密级：621.3 学校代码：10075
分类号：TN911 学号：20071202
工学硕士学位论文
基于局部区域信息的水平集医学
图像分割方法研究
学位申请人：陈彦江
指导教师：郑 伟 副教授
学位类别：工学硕士
学科专业：通信与信息系统
授予单位：河北大学
答辩日期：二○一○年五月
Classified Index：TN911CODE：10075
U.D.C：621.3NO：20071202
A Dissertation for the Degree of Master
Novel level set approach for medical image segmentation based on local region information
Candidate:Chen Yanjiang
Supervisor:Associate Prof. Zheng Wei Academic Degree Applied for:Master of Engineering
Specialty:Comm. & Info. System
University:Hebei University
Date of Accomplishment:May, 2010
摘 要
医学图像分割是对医学图像进行分析研究的关键步骤之一，高效且精确的医学图像分割是人体解剖结构重建、治疗规划、病灶确定与诊断和图形引导手术等研究的关键环节和重要基础，在生物医学领域具有重要的研究价值和实际意义。本文重点对灰度分布不均匀医学图像的高效精确分割方法进行研究。
本文介绍了传统图像分割方法，分析了医学图像的成像原理与图像特点，并对水平集图像分割方法进行了深入探讨。由X线成像、MR成像和血管造影成像技术所获取的医学图像具有各组织内部灰度有明显变化以及不同组织间部分区域灰度值相同的特点，我们将其称为灰度分布不均匀性。Chan-Vese提出的基于Mumford-Shah模型的水平集分割方法虽然能够很好的处理对比度低、图像边缘模糊的图像，并有良好的抗噪性能，但是它无法正确分割具有灰度分布不均匀特点的图像。因此本文提出了基于局部区域信息的水平集分割算法。首先，本文将局部区域信息引入C-V模型中，构造了全新的能量函数；其次，将正畸函数引入该模型，实现了水平集无需重新初始化。新的能量函数克服了传统的C-V模型只能利用图像全局信息的缺点，能够准确分割灰度分布不均匀的医学图像。该模型无需大量计算，水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的实用性。
关键词图像分割水平集方法C-V模型局部区域信息
I
Abstract
Medical image segmentation is one of the key steps of medical image analysis, efficient and accurate medical image segmentation take a crucial position in reconstruction of human anatomy, treatment planning, identification and diagnosis of lesions and graphics to guide the operation. It has important research value and practical significance for biomedical field. This dissertation focuses on the study of accurate and efficient segmentation method for medical image with intensity inhomogeneity.
This dissertation describes the traditional image segmentation methods, study the medical images’ imaging principles and image characteristics, and further discussion on level set image segmentation methods. In traditional medical images, there are significant changes in the gray of some human tissues; and some regions of different human tissues have the same gray scale. It is named intensity inhomogeneity. Chan-Vese proposed a level set segmentation method based on simplified Mumford-Shah model. It is able to handle the low contrast, blurred edges and have a good anti-noise performance, but it does not properly segment the medical images with intensity inhomogeneity. So this dissertation proposed a novel level set segment method with local region information. Firstly, we apply the image’s local region information to construct a novel energy function. Secondly, the penalty-function is introduced to our method, therefore completely eliminates the need of the costly re-initialization procedure. The novel level set method utilize the local region information, it can segment the medical images with intensity inhomogeneity. The experimental results of MR images, blood vessel angiography images and X ray images show that the method is practical.
