２００７年３月第期
３ＴＡＩＹＵ
ＡＮＳＣＩ－ＴＥＣＨ
图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程，是图像处理到图像分析的关键步骤。在医学领域中，图像分割常常用于病变区域提取，特定组织测量以及实现三维重建研究，因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。
１基于区域的分割方法
基于区域的分割方法是利用区域内的特征的相
似性把图像划分为一系列有意义的区域。
１．１阈值法
阈值法是一种最常用的并行区域技术，阈值是
用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。
阈值法的优点是计算简单、运算速度快，特别是不同物体或结构之间有较大的强度对比时，能够得到很好的分割效果，此分割方法通常是交互式的，由于阈值法能实现实时操作，所以它更易于建立在用户视觉估计的基础上。
阈值法的缺陷是：最简单形式的阈值法只能产
生二值图像来区分两个不同的类别。此外，阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布，这样其分割结果就对噪声很敏感。针对它的不足，一些学者提出了许多经典的算法，如局部阈值、模糊阈值，随机阈值等方法。阈值分割对于
ＣＴ图像的效果较好，但在选取阈值时需要用户依
经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意为止。Ｋｉｍ等用多次阈值分割法检测螺旋ＣＴ图像中的肺结性病变，共检测了
２４例病人的８２７张图像，检测结果灵敏度为９６％，
并且没有出现假阳性结果［１］。
１．２区域生长法
区域生长法是根据预先定义的标准，提取图像
中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。
区域生长法对面积不大的区域进行分割时，效果显著，如果对面积较大的区域进行分割，则计算速度就会减慢。另外，对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来，只能一次分割一个区域。
２基于边界的分割方法
基于边界的分割方法是利用不同区域间像素灰
度不连续的特点检测出区域间的边缘，从而实现图像分割。根据边缘检测方法的不同，通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。
２．１串行边缘检测法
串行边缘检测法首先要检测出一个边缘起始
点，然后根据某种相似性准则寻找与前一点同类的
边缘点，这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同，这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪３种。
图像分割技术在医学图像处理中的
应用研究
马春梅１，刘贵如２，王陆林３
文章编号：１００６－４８７７（２００７）０３－００６４－０２
收稿日期：２００７－０１－１９；修回日期：２００７－０２－１０
作者简介：马春梅（１９７８－），女，山西朔州人。２００５年９月就
读于山西大学，攻读硕士学位，助教。
（１．山西忻州师范学院数学系，山西
忻州
０３４０００；２．云南师范大学计算机科学与信息技术学院，云南
昆明６５００９２；
３．西南交通大学，四川
成都
６１００３１）
摘
要：图像分割是图像处理、图像分析的关键步骤，而医
学图像分割是图像分割的一个重要的应用领域，也是一个经典难题。从应用的特定角度，论述了医学图像处理中图像分割的几种算法，对近年来医学图像分割的新方法或改进算法进行了阐述，并简要介绍了每种算法的特点及应用。关键词：图像分割；医学图像处理；边缘检测中图分类号：ＴＰ３９１．４１
文献标识码：Ａ
应用技术
２．２并行边缘检测法
并行边缘检测方法可使每个像素点是否为边缘点的检测同时在每个像素上进行，因而可以大大加快搜索检测的时间。常用的并行检测算法有Ｒｏｂｅｒｔｓ梯度算子、Ｗｉｌｌｓ算子、Ｋｉｒｓｈ算子边缘检测等［２］。此外，还包括方向模板、统计模板的边缘检测方法，斜率差分、滑动平均梯度、纹理边缘、最佳曲面拟合等边缘检测算法［３－９］。由于边缘的成因复杂，加之图像的边缘在图像中表现为灰度的不连贯，因而边缘检测目前仍存在一定的困难，但其在医学图像几何分析中的意义将十分重大，还需要工程人员和医务人员的共同努力，使其广泛应用于影像医学。
３基于特定理论的方法
３．１模糊聚类法
模糊聚类法首先将像素灰度等性质映射到根据一定的规则分为几个区域的特征空间，然后根据像素的性质判定其所属的区域，并对此加以标记和进行分割。目前最常用的聚类方法是模糊Ｃ—均值算法（ＦＣＭ），它是一种基于模糊理论的图像分割方法，该法实际上是两次寻优的迭代过程，隶属函数的设计是整个模糊算法的关键所在，对初值的设置影响不大。由于医学图像本质上存在模糊性，因此聚类法更适合采用对图像不确定性有较好描述能力的模糊理论。Ｃｈｅｎ等就是运用一种基于Ｋ平均聚类算法和基于知识的形态学运算技术来对心脏ＣＴ图像进行自动分割的［３］。
３．２神经网络方法
神经网络方法分割图像的思想是用训练样本集对神经网络进行训练以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据，但这种方法需要大量的训练数据。神经网络存在巨大量的连接，容易引入空间信息，能彻底解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。
