文章预览已结束
获取全文请访问
https://www.doczj.com/doc/6811663339.html,/article/02-2015-06-060.html
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
《数字医学图像》报告 内容：图像配准专题 专业： 2012级信息管理与信息系统班级：信管一班 小组成员： 20120701020 韩望欣 20120701008 毕卓帅 20120701005 胡庆 指导老师：彭瑜 完成日期： 2015 年 10月 25日
图像配准专题 简介：图像配准是对取自不同时间，不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。图像配准广泛用于多模态图像分析，是医学图像处理的一个重要分支，也是遥感图像处理，目标识别，图像重建，机器人视觉等领域中的关键技术之一，也是图像融合中要预处理的问题，待融合图像之间往往存在偏移、旋转、比例等空间变换关系，图像配准就是将这些图像变换到同一坐标系下，以供融合使用。 一：图像配准方法国内外进展情况 图像配准最早在美国七十年代的飞行器辅助导航系统、武器投射系统的末端制导以及寻地等应用研究中提出,并得到军方的大力支持与赞助。经过长达二十多年的研究,最终成功地用于中程导弹及战斧式巡航导弹上,使其弹着点平均圆误差半径不超过十几米,从而大大提高了导弹的命中率。八十年代后,在很多领域都有大量配准技术的应用,如遥感领域,模式识别,自动导航,医学诊断,计算机视觉等。各个领域的配准技术都是对各自具体的应用背景结合实际情况量身订制的技术。但是不同领域的配准技术之间在理论方法上又具有很大的相似性,从而使得在某领域的配准技术很容易移植到其它相关领域。目前国内外研究图像配准技术比较多的应用领域有红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。 二、图像配准在医学领域的应用 20世纪以来随着计算机技术的不断发展,医学成像技术得到了快速的发展。尖端的新型医疗影像设备层出不穷,如计算机线摄影、数字减影等等,这些已经成为现代医学诊断必不可少的医学数字成像手段。由于这些医学数字成像设备有不同的灵敏度和分辨率,它们有各自的使用范围和局限性。多种模式图像的结合能充分利用图像自身的特点并做到信息互补。近几十年以来,图像配准在医学上的应用日益受到医学界和工程界的重视,己在世界范围广泛展开,在相关文献中己经提出了很多种医学图像配准的方法,这些研究成果广泛地运用到医学领域中。图像配准在医学中的应用领域主要有以下几方面: ?组织切片图像的处理与显微结构三维重建 ?疾病诊断及其发展和消退的过程检测 ?神经外科手术可视化、神经外科手术一计划及术前评估 ?感觉运动和认知过程的神经功能解剖学研究 ?神经解剖变异性的形态测量分析学 ?放射治疗和立体定向放射外科治疗计划 三、图像配准的定义 对于二维图像配准可定义为两幅图像在空间和灰度上的映射，如果给定尺寸的二维矩阵F 1和F2代表两幅图像F1（X，Y）和F2（X，Y）分别表示相应位置（X，Y）上的灰度值。则图像间的映射可表示为：F （X，Y）=G（F （H（X，Y））），式中H表示一个二维空间坐标变换，即（X’，Y’）=H（X，Y），且G是一维灰度变换。 四、图像配准方法的分类 1、维数 主要是根据待配准图像的空间维数及时间维数来划分的。图像仅含空间维数或者是图像的时间序列中带有空间数，其配准可根据图像的空间维数分2D/2D，2D/3D，3D/3D，4D/4D
医学影像工作原理及图像获取方式 2.2医学超声影像工作原理 超声是指高于人耳听觉范围的声波，通常是指频率高于20 kHz的高频振动机检波，应用于医学诊断的超声频率一般在1MHz至几十MHz之间。自1958年商用超声成像产品问世以来，超声医学设备以其实时性、对人体无损伤、无痛苦、显示方法多样，尤其对人体软组织的探测和心血管脏器的血流动力学观察有其独到之处而成为在医学中应用最为广泛的成像设备之一。 超声在医学中的重要作用在于它不但可以穿透人体，而且可以与身体组织相互作用。超声波穿过人体时要经过折射和反射，这可发生在超声波经过的任何交界面上，其作用就如同光束经过一个非均匀物质一样。超声波的波长很短，从而易于窄脉冲波束的实现，因此超声换能器可以做得小而紧凑。 