Keywords image segmentation level set method C-V model local region information
II
目 录
第1章绪论 (1)
1.1研究目的与意义 (1)
1.2国内外研究现状 (2)
1.2.1 传统图像分割方法 (2)
1.2.2 基于曲线演化模型的分割方法 (3)
1.3本文所做的主要工作与论文结构 (5)
第2章医学图像成像原理与特性分析 (7)
2.1X线图像成像原理与特性分析 (7)
2.2MR图像成像原理与特性分析 (9)
2.3血管造影成像原理与特性分析 (10)
2.4传统分割方法结果 (11)
2.5本章小结 (13)
第3章水平集方法 (14)
3.1曲线演化模型 (14)
3.2水平集方法 (15)
3.3测地主动轮廓线模型 (18)
3.4C-V模型 (21)
3.5本章小结 (28)
第4章基于局部区域信息的水平集分割模型 (29)
4.1基于局部区域信息的C-V模型 (29)
4.2无需水平集重新初始化的LRICV模型 (31)
4.3实验结果与分析 (36)
第5章总结与展望 (44)
5.1工作总结 (44)
5.2未来研究方向 (44)
参考文献 (46)
攻读硕士学位期间发表论文情况 (50)
致谢 (51)
III
第1章绪论
第1章 绪 论
1.1 研究目的与意义
由于科学技术的进步，医学影像技术有了长足的发展。其原理是借助于某种能量与生物体的相互作用，提取生物体内组织或器官的形态、结构以及某些生理功能的信息，为生物组织研究和临床诊断提供影像信息。主要有X线成像、超声波成像、磁共振成像、放射性核素成像等。这种技术使我们无需解剖就可以检查身体，对病灶部分进行定性和定量分析，为医务工作者对疾病做出确切诊断提供详细和精确的信息。
随着医学影像技术的发展，无论是对于提供更准确的病灶信息还是实现计算机自动分析的要求，越来越需要对医学图像进行图像处理。图像处理是计算机视觉的基础，也是图像理解的重要组成部分。目前，图像处理领域主要研究以下几个部分：图像预处理，图像分割，目标识别等，其中，图像分割在图像处理中占有重要位置。对于一幅图像来说，人们往往只对图像中的某部分感兴趣，这部分在图像中是区别于其他部分的特殊区域，通常将其称为目标区域。为了对这一部分进行研究，我们需要将目标区域同其他部分区分开，单独提取出来，为其后的进一步处理打下坚实的基础。图像分割就是指把图像分成符合不同分布的区域并提取出感兴趣目标的技术和过程[1]。图像分割使计算机对目标区域特征的测量和标记成为可能，进而可使目标区域的信息抽象化，最终使得对图像的分析和理解成为可能。因此，图像分割是图像处理中的基础和关键步骤。随着医学图像在医学诊断和治疗过程中起到了越来越重要的作用，对计算机医学图像处理技术的需要越来越迫切。计算机医学图像处理和分析不仅是医学信息可视化的基础，而且能准确地对病灶部分进行定性和定量分析，为临床应用提供可靠的辅助诊断手段。而将医学图像中我们感兴趣的各个部分分割开来就是医学图像处理工作的第一步。其对人体各组织器官的准确分割是其它医学图像处理步骤的前提，分割结果可用于人体器官三维结构重建等方面，并且对人体器官、病灶等的精确测量为手术方案的制定提供了必要的信息。因此医学图像分割在生物医学研究、临床诊断、病理分析等方面具有重要的意义。
由于医学图像的成像机理以及成像系统自身原因，医学图像大多具有对比度低、图像边缘模糊、噪声大、灰度分布不均匀等特点。例如常用的X线成像，由于人体组织
1
河北大学工学硕士学位论文
存在密度和厚度的差别，当X线透过人体各种不同组织结构时，它被吸收的程度不同，所以到达荧屏或胶片上的X线量即有差异。总的来说，X线图像是X线束穿透身体某一部位的不同密度和厚度组织结构后的投影总和，是该穿透路径上各层投影相互叠加在一起的影像。重叠的结果，能使体内某些组织结构的投影因累积增益而得到很好的显示，也可使体内另一些组织结构的投影因减弱抵消而较难或不能显示，并使得组织结构内部亮度变化明显。由于X线医学图像产生的原理，X线图像具有对比度低、锐利度低、多噪声和伴影、细节可见度低、灰度分布不均匀等特点，因此，对于X线骨折图像来说，将作为目标的骨头部分从一幅X线图像中提取出来是很困难的。而其他MR图像、血管造影图像的成像原理与X线图像类似，因此其图像特点也与X线图像类似。本文分析了医学图像成像原理，提取医学图像的特点，将局部区域信息同水平集方法相结合，实现医学图像的准确分割。