在医学图像分割中，一般先对原始图像进行特征提取，再对这些图像的特征进行映射来分割图像。由于医学图像大都具有内在的不确定性，恰当的引入模糊技术［１０］，可以有效地减少图像的内在不确定性对分割结果的影响，从而降低分割结果对噪声的敏感程度。神经网络和模糊及其他技术结合的研究也越来越多，出现了模糊神经网络、小波神经网络、混沌神经网络等一批新型混合神经网络［１０］，这些方法各具特点，将进一步推动医学图像分割技术的发展。
３．３小波变换方法
小波分析基本思想是利用一簇由基本小波函数系来逼近信号，在对信号进行二进制小波变换时，某点处的变换值随尺度参数变换的趋势可以体现出该点是否具有特异性及特异性的大小。对图像而言，这些特异点往往构成图像的边缘，因此可以选择适当的小波函数来提取图像的边缘。
用小波变换进行医学图像阈值分割的思想是建立一种小波多尺度几何活动的曲线模型，采用间隔采样的离散小波变换提取图像分割特征，在矢量量化聚类的基础上，通过增加马尔可夫随机场的限制条件，建立起小波空间内的分割统计模型。在多尺度分割方法下，跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。因此，如何组合跨尺度信息，恢复已丢失的空间分辨率是多尺度分割算法的难点。文献［８］中利用超声图像的不同区域的多尺度过零点表征随尺度的变化曲线函数，实现了医学超声图像的区域分割。３．４遗传算法
遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其基本思想是模拟由一些基因串控制的生物群体的进化过程，把该过程的原理应用到搜索算法中，以提高寻优的速度和质量。遗传算法擅长于全局搜索，由于局部搜索能力不强，所以常把遗传算法和其他算法结合起来应用。２０００年，Ｃｈｅｎ等把遗传算法应用到心脏超声波图像的分割中，以用来弥补主动轮廓法的缺陷，建立了一种自学习分割框架——
—Ｔａｇｕｃｈｉ逼近［９］，用该法对人工合成图像和真正的超声波图像进行了试验，并得到了很好的结果，其有效性已通过方差分析的验证。１９９９年，ＡｒａｒｅｒｈｕｌａＣｏｓｉ等利用ＧＡ的快速寻优能力进行前列腺的自动化识别工作［１０］，ＧＡ在这里所起的作用是快速分割出前列腺的边界，他们对２２例前列腺超声图像进行识别实验，得到了很好的结果，其平均误差是６．２ｍｍ。
４医学图像分割结果的评价
对于医学图像分割结果的评价，常用的评估方法有［３，４］：专家目测；体模验证；计算机化解剖图谱。（下转第６７页）
参考文献：
［１］李波．医学超声图像分割技术［Ｊ］．中国医学物理学杂志，２００５，７（４）：５７２．
［２］蔡宇隽，杜宇人．图像分割实用技术研究［Ｊ］．多媒体技术，２００５，４（１６）：６４．
［３］ＣｏｒｎｅｌｏｕｐＧ，ＭｏｙｓａｎＪ，ＭａｙｎｉｎＩＥ．ＢＳＣＡＮｉｍａｇｅｓｅｇｍｅ－ｎｔａｔｉｏｎｓｔａｂｌｅｓｔａｔｅ［Ｍ］．Ｐａｔｔｅｒｎ：Ｒｅｃｏｎｇｎｉｔｉｏｎ，２０００：２２１－２２２．［４］ＭａｃｈｉｎｅＶｉｓｉｏｎ，ＲａｍｅｓｈＪａｉｎ．ＲａｎｇａｃｈａｒＫａｓｔｕｒｉ．Ｓｃｈｕｎｃｋ［Ｍ］．北京：机械工业出版社，２００３：１７８－２１３．
［５］王宝彬．用遗传——
—神经网络方法进行图像分割的研究［Ｊ］．沈阳理工大学学报，２００５，９（３）：２７．［６］王姗姗．统计蛇模型及其在医学图像分割中的应用［Ｄ］．山东：青岛大学，２００５（５）：４０．
［７］罗永兴．面向医学应用的纹理图像分割方法研究［Ｄ］．河北：河北工业大学，２００４（３）：４３．
［８］毕英伟．医学超声图像新方法研究［Ｄ］．辽宁：大连理工大学，２００５（３）：２３．
［９］侯振杰．基于遗传算法的骨髓细胞图像分割方法研究［Ｊ］．安徽农业大学学报，２００５（４）：５５２．
［１０］耿军雪．遗传算法的最佳熵在图像分割中的应用［Ｊ］．西安工业学院学报，２００４（３）：９６．
（责任编辑赵娟）
测桩附近设置１个检测头；五是设置检查桩和检测头，检测桩是为了监测牺牲阳极装置的保护电位；检测头是为了检测、掌握阴极保护系统运行后管道被保护状态而设置。
４牺牲阳极的施工要求
１）阳极的埋设：按比例配制、调匀好填料，装入麻布袋，再将铁砂纸打光及表面清洁处理的阳极及时插入填料中心，并压实；包外用铁线缠绕绑实平卧或竖直埋设在管道侧边的２￣３ｍ处，埋深应与管道埋深相同，并在冰冻线以下用细原土掺盐分层浇水湿润后回填混凝土。
２）所有的电缆与阳极、铜鼻子、管道、加强板的连接采用锡焊（分线盒内的连接除外），焊接前要剥去防腐绝缘层进行清洁、打光；对焊接处及电缆的外裸部必须做好绝缘防腐处理；电缆加ＰＶＣ保护套管松缓自然埋设，埋深与管道埋深相同。
３）在防护罩内的电缆要有一个０．８ｍ的冗余长度（电缆冗余部分不加ＰＶＣ保护套管），以便将分线盒提出地面检测参数；分线盒的两个出入线孔用浸过沥青的麻丝填实，再用沥青填平做防水处理。
４）连接管道的电缆颜色应与其他电缆颜色区分开，以便辩认与检测。
５）分线盒在施工安装、检测完毕后，分线盒盖子须拧紧防水。
６）阳极的埋设点必须做永久性标志，永久性标志可以包括周围建筑物。
５结束语