超声在临床应用中主要分为诊断与治疗两个方面：超声诊断采用的是较高频率（多在2MHz以上）与较低声强的超声波，高频可提高对组织的分辨率，用以获得清晰、细致的声像图，而低声强则可降低对组织损伤的副作用。超声治疗采用的是较低频率（通常<1MHz）与较高声强的超声波，低频超声增大对组织的穿透率，而高声强（特别是聚焦后）超声可对组织产生生物效应，用于选择性破坏局灶性病变。 2.2.1超声设备与种类 超声诊断主要应用超声良好的指向性和与光相似的反射、散射、衰减及多普勒(Doppler)效应等物理特性，采用不同的扫查方法，将超声发射到人体内，并在组织中传播，当正常组织或病理组织的声阻抗有一定差异时，它们组成的界面就会发生反射和散射，再将此回波信号接收，加以检波等处理后，显示为波形、曲线或图像等。由于各种组织的界面形态、组织器官的运动状况和对超声的吸收程度等不同，其回波有一定的共性和某些特性，结合生理、病理解剖知识与临床医学，观察、分析、总结这些不同的规律，可对患病的部位、性质或功能障碍程度做出概括性以至肯定性的判断。 超声诊断仪由主机和探头构成，均包括发射、扫查、接收、信号处理和显示等五个部分。超声诊断仪的种类很多，而且互有交叉，按照显示回波方式和空间的不同，主要包括以下几种： 1．A型(Amplitude Mode)超声 A型超声是最早出现的一维超声诊断技术，它将声束传播位置上的组织按距离分布的回波信息在显示器上以幅度调制的形式显示，并从回波的幅度大小、形状及位置进行诊断，回波强则波幅高，回波弱则波幅低。常用A型法测量界面距离、脏器径值以及鉴别病变的物理性质，它是现代各种超声成像的物理基础。 2．B型(Brightness Mode)超声 B超是把组织的一个断层面上的超声回波信息以二维分布形式显示出来，组织内的散射、反射回波信息以辉度调制方式显示，回波强则光点亮，回波弱则光点暗。光点随探头的移动或晶片的交替轮换而移动扫查，由于扫查连续，可以由点、线而扫描出脏器的解剖切面，它是二维空间显示，又称二维超声。 按其成像速度的不同，可分为慢速成像和快速成像，慢速成像只能显示脏器的静态解剖图像，由于每帧图像线数甚多，图像清晰，扫查的空间范围较大。快速成像能显示脏器的活动状态，也称为实时(ReaITime)显像诊断法，但所显示的面积较小，每幅图像线数与每秒显示的帧数相互约制，互为反比。按照扫描方式的不同，又可分为电子线性扫描、电子凸阵扫描、机械扇形扫描和相控阵扫描等。 3．M(Motion Mode)型超声
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910186481.2 (22)申请日 2019.03.12 (71)申请人 浙江工业大学之江学院 地址 312030 浙江省绍兴市柯桥区柯华路 958号 (72)发明人 张聚 陈坚 周海林 吕金城 (74)专利代理机构 杭州天正专利事务所有限公 司 33201 代理人 王兵 黄美娟 (51)Int.Cl. G06T 5/00(2006.01) G16H 50/20(2018.01) (54)发明名称非下采样剪切波变换医学CT图像去噪方法(57)摘要非下采样剪切波医学CT图像去噪方法，包括如下步骤：步骤1)医学CT扫描图像模型建立；步骤2)对CT图像进行NSST多尺度分解和多方向分解得到一个低频子带和多个高频子带；步骤3)使用快速几何纹理分解将原图像分解为平滑的几何部分和包含噪声的纹理部分，并取几何部分分量和低频子带相融合；步骤4)采用三边滤波法降噪处理融合后的新低频分量，得到新的低频子带；步骤5)采用自适应阈值收缩法处理经剪切波变换后的高频子带系数；步骤6)结合处理后的低频分量和高频分量进行NSST重构，得到去噪后的医学CT图像。本发明通过实验分析与传统的去噪领域算法进行了对比，有效的应用在医学CT去噪领域， 能够更好的有利于医师的分析诊断。权利要求书3页 说明书8页 附图4页CN 109961411 A 2019.07.02 C N 109961411 A