1.2 国内外研究现状
1.2.1 传统图像分割方法
图像分割作为图像处理系统的关键环节，科研工作者对其进行了长期的研究。传统的图像分割方法主要有阈值法，各种边缘检测方法以及基于区域的分割方法[2]。
阈值分割方法是利用图像中目标和背景部分具有不同的灰度值范围，根据适当的分割准则确定阈值，根据所得的阈值将图像中各点分为不同的区域。在灰度直方图上表示为每个峰代表图像的目标或背景，山谷最低点即为阈值。这种方法简单，且对于简单图像较有效，但是由于图像的复杂性，阈值方法常常难以确定合适的阈值。而且这种分割方法不可避免的会出现误分割，使一部分本属于背景的像素被判决为物体，属于物体的一部分像素同样会被误认为是背景，因此需要和其他方法相结合以便获得满意的分割结果。
边缘检测法是利用图像中的目标和背景部分具有不同的灰度值范围，且其范围差异明显，目标区域和背景区域间的边缘部分具有灰度突变的特点。因此我们可以通过计算灰度图像各点的导数值来判断，目标边缘通常为一阶导数的最大值和二阶导数的零点位置。其中梯度算子、Prewitt算子和Sobel算子属于一阶导数算子，而Laplacian算子为
2
第1章绪论
二阶导数算子。由于图像噪声部分的灰度值也是突变的，因此边缘检测方法对噪声非常敏感，通常会将不必要的噪声检测出来。为了减少噪声对图像分割结果的影响，通常在检测前对图像进行滤波操作。而且这种边缘检测方法对边缘模糊的图像的分割结果也不理想，边缘模糊的区域，其灰度突变程度较低使得对其求导而得的结果达不到被确定为边缘的条件，出现边缘分割结果的间断，无法精确得到边缘像素。边缘检测方法已广泛应用于医学图像的分割中，李晓智等[3]用边缘检测方法成功的提取出下颌骨X线图像的边缘。韦巍等[4]阐述了骨科X线图像的各种边缘检测算法。
区域分割方法依然是利用图像中的目标和背景部分具有不同的灰度值范围且其范围差异明显，通过规定某种准则，使符合准则的各个点连通起来，成为两个或多个闭合区域。这种基于区域的方法主要有区域生长法和分裂合并法，由于这种方法是基于图像的区域信息的，因此它们的分割结果必然是连续的，但它的缺点是易造成过分割。这种基于区域的分割方法常常比较复杂，且对种子点的选取会直接影响结果的好坏。
基于以上传统分割方法的种种问题，促使研究人员对各种新方法进行研究，而基于曲线演化模型的图像分割方法成为人们关注的热点。
1.2.2 基于曲线演化模型的分割方法
曲线演化模型是将给定的初始轮廓曲线在曲线几何形状和图像信息的共同作用下进行演化实现图像分割的方法。对于图像空间中给定的初始轮廓曲线，将内能定义为基于曲线几何形状的能量，内能在演化过程中保持曲线的光滑和连续；将外能定义为基于图像信息的能量，外能控制曲线的演化方向，将其拉向目标的边缘。在内能和外能的共同作用下，使轮廓曲线不断进行演化，最终得到准确的分割结果。其在计算过程中以能量泛函的形式表示曲线的内能和外能，在演化过程中动态的计量曲线与图像边缘的拟合度，模型的能量最小时，拟合的结果最好，因此将曲线演化问题转化为了求泛函能量最小值的问题。主动轮廓模型现在已经广泛地运用于物体识别、计算机视觉等领域。
目前，依据对轮廓曲线的描述方式将主动轮廓模型分为参数主动轮廓线模型和几何主动轮廓线模型两类。
1987年由M.Kass等人提出了参数主动轮廓线模型即Snake模型[5]。Snake模型用于图像分割的基本思想是通过对初始曲线的变形得到图像的边缘。其基本过程就是先在
3
河北大学工学硕士学位论文
4
图像平面上圈定要检测的目标块，然后演化该闭合曲线，使得它在到达目标边缘时自动停止。演化过程是通过对能量泛函的极小化得到的，能量函数主要有内能和外能两部分组成，内能保持曲线的光滑性，外能迫使曲线趋向于目标的边缘。
Snake 模型在图像中先给定一条初始轮廓曲线，轮廓曲线的演化由曲线自身几何形状和图像信息来决定，曲线自身信息和图像信息可由一个能量泛函来描述。具体来说，Snake 模型把目标轮廓定义为图像平面内一条带有能量的参数曲线：
