[0074] S112：對初始像素塊組分布數(shù)組中的每個像素塊組進行灰度值分析，計算并累加 相鄰像素塊組之間的灰度差值，采用公式： [0075] ； [0076] 進行歸一化處理并衡量灰度變化，得到灰度差值累計數(shù)組； [0077] 其中， 代表第 個像素塊的灰度值， 代表鄰域的平均灰度值， 和 分 別代表最大和最小灰度值， 表示像素塊組中灰度變化的歸一化總和，表示總像素塊數(shù) 量； [0078] 公式的有益之處在于，通過將每個像素塊的灰度值與鄰域平均灰度值之間的差值 進行歸一化處理，可以有效衡量不同像素塊之間的灰度變化，這對于分析圖像的紋理和結(jié) 構(gòu)信息尤其重要，歸一化處理確保了無論原始圖像的亮度如何，計算結(jié)果都能反映實際的 灰度變化情況； [0079] 設(shè)定有一個像素塊組包含10個像素塊，每個像素塊的灰度值分別為{200，180， 220，210，230，240，260，250，240，230}，鄰域平均灰度值為225，最大和最小灰度值分別為 260和180，根據(jù)公式，首先計算每個像素塊的灰度值與平均灰度值之間的差的絕對值，然后除以灰度范圍（260?180=80），得到的結(jié)果為： [0080] ； [0081] 該結(jié)果表明，在這個像素塊組中，灰度變化的歸一化總和為4.375，這表明相比于 平均灰度，這個區(qū)域的灰度變化較大，是圖像中的一個特征區(qū)域，例如腫瘤區(qū)域或重要的醫(yī)學(xué)圖像特征。 [0082] S113：利用灰度差值累計數(shù)組中記錄的信息，分析像素塊組間的分布變化，根據(jù)灰度差的統(tǒng)計數(shù)據(jù)確定分布變化集合，得到多尺度灰度分布圖； [0083] 通過灰度差值累計數(shù)組記錄的灰度變化數(shù)據(jù)，分析每個像素塊組間的灰度差異， 此數(shù)組作為分析基礎(chǔ)，其中包含了每個像素塊與其鄰域的灰度值比較結(jié)果，通過數(shù)據(jù)可以 有效地識別圖像中的異質(zhì)區(qū)域，區(qū)域與病理變化有關(guān)，如腫瘤的生長區(qū)域，通過統(tǒng)計灰度差值，可以對圖像進行多尺度的灰度分布分析，生成多尺度灰度分布圖，這種圖可以展示圖像在不同尺度下的灰度分布情況，為醫(yī)生提供更多的信息。 [0084] 請參閱圖3，邊界分布特性數(shù)據(jù)的獲取步驟具體為： [0085] S211：分析多尺度灰度分布圖，根據(jù)像素塊的灰度梯度變化率與對比度變化進行 邊界區(qū)域提取，對比相鄰像素塊的灰度梯度差異，通過梯度差異閾值篩選高梯度區(qū)域，獲取初步邊界區(qū)域特性數(shù)據(jù)； [0086] 在分析多尺度灰度分布圖時，首先需要針對圖像數(shù)據(jù)進行預(yù)處理，包括降噪和對 比度增強，以便更清晰地識別不同像素塊之間的邊界，通過計算每個像素塊的灰度梯度變 化率，可以精確地確定圖像中的邊緣區(qū)域，區(qū)域顯示出高對比度的變化，邊界區(qū)域的提取是通過對比相鄰像素塊之間的灰度梯度差異進行的，設(shè)定一個灰度梯度差異閾值，當(dāng)相鄰像 素塊的灰度梯度差異大于此閾值時，將其識別為邊界像素，不僅提高了邊界檢測的準確性，而且也減少了假陽性的邊界識別，獲取初步邊界區(qū)域特性數(shù)據(jù)。 [0087] S212：從初步邊界區(qū)域特性數(shù)據(jù)中提取鄰域連接特征，采用公式： [0088] ； [0089] 分析每個像素對連接強度，并根據(jù)連接強度的統(tǒng)計分布設(shè)定閾值，生成鄰域內(nèi)局 部連接區(qū)域； [0090] 其中， 和 表示鄰域內(nèi)像素點的灰度值， 表示對應(yīng)像素 點的坐標， 表示鄰域像素集， 是微調(diào)因子， 表示像素間的連接權(quán)重； [0091] 公式的有益之處在于，允許基于像素間的實際物理距離和灰度值差異加權(quán)，進而 更精確地反映出圖像中的鄰域連接強度，這在邊界檢測和紋理分析中尤為重要，因為幫助 區(qū)分了僅在灰度上相鄰但在空間上不相關(guān)的像素點； [0092] 設(shè)定有一組鄰近像素點，其中像素p和像素q的灰度值分別為 和 ，坐標分別為 和 ，則公式中 的差值 ，距離的平方和為 取 防止除零錯誤，帶入公式 計算得 ，這表明像素p和像素q之間存在較強的連接關(guān)系； [0093] 該結(jié)果表明通過計算得到的連接權(quán)重 值接近20，這是一個較高的連接強度，表 明這對像素在視覺上具有較強的連接性，這有助于在生成鄰域內(nèi)局部連接區(qū)域時，更準確 地選擇出那些在空間和灰度上都顯著相關(guān)的像素點，從而提高圖像處理中邊界檢測的準確 性。 [0094] S213：利用鄰域內(nèi)局部連接區(qū)域，進行紋理特征分析，對比差異化邊界區(qū)域的紋理特征差異，評估邊界區(qū)域的完整性，得到邊界分布特性數(shù)據(jù)； [0095] 利用從鄰域內(nèi)局部連接區(qū)域中得到的數(shù)據(jù)，需要進行細致的紋理特征分析包括計 算每個區(qū)域的紋理方向性、均勻性和對比度，通過對比不同邊界區(qū)域的紋理特征，可以評估每個邊界區(qū)域的完整性和準確性，過程涉及到大量的像素點數(shù)據(jù)分析，包括計算各區(qū)域內(nèi) 像素點的灰度均值、方差以及高階統(tǒng)計特征，計算結(jié)果將為確定圖像中有效的邊界區(qū)域提 供科學(xué)依據(jù)，確保通過細節(jié)層面的紋理差異分析，精確捕捉圖像中的邊界信息，得到邊界分布特性數(shù)據(jù)，將直接影響圖像處理任務(wù)的成功率，如邊界檢測、圖像分割等。

空間分區(qū)劃定模塊基于所述區(qū)域拓展比例數(shù)據(jù)，分析區(qū)域內(nèi)的形態(tài)變化與空間分布特征，結(jié)合邊界的形態(tài)特征，識別差異化區(qū)域的空間分布模式，依據(jù)識別結(jié)果進行區(qū)域細化劃分，生成腫瘤區(qū)域分區(qū)識別特征數(shù)值表。