1.非下采样剪切波变换医学CT图像去噪方法，包括以下步骤： 步骤1)医学CT扫描图像模型建立； 医学CT图像即计算机断层扫描，X射线从几个不同的方位和角度扫描人体固定部位交由计算机处理扫描得到的不同横断面建立图像，从而让医生和患者等看到特定检查区域的扫描对象，进而进行医学判断；但是强度过低的发射电流会产生大量的高斯噪声，使得图像质量降低，会影响观察判断结果； 可分两部分建立CT图像的模型，这两部分分别是医学观察所需的人体组织反射信号以及阻碍医学观察的噪声信号，其中噪声信号还可以分为乘性噪声和加性噪声，从影响观察的角度看来加性噪声相比与乘性噪声对CT图像的影响非常微小，所以在处理中一般忽略加性噪声；因此CT电信号的通用模型就表示为： o(x ,y)＝p(x ,y)q(x ,y) (1) 式中，x表示CT图像的横坐标，y表示图像的纵坐标，p(x ,y)表示无噪信号，q(x ,y)表示乘性噪声； 由于相加的噪声模型比相乘噪声的模型更容易分离，所以对以上式(1)的模型进行对数变换变换成相加的模型，表示为： log(o(x ,y))＝log(p(x ,y))+log(q(x ,y)) (2) 步骤2)对CT图像进行NSST多尺度分解和多方向分解； 首先把对数变换后的便于噪声分离的CT图像进行多尺度分解，多尺度分解后得到一张和原图等大小的低频CT图像分量和多张同样与原图等大小的高频CT图像分量；在这一步骤中不处理低频分量，对其处理将在步骤3)中进行，经尺度分解得到的各个高频分量子带使用剪切滤波器组处理，即使用剪切滤波器组对各个子带进行方向分解； 步骤3)使用快速几何纹理分解将原图像分解为平滑的几何部分和包含噪声的纹理部分； 快速几何纹理分解将原图像分解为平滑的几何部分以及包含噪声的纹理部分；快速几何纹理分解通过使用高通滤波器在保留图像的主要特征的基础上可以有效地提取纹理，通过建立一个包含局部指示器的非线性滤波器来确定图像的局部是属于纹理部分还是属于几何部分；其纹理部分和几何部分的主要区别是：纹理区域的主要特征是因为其振荡所造成的高度全变分差，相反几何局部区域的主要特点是其全变差不会受到低通滤波的影响；其局部全变分可以表示为如下式子： LTV σ(f)(x):＝L σ*|Df|(x) (3) 其中σ表示纹理尺度，|Df|表示为变分差，L σ*|Df|即为局部范围的变分差，在利用局部 全变分降噪的过程中其相对局部折减率可以表示为： 反映在图像上的意义可以理解为函数的局部振荡行为， 当折减率接近于0的时候就有：也就是说在折减率接近于0的时候低通滤波器对局部全变差的减小影响非常小，如果 权 利 要 求 书1/3页2CN 109961411 A
医学图像配准技术 A Survey of Medical Image Registration 张剑戈综述，潘家普审校 （上海第二医科大学生物医学工程教研室，上海 200025） 利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。 图像配准算法 可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。 基于特征的配准算法 这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士 1. 外部特征 在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。 2. 内部特征 从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。 表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。 3. 在非刚体配准中的应用 进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
附录C 图像格式 译者：Synge 发表时间：2012-05-03浏览量：1604评论数：0挑错数：0 翻译：xiaoqiao 在fMRI的早期，由于大多数据都用不同研究脉冲序列采集，然后离线大量重建，而且各研究中心文件格式各不相同、大多数的分析软件也都是各研究单位内部编写运用。如果这些数据不同其他中心交流，数据的格式不影响他们的使用。因此图像格式就像巴别塔似的多式多样。随着fMRI领域的不断发展，几种标准的文件格式逐渐得到了应用，数据分析软件包的使用促进了这些文件格式在不同研究中心和实验室的广泛运用，直到近期仍有多种形式的文件格式存在。这种境况在过去的10年里随着公认的NIfTI格式的发展和广泛认可而优化。