()((),())C s x s y s =
曲线的总能量为内部能量和外部能量之和，表述如下：
int total ext E E E =+
至此Snake 模型将图像分割问题转化为了求能量泛函最小的问题，其演化过程为轮廓曲线在曲线自身形状所决定的内部能量和图像信息所决定的外部能量的作用下靠近目标边缘的过程，内能保持了曲线的光滑性，外能迫使曲线趋向于目标的边缘，最终实现图像正确分割。但是该模型也具有明显的缺点，它对于初始轮廓曲线在图像上的位置比较敏感，而且曲线在演化过程中保持相对稳定，无法进行分裂和合并。
基于以上的问题，人们提出了几何主动轮廓线模型以克服参数主动轮廓线模型的缺点。
1993年Caselles 首先提出了几何轮廓模型的概念[6]。针对参数活动轮廓模型无法自动处理曲线拓扑结构变化的缺点，将水平集方法引入了活动轮廓模型中。其初始轮廓曲线隐含到三维曲面函数中，根据图像信息和三维曲面的几何特性进行演化，这种分割方法不仅无需重复参数化轮廓曲线，而且可以自动处理隐含轮廓曲线的拓扑结构变化。但是这种几何主动轮廓模型是一种基于图像梯度信息的模型，当图像边缘模糊或不连续时，这种方法的分割结果不理想。因此，Caselles 等人对原始模型进行了改进，使轮廓曲线在边缘模糊的区域不易泄漏，能够得到边缘的正确分割结果，这种方法称为测地主动轮廓线(geodesic active contour)模型[7]。虽然这种方法的分割效果有了较大的提高，但仍不能完全避免这种分割错误的结果。
第1章绪论
2000年T. Chan和L. Vese提出了一种基于区域的活动轮廓模型(即C-V模型) [8]。C-V模型是基于简化的Mumford-shah模型，由于该模型使用的是图像区域信息，与图像的梯度信息无关，因而可以处理图像边缘模糊或边缘不连续等情况，且对初始轮廓曲线位置不敏感。由于C-V模型具有很多的优点，因此吸引了大量学者进行了研究。
灰度分布不均匀医学图像具有边缘模糊、对比度低、多噪声和伴影、细节可见度低等特点。C-V模型可以很好的解决图像边缘模糊的问题，并有良好的抗噪性能，但是C-V模型无法处理图像灰度分布不均匀的问题。因此，本文对C-V模型进行改进以实现准确分割灰度分布不均匀医学图像的目的。
1.3 本文所做的主要工作与论文结构
本文针对具有灰度分布不均匀特性的医学图像，首先对其成像原理进行分析，详细阐述了其产生灰度分布不均匀这个特性的原因，并介绍了图像的具体特点。通过对X 线图像、MR图像以及血管造影图像的成像原理和传统方法对其分割结果的分析，本文得出，局部区域信息是对其进行准确分割的关键信息这一结论。因此本文将局部区域信息引入C-V模型中，构造新的能量函数，并引入正畸函数实现水平集无需重新初始化。并通过对X线图像、MR图像和血管造影图像进行分割实验验证了所提出的模型的有效性。
文章各章节主要内容为：
第一章概述了本课题的研究目的与意义，介绍了传统医学图像分割方法，并阐述了本论文的主要内容和创新之处。
第二章介绍了医学图像的成像原理，主要以X线图像为例，详细研究了医学图像的成像特点。
第三章介绍了水平集方法的基本原理，以及其在图像分割方面应用的测地活动轮廓模型。探讨了Mumford-Shah模型，并进一步介绍了基于简化的Mumford-Shah模型的水平集方法，即C-V模型。
第四章详细介绍改进的水平集模型，并应用于图像分割中。传统的C-V模型在进行图像分割中，当被分割的图像灰度分布不均匀时，灰度相近的部分目标和背景容易混淆，这是因为传统的C-V模型以全局信息为基础。本文分析分割灰度分布不均匀图像
5
河北大学工学硕士学位论文
的关键信息是图像的局部区域信息，将其引入水平集方法中，提出了一种新的基于局部区域信息的水平集图像分割模型。并对本文提出的方法进行了实验验证，并与其他分割方法进行对比，验证了本方法的有效性。
第五章总结与展望。
6
第2章 医学图像成像原理与特性分析
7
第2章 医学图像成像原理与特性分析
2.1 X线图像成像原理与特性分析
医生诊断的过程越来越依赖于医学成像技术，这种医学图像是诊断依据的直接来源。例如我们大多数人都用到过的X 线检查，其应用于医学检查中利用的是它的两个特性：