总之，要维持地埋管道有效的防腐，就必须同时采取阴极保护，即联合保护。目前阴极保护不仅可使用于新管线的防护，也可应用于旧管线的改造和延寿。通过在氧化铝行业的推广，必将取得巨大的经济效益。（责任编辑王雅利）
ＴｈｅＡｐｐｌｉｃａｔｉｏｎｏｆＵｎｄｅｒｇｒｏｕｎｄＭｅｔａｌｌｉｃＰｉｐｅＣａｔｈｏｄｅＰｒｏｔｅｃｔｉｏｎＭｅｔｈｏｄｉｎｔｈｅ
ＶｏｃａｔｉｏｎｏｆＡｌｕｍｉｎａ
ＣｕｉＸｉａｏｈｕｉ
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｗｏｒｋｉｎｇｐｒｉｎｃｉｐｌｅｏｆｃａｔｈｏｄｅｐｒｏｔｅｃｔｉｏｎｉｎｕｎｄｅｒｇｒｏｕｎｄｍｅｔａｌｌｉｃｐｉｐｅ，ｅｘｐｏｕｎｄｓｔｈｅｅｓｓｅｎｔｉａｌｏｆｔｅｃｈｎｉｑｕｅａｎｄｃｏｎｓｔｒｕｃｔｅｄｍｅｔｈｏｄ．
Ｋｅｙｗｏｒｄｓ：ｕｎｄｅｒｇｒｏｕｎｄｍｅｔａｌｌｉｃｐｉｐｅ；ｃａｔｈｏｄｅｐｒｏｔｅｃｔｉｏｎｍｅｔｈｏｄ；ｓａｃｒｉｆｉｃｅｄａｎｔｉｃａｔｈｏｄｅｍｅｔｈｏｄ
ＳｔｕｄｙＭｅｔｈｏｄｓａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎｉｎＭｅｄｉｃａｌＩｍａｇｅ
ＭａＣｈｕｎｍｅｉ，ＬｉｕＧｕｉｒｕ，ＷａｎｇＬｕｌｉｎ
Ａｂｓｔｒａｃｔ：Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｓｏｎｅｏｆｋｅｙｓｔｅｐｓｉｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ，ｗｈｉｌｅＭｅｄｉｃａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ．Ｉｎｔｈｉｓａｒｔｉｃｌｅ，ａｒａｔｈｅｒｃｏｍｐｌｅｔｅｓｕｒｖｅｙｔｏｔｈｅｍｅｄｉｃａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓａｒｅｇｉｖｅｎ，ａｎｄｔｈｅｉｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｒｅｉｎｔｒｏｄｕｃｅｄ，ｅｓｐｅｃｉａｌｌｙｔｏｔｈｅｎｅｗｍｅｔｈｏｄｓｏｒｉｍｐｒｏｖｅｍｅｎｔｔｏｔｈｅｃｌａｓｓｉｃａｌｍｅｔｈｏｄｓｗｈｉｃｈｗａｓｐｕｔｆｏｒｗａｒｄｒｅｃｅｎｔｌｙ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ｍｅｄｉｃａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；ｅｄｇｅｄｅｔｅｃｔｉｏｎ
（上接第６５页）
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.doczj.com/doc/4714402702.html,
文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不
^ | You have to believe, there is a way. The ancients said:" the kingdom of heaven is trying to enter". Only when the reluctant step by step to go to it 's time, must be managed to get one step down, only have struggled to achieve it. -- Guo Ge Tech 医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明 曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的 准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。
医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像
图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)
医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展
过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-
文献综述 图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。 图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。 自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。 基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差
不断积累，且无法修正。 基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：○1基于统计模型的分割方法；○2基于神经网络的分割方法；○3基于形变模型的分割方法。 主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。 即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线Ｃ相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式——能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造