该附录就fMRI资料存储的常见问题以及重要的文件格式做一概述， 3.1 数据存储 正如第2章所述，MRI数据的存储常采用二进制数据格式，如8位或16位。因此，磁盘上数据文件的大小就是数据图像的大小和维度，如保存维度128 ×128×96的16位图像需要25,165,824位(3 兆字节)。为了保存图像的更多信息，我们希望保存原始数据，即元数据。元数据包含了图像的各种信息，如图像维度及数据类型等。这点很重要，因为可以获得二进制数据所不知道的信息，例如，图像是128 ×128×96维度的16位图像采集还是128 ×128×192维度的8位图像采集。在这里我们主要讨论不同的图像格式保存不同的数量及种类的元数据。 MRI的结构图像通常保存为三维的资料格式。fMRI数据是一系列的图像采集，可以保存为三维格式，也可以保存为四维文件格式（第4维为时间）。通常，我们尽可能保存为四维数据格式，这样可以减少文件数量，但是有些数据分析软件包不能处理四维数据。3.2 文件格式
第４４卷 第１期吉林大学学报（工学版） Ｖｏｌ．４４ Ｎｏ．１２０１４年１月Ｊｏｕｒｎａｌ ｏｆ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ（Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｅｄｉｔｉｏｎ） Ｊａｎ．２０１４基于图像质量评价参数的非下采样 剪切波域自适应图像融合 高印寒１，陈广秋２，３，刘妍妍２，３ （１．吉林大学汽车仿真与控制国家重点实验室，长春１３００２２；２．吉林大学仪器科学与电气工程学院，长春 １３００６１；３．长春理工大学电子信息工程学院，长春１３００２２） 摘 要：为了提升多源图像融合精度，提出了一种基于图像质量评价参数的非下采样剪切波 （ＮＳＳＴ）域图像自适应融合方法。利用非下采样剪切波变换对源图像进行多尺度、多方向分 解，低频子带图像采用结构相似度与空间频率两种图像评价参数作为系数权值，高频子带图像 应用绝对值与邻域平均能量一致性选择的融合策略。应用非下采样剪切波逆变换重构图像。 采用多组多源图像进行融合实验，并对融合结果进行了客观评价。实验结果表明：本文方法在 主观和客观评价上均优于其他多尺度融合方法，具有更好的融合效果。 关键词：信息处理技术；非下采样剪切波；融合策略；客观评价；平移不变性 中图分类号：ＴＮ９１１ 文献标志码：Ａ 文章编号：１６７１－５４９７（２０１４）０１－０２２５－１０ ＤＯＩ：１０．１３２２９／ｊ．ｃｎｋｉ．ｊｄｘｂｇｘｂ２０１４０１０３７ Ａｄａｐｔｉｖｅ ｉｍａｇｅ ｆｕｓｉｏｎ ｂａｓｅｄ ｏｎ ｉｍａｇｅ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｐａｒａｍｅｔｅｒ ｉｎ ＮＳＳＴ ｓｙｓｔｅｍ ＧＡＯ Ｙｉｎ－ｈａｎ１，ＣＨＥＮ Ｇｕａｎｇ－ｑｉｕ２，３，ＬＩＵ Ｙａｎ－ｙａｎ２，３ （１．Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｓｉｍｕｌａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ，Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００２２，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅｏｆ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ＆Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００６１，Ｃｈｉｎａ；３．Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄＩｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｃｈｕｎ１３００２２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏ ｅｎｈａｎｃｅ ｔｈｅ ｍｕｌｔｉ－ｓｏｕｒｃｅ ｉｍａｇｅ ｆｕｓｉｏｎ ａｃｃｕｒａｃｙ，ａｎ ａｄａｐｔｉｖｅ ｆｕｓｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎｉｍａｇｅ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｐａｒａｍｅｔｅｒ ｉｎ Ｎｏｎｓｕｂｓａｍｐｌｅｄ Ｓｈｅａｒｌｅｔ Ｔｒａｎｓｆｏｒｍ（ＮＳＳＴ）ｄｏｍａｉｎ ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅ Ｓｏｕｒｃｅ ｉｍａｇｅｓ ａｒｅ ｄｅｃｏｍｐｏｓｅｄ ｔｏ ｓｕｂｂａｎｄ ｉｍａｇｅｓ ｗｉｔｈ ｍｕｌｔｉ－ｓｃａｌｅ ａｎｄ ｍｕｌｔｉ－ｄｉｒｅｃｔｉｏｎｉｎ ＮＳＳＴ．Ｔｈｅ ｌｏｗ ｆｒｅｑｕｅｎｃｙ ｓｕｂｂａｎｄ ｆｕｓｉｏｎ ｒｕｌｅ ｉｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｓｔｒｕｃｔｕｒａｌ ｓｉｍｉｌａｒｉｔｙ ｉｎｄｅｘ ｗｉｔｈｓｐａｔｉａｌ ｆｒｅｑｕｅｎｃｙ ａｓ ｃｏｅｆｆｉｃｉｅｎｔ ｗｅｉｇｈｔｓ．Ｆｏｒ ｔｈｅ ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ｓｕｂａｎｄｓ，ｔｈｅ ｆｕｓｉｏｎ ｒｕｌｅ ｏｆ ｃｏｅｆｆｉｃｉｅｎｔａｂｓｏｌｕｔｅ ｖａｌｕｅ ｗｉｔｈ ｎｅｉｇｈｂｏｒｈｏｏｄ ａｖｅｒａｇｅ ｅｎｅｒｇｙ ｃｏｎｓｉｓｔｅｎｃｙ ｓｅｌｅｃｔｉｏｎ ｉｓ ａｄｏｐｔｅｄ．Ｔｈｅ ｆｕｓｅｄ ｌｏｗ ａｎｄｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ｃｏｅｆｆｉｃｉｅｎｔｓ ａｒｅ ｒｅｃｏｎｓｔｒｕｃｔｅｄ ｔｏ ｉｍａｇｅ ｂｙ ｎｏｎｓｕｂｓａｍｐｌｅｄ ｓｈｅａｒｌｅｔ ｉｎｖｅｒｓｅ ｔｒａｎｓｆｏｒｍ．Ｆｕｓｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ａｒｅ ｃｏｎｄｕｃｔｅｄ ｗｉｔｈ ｓｅｖｅｒａｌ ｓｅｔｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｏｄａｌｉｔｙ ｉｍａｇｅｓ，ａｎｄ ｔｈｅ ｏｂｊｅｃｔｉｖｅａｓｓｅｓｓｍｅｎｔ ｏｆ ｆｕｓｅｄ ｒｅｓｕｌｔｓ ｉｓ ｄｏｎｅ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍｐｅｒｆｏｒｍｓ ｂｅｔｔｅｒ ｉｎ ｓｕｂｊｅｃｔｉｖｅ ａｎｄ ｏｂｊｅｃｔｉｖｅ ａｓｓｅｓｓｍｅｎｔｓ ｔｈａｎ ａ ｆｅｗ ｅｘｉｓｔｉｎｇ ｍｕｌｔｉ－ｓｃａｌｅ ｆｕｓｉｏｎ 收稿日期：２０１２－１２－１２． 基金项目：高等学校博士学科点专项科研基金项目（２０１１００６１１１００５９）；吉林省科技发展计划重点项目（２０１１０３２６）．作者简介：高印寒（１９５１－），男，教授，博士生导师．研究方向：车辆测试技术及机器视觉．Ｅ－ｍａｉｌ：ｙｉｎｈａｎ＠ｊｌｕ．ｅｄｕ．ｃｎ通信作者：陈广秋（１９７７－），男，讲师，博士研究生．研究方向：图像配准与融合．Ｅ－ｍａｉｌ：ｇｕａｎｇｑｉｕ＿ｃｈｅｎ＠１２６．ｃｏｍ
数字图像处理在医学上的应用 1 引言 自伦琴1895年发现X射线以来,在医学领域可以用图像的形式揭示更多有用的医学信息,医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展,现代医学已越来越离不开医学图像的信息处理, 医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子窥镜图像、显微镜下病理切片图像等。但是由于医学成像设备的成像机理、获取条件和显示设备等因素的限制, 使得人眼对某些图像很难直接做出准确的判断。计算机技术的应用可以改变这种状况，通过图像变换和增强技术来改善图像的清晰度, 突出重要的容，抑制不重要的容,以适应人眼的观察和机器的自动分析，这无疑大大提高了医生临床诊断的准确性和正确性。 数字图像处理的基本方法就是图像复原与图像增强。图像复原就是尽可能恢复原始图像的信息量,尽量保真。数字化的一个基本特征是它所固有的噪声。噪声可视为围绕真实值的随机波动, 是降低图像质量的主要因素。图像复原的一个基本问题就是消除噪声。图像增强就是通过利用人的视觉系统的生理特性更好地分辨图像细节。 