像素的紅色分量r、綠色分量g、藍(lán)色分量b組成的向量。
對(duì)元胞自動(dòng)機(jī)模型中每個(gè)非種子元胞的狀態(tài)進(jìn)行初始化。
所述的對(duì)元胞自動(dòng)機(jī)模型中每個(gè)非種子元胞狀態(tài)的初始化是按照下式操作的：
lb＝0,θb＝0,cb＝rgbb
其中，lb表示元胞自動(dòng)機(jī)模型中第b個(gè)元胞的標(biāo)號(hào)；θb表示元胞自動(dòng)機(jī)模型中第b個(gè)元胞的力量，θb的取值范圍是[0,1]上的所有實(shí)數(shù)，cb表示元胞自動(dòng)機(jī)模型中第b個(gè)元胞的強(qiáng)度向量，rgbb表示由含有息肉的結(jié)腸鏡彩色圖像中第b個(gè)像素的紅色分量r、綠色分量g、藍(lán)色分量b組成的向量。
步驟7，對(duì)修復(fù)后的含有息肉的結(jié)腸鏡彩色圖像進(jìn)行分割。
第1步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞屬于擬分割息肉區(qū)域的概率：
其中，μ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于擬分割息肉區(qū)域的概率，h表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞在多層級(jí)區(qū)域樹(shù)中所屬的區(qū)域，k表示初級(jí)息肉區(qū)域，d表示h與k取并操作后的區(qū)域的擬合橢圓。
第2步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞屬于非擬分割息肉區(qū)域的概率：
δ(p)＝1-μ(p)
其中，δ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于非擬分割息肉區(qū)域的概率，μ(p)表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞屬于擬分割息肉區(qū)域的概率。
第3步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的模糊力量：
其中，
第4步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的每個(gè)鄰居元胞的模糊標(biāo)號(hào)：
其中，
第5步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞的每個(gè)鄰居元胞的攻擊力量：
其中，
第6步，按照下式，計(jì)算元胞自動(dòng)機(jī)模型中每個(gè)元胞被其每個(gè)鄰居元胞攻擊的結(jié)果：
其中，r表示元胞自動(dòng)機(jī)模型中第p個(gè)元胞被其第q個(gè)鄰居元胞攻擊的結(jié)果，
第7步，將元胞自動(dòng)機(jī)模型中滿足r＞0的每個(gè)元胞中，第t時(shí)刻的模糊標(biāo)號(hào)賦值為第t+1時(shí)刻的標(biāo)號(hào)，將第t時(shí)刻的攻擊力量賦值為其第t+1時(shí)刻的力量。
第8步，將元胞自動(dòng)機(jī)模型中不滿足r＞0的每個(gè)元胞中，第t時(shí)刻的標(biāo)號(hào)賦值為第t+1時(shí)刻的標(biāo)號(hào)，將第t時(shí)刻的力量賦值為第t+1時(shí)刻的力量。
第9步，判斷元胞自動(dòng)機(jī)模型中是否存在r＞0的元胞，若是，則將時(shí)刻t加1后執(zhí)行本步驟的第3步，否則，執(zhí)行步驟8。
步驟8，輸出分割后的圖像。