第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。
２００７年３月第期 ３ＴＡＩＹＵ ＡＮＳＣＩ－ＴＥＣＨ 图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程，是图像处理到图像分析的关键步骤。在医学领域中，图像分割常常用于病变区域提取，特定组织测量以及实现三维重建研究，因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。 １基于区域的分割方法 基于区域的分割方法是利用区域内的特征的相 似性把图像划分为一系列有意义的区域。 １．１阈值法 阈值法是一种最常用的并行区域技术，阈值是 用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。 阈值法的优点是计算简单、运算速度快，特别是不同物体或结构之间有较大的强度对比时，能够得到很好的分割效果，此分割方法通常是交互式的，由于阈值法能实现实时操作，所以它更易于建立在用户视觉估计的基础上。 阈值法的缺陷是：最简单形式的阈值法只能产 生二值图像来区分两个不同的类别。此外，阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布，这样其分割结果就对噪声很敏感。针对它的不足，一些学者提出了许多经典的算法，如局部阈值、模糊阈值，随机阈值等方法。阈值分割对于 ＣＴ图像的效果较好，但在选取阈值时需要用户依 经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意为止。Ｋｉｍ等用多次阈值分割法检测螺旋ＣＴ图像中的肺结性病变，共检测了 ２４例病人的８２７张图像，检测结果灵敏度为９６％， 并且没有出现假阳性结果［１］。 １．２区域生长法 区域生长法是根据预先定义的标准，提取图像 中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。 区域生长法对面积不大的区域进行分割时，效果显著，如果对面积较大的区域进行分割，则计算速度就会减慢。另外，对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来，只能一次分割一个区域。 ２基于边界的分割方法 基于边界的分割方法是利用不同区域间像素灰 度不连续的特点检测出区域间的边缘，从而实现图像分割。根据边缘检测方法的不同，通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。 ２．１串行边缘检测法 串行边缘检测法首先要检测出一个边缘起始 点，然后根据某种相似性准则寻找与前一点同类的 边缘点，这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同，这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪３种。 图像分割技术在医学图像处理中的 应用研究 马春梅１，刘贵如２，王陆林３ 文章编号：１００６－４８７７（２００７）０３－００６４－０２ 收稿日期：２００７－０１－１９；修回日期：２００７－０２－１０ 作者简介：马春梅（１９７８－），女，山西朔州人。２００５年９月就 读于山西大学，攻读硕士学位，助教。 （１．山西忻州师范学院数学系，山西 忻州 ０３４０００；２．云南师范大学计算机科学与信息技术学院，云南 昆明６５００９２； ３．西南交通大学，四川 成都 ６１００３１） 摘 要：图像分割是图像处理、图像分析的关键步骤，而医 学图像分割是图像分割的一个重要的应用领域，也是一个经典难题。从应用的特定角度，论述了医学图像处理中图像分割的几种算法，对近年来医学图像分割的新方法或改进算法进行了阐述，并简要介绍了每种算法的特点及应用。关键词：图像分割；医学图像处理；边缘检测中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 应用技术
医学图像分割综述 郭爱心 安徽大学 摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围
文献综述 电子信息工程 图像分割方法综述 摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。最后指出了图像分割的算法还有一些进一步优化的研究发展方向。 关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集 1.引言 对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。 一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。2、整体性。能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。4、稳定性，算法受噪声的影响性很小。 5、自动化，分割过程不需要人工的干预。但是让一种具体的图像分割方法全部满足上述特点是很难的，各种图像分割的方法都存在着必然的局限性，所以只能根据不同的适用领域和所要分割的图像区域特征来选择所对应的图像分割方法。 2．早期的图像分割方法 早期的图像分割方法，根据方法所利用的图像特征，分为边界法和区域法两类[4]。前者是根据