与其他领域的应用相比较，医学影像等卫生领域信息更具独特性，医学图像较普通图像纹理更多，分辨率更高，相关性更大，存储空间要更大，并且为严格确保临床应用的可靠性，其压缩、分割等图像预处理、图像分析及图像理解等要求更高。医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性，例举了基于图像处理技术的人体手指甲襞处微血管管袢直径的测量方法。 2人体微血管显微图像的采集 人体微血管显微图像的采集采用了如图1所示的显微光学系统和图像采集系统主要由透镜模组滤镜模组光源系统电荷耦合器件以及图像采集卡等构成。 图1显微光学系统与图像采集系统示意图
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)
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。
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
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
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
科技的进步带动了现代医学的发展，计算机技术的广泛应用，又进一步推动了影像医学向前迈进。各类检查仪器的性能不断地提高，功能不断地完善，并且随着图像存档和传输系统(PACS)的应用，更建立了图像信息存储及传输的新的模式。而医学影像的融合，作为图像后处理技术的完善和更新，将会成为影像学领域新的研究热点，同时也将是医学影像学新的发展方向。所谓医学影像的融合，就是影像信息的融合，是信息融合技术在医学影像学领域的应用；即利用计算机技术，将各种影像学检查所得到的图像信息进行数字化综合处理，将多源数据协同应用，进行空间配准后，产生一种全新的信息影像，以获得研究对象的一致性描述，同时融合了各种检查的优势，从而达到计算机辅助诊断的目的［1，2］。本文将从医学影像融合的必要性、可行性、关键技术、临床价值及应用前景5个方面进行探讨。 1医学影像融合的必要性 1.1影像的融合是技术更新的需要随着计算机技术在医学影像学中的广泛应用，新技术逐渐替代了传统技术，图像存档和PACS的应用及远程医疗的实施，标志着在图像信息的存储及传输等技术上已经建立了新的模式。而图像后处理技术也必须同步发展，在原有的基础上不断地提高和创新，才能更好更全面地发挥影像学的优势。影像的融合将会是后处理技术的全面更新。 1.2影像的融合弥补了单项检查成像的不足目前，影像学检查手段从B超、传统X线到DSA、CR、CT、MRI、PET、SPECT等，可谓丰富多彩，各项检查都有自身的特点和优势，但在成像中又都存在着缺陷，有一定的局限性。例如：CT检查的分辨率很高，但对于密度非常接近的组织的分辨有困难，同时容易产生骨性伪影，特别是颅后窝的检查，影响诊断的准确性；MRI检查虽然对软组织有超强的显示能力，但却对骨质病变及钙化病灶显示差；如果能将同一部位的两种成像融合在一起，将会全面地反映正常的组织结构和异常改变，从而弥补了其中任何一种单项检查成像的不足。 1.3影像的融合是临床的需要影像诊断最终服务于临床治疗；先进的检查手段，清晰的图像，有助于提高诊断的准确性，而融合了各种检查优势的全新的影像将会使诊断更加明确，能够更好地辅助临床诊治疾病。2医学影像融合的可行性 2.1影像学各项检查存在着共性和互补性为影像的融合奠定了基础尽管每项检查都有不同的检查方式、成像原理及成像特征，但它们具有共同的形态学基础，都是通过影像来反映正常组织器官的形态、结构和生理功能，以及病变的解剖、病理和代谢的改变。而且，各项检查自身的缺陷和成像中的不足，都能够在其他检查中得到弥补和完善。例如：传统X线、CT检查可以弥补对骨质成像的不足；MRI检查可以弥补对软组织和脊髓成像的不足；PET、SPECT检查则可以弥补功能测定的不足。 2.2医学影像的数字化技术的应用为影像的融合提供了方法和手段现在，数字化技术已充分应用于影像的采集、存储、后处理、传输、再现等重要的技术环节。在首要环节即影像的采集中，应用了多种技术手段，包括：(1)同步采集数字信息，实时处理；(2)同步采集模拟信号，经模数转换装置转换成数字信号；(3)通过影像扫描仪和数码相机等手段，对某些传统检查如普通X线的胶片进行数字转换等；将所采集的普通影像转换成数字影像，并以数据文件的形式进行存储、传输，为进一步实施影像融合提供了先决条件。 [!--empirenews.page--] 3医学影像融合的关键技术信息融合在医学图像研究上的作用一般是通过协同效应来描述的，影像融合的实施就是实现医学图像的协同；图像数据转换、图像数据相关、图像数据库和图像数据理解是融合的关键技术。(1)图像数据转换是对来自不同采集设备的图像信息的格式转换、三维方位调整、尺度变换等，以确保多源图像的像/体素表达同样大小的实际空间区域，确保多源图像对组织脏器在空间描述上的一致性。它是影像融合的基本。(2)影像融合首先要实现相关图像的对位，也就是点到点的一一对应。而图像分辨率越高，图像细节越多，实现对位就越困难。因而，在进行高分辨率图像(如CT图像和MRI图像)的对位时，目前借助于外标记。(3)建立图像数据库用以完成典型病例、典型图像数据的存档和管理以及信息的提取。它是融合的数据支持。(4)数据理解在于综合处理和应用各种成像设备所得信息，以获得新的有助于临床诊断的信息［1］。图像融合的方法主要有4种：(1)界标配对：界标作为两种图像相对应的融合点且决定融合的
医学图像分割综述 楼琼，11106109 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。 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，图像处理的意义越来越重大，其一般流程如下图： 而图像分割技术是图像分析环节的关键技术，其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，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 ≤≤,0y Max y _≤≤，进行分割就是将图像划分为满足如下条件的子区域：
a) ，即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩，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。其中均一性（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。 k g 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，每一个像素集称为类。简便起见，在下面的叙述中将经典的分割和像素分类通称为分割。 医学图像分割至今仍然没有获得很好的解决，其中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相比较，不可避免的具有模糊、不均匀性等特点。另外，人体组织结构形状复杂，而且人与人之间有很大的差别。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。 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、偏微分方程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、水平集方法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的新方法或对原有方法的新改进。 2．基于区域的分割方法 图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法 阈值分割是最常见的并行直接检测区域的分割方法[5]。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。 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有较大重叠的图像分割问题难以得到准确的结果。另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。 对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法的困难所在。至