医学图像分割方法综述 随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签：图像分割；区域生长；聚类；水平集；图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下： 其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上
信息工程学院 毕业设计文献综述 姓名： 学号： 专业： 班级：
此栏为论文题目 作者姓名： （塔里木大学信息工程学院**系**班，电话号码） 摘要：在图像处理中，图像滤波起着重要作用。它可以有效地抑制（平滑）各种噪声、保持边缘信息，从而改善后续处理工作的质量（如提高图像分割精度等）。图像滤波的方法有很多，比如说中值滤波、均值滤波、高斯滤波、维纳滤波等，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，均值滤波是把每个像素都用周围的8个像素来做均值操作，高斯滤波实质上是一种信号的滤波器，其用途是信号的平滑处理，本文着重对中值滤波、均值滤波和高斯滤波进行分析，进一步了解它们的原理、特点、改进的算法及其应用。 关键词：图像；滤波；中值滤波；均值滤波；高斯滤波 一、引言 图像滤波就是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接受系统所需要的图像处理过程。[1]对图像滤波的要求是，既能滤除图像中的噪声又能保持图像的细节。[2]由于噪声和图像细节的混叠，所以在图像滤波中，图像的去噪与细节的保留往往是一对矛盾。 数字图像滤波技术是20世纪60年代发展起来的一门新兴学科，随着图像滤波理论和方法的进一步完善，[3]使得数字图像滤波技术在各个领域得到了广泛应用，并显示出广阔的应用前景。面对数字化时代的来临，图像滤波知识显得越来越重要，实际上图像滤波已经渗透到计算机、电子、地质、气象、医学等诸多领域。 二、正文 1、**的发展状况 图像滤波的发展大致经历了初创期、发展期、普及期和实用化期4个阶段。初创期开始于20世纪60年代，当时的图像采用像素型光栅进行少秒显示，大多采用中、大型机对其处理。[5]在这一时期，由于图像存储成本高、处理设备昂贵，其应用面很窄。进入20世纪70年代的发展期，开始大量采用中、小型机进行处理，图像处理也逐渐改用光栅扫描方式，特别是CT和卫星遥感图像的出现，
龙源期刊网 https://www.doczj.com/doc/4714402702.html, 医学图像分割综述 作者：王益东 来源：《健康必读（上旬刊）》2018年第04期 【摘要】医学图像分割是指在医学图像中，利用计算机视觉技术，根据区域内像素的相 似特性（纹理等）以及区域间的不同特性，将图像中感兴趣的区域（ROI）提取出来，获取有关人体组织器官的有效信息，反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展，医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着，详细分析了相关图像分割算法。最后，总结了医疗图像分割技术在目前面临的困难与挑战，并提出了展望。 【关键词】医学影像；图像分割 【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783（2018）04-0281-01 1 引言 近几年来，随着计算机视觉技术和磁共振成像技术（MRI）、正电子放射层析成像技术（PET）、计算机断层成像（CT）、单光子辐射断层摄像（SPECT）、超声（Ultrasound）等医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域，区域内保持一定的相似性，区域间有一定的相异性，从而提取出感兴趣的部分。 医学图像分割在临床诊断中发挥着重要作用，如： （1）生物医学图像分析：解剖结构的测量、心脏运动跟踪等。 （2）组织、器官定量分析：通过对人体器官或是病变器官容积的定量检测，为医生的临床诊断提供依据。 （3）医学图像3D重建：用于外科手术的仿真、药物治疗的评估等。 目前，医学图像分割技术的发展仍然面临一些困境，主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性，医学图像采集较为困难，图形容易受到组织运动等问题的影响，所采集的医学图像相交于普通图像而言，噪声较大。并且人体间存在个体差异，不同人体的组织和器官差异较大。因此，针对医学图像对图像分割技术进行研究，显得尤为重要。 2 医学图像分割算法
医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术： 图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自