1. X 线具有波长短，穿透力很强的特点，它能够穿透各种不同密度的物质，并且其在穿透过程中会被一定程度的吸收；
2. X 线对某种物体的穿透能力还取决于与该物体的密度和厚度。
由于X 线所固有的特性，即穿透性、荧光效应和摄影效应，另外人体各种组织具有密度和厚度的差别，因此当X 线通过人体不同的组织结构时，不同组织吸收X 线的程度不同，所以到达胶片上不同位置的X 线能量不同，在X 光片上就形成黑白影像。医学X 线成像能够产生影像对比的基础和X 线成像的基本条件是人体各组织具有密度和厚度的差别。X 线图像是将X 线束照射身体某一部位，X 线束通过不同密度和厚度组织结构衰减后的投影总和。影像重叠的结果是，人体内部部分组织结构的影像因累积增益能够显示的很清晰，而另外一些组织结构的影像由于互相减弱抵消而显示模糊，还使得组织结构内部亮度变化明显。由于人体组织的密度各不相同，使其能够在X 线图像中进行区分。但是，当密度低的组织其厚度占优势后，情况就不同了，如图2-1所示，骨头部分A 点的亮度比肌肉部分
B 点的亮度还要低。
图2-1 X 线骨骼图像
掌骨
近节指骨
河北大学工学硕士学位论文
8
不仅如此，同一组织在图像中的亮度也并不是均匀的，具有各种变化，甚至同一组织不同部分的对比也很明显。由于X 线衰减不仅与密度有关，还与厚度有关。而人体组织具有不同的形状，例如骨骼中部呈管状，其外周部分，X 线吸收多，透过的少，呈白影，其中间部分呈黑影，白影与黑影间分界较为清楚。如图2-1中的掌骨，其外周部分D 点的亮度明显的要比中间部分C 点的要高。
由上面可知，不同组织之间，可能会有局部在亮度上是相同的；同一组织，各部分亮度可能是不同的，如图2-2。对于下图来说，骨骼为目标，其余肌肉部分为本图的背景。由图中可以看出，骨骼部分的灰度值在75-200的范围内，肌肉部分的灰度值在30-130的范围内，其重叠部分为75-130这个区间。
图2-2 X 线图像整幅图像特点
研究发现，对于整幅图像来说，骨骼和肌肉部分灰度范围是有重叠的，但是如果仅以图像的一个局部区域来说，骨骼和肌肉的灰度分布范围是对比分明的，没有重叠。由图2-3(a)显示的，骨上部的这个小圆内的骨骼部分灰度为62-80，而肌肉部分的灰度为38-61；图2-3(b)中，骨下部的这个小圆内骨骼部分灰度为155-185，而肌肉部分的灰度为120-153。对目标的边缘上任意一点的局部区域上来说，目标和背景的灰度分布在各自内部是大致均匀的，基本没有互相重叠的部分，因此局部区域信息是正确分割X 线图像的关键信息，在进行分割时，需要对其有效利用。 骨骼部分
肌肉部分
重叠部分
第2章
医学图像成像原理与特性分析
9
(a)骨上部边缘灰度分布
(b) 骨下部边缘灰度分布
图2-3 X 线图像局部区域特点
2.2 MR图像成像原理与特性分析
人体内的大量原子在自旋过程中不断的向外界发射电磁波，但是其发射的方向是杂乱无章的，且不同的原子发射的电磁波也是不同的。MR 图像的成像原理就是将人体置于一个特定的磁场空间中，使用特定的电磁波对人体照射，改变人体中某种原子的旋转方式，使该种原子对外发射固定方向的电磁波，然后由电磁波接收装置和计算机来分析其发射的电磁波。由于人体中不同组织中所含有的某种原子数量和分布的不同，接收装置收集的电磁波信息经计算机处理后可得知不同组织的位置和形状，将所有信息综合即可得到人体内部组织图像。
肌肉部分
骨骼部分
骨骼部分
肌肉部分
河北大学工学硕士学位论文
由于人体是由大量的水构成，各个组织中都有大量的水，且各组织所含水的量是不同的，也就是各组织中所含氢原子数量是不同的。所以MR图像通常是以接收人体氢原子所发射的电磁波信息来进行成像。由于MR图像是某一方向上各种组织内含的氢原子发射电磁波的总和，其在成像的过程中不可避免的出现部分组织图像清晰，而其他组织图像模糊，且同一组织内部灰度分布变化明显，如图2-4所示。
图2-4 MR图像
图2-4中间的脑白质为目标，灰质及其他为背景，在图像上应该将目标显示为高亮部分，背景为暗部分。我们可以明显的看到B点和C点是目标部分，而A点是背景。其中虽然B点和C点都是目标部分，但是其灰度是不同的，有明显的变化，C点明显要比B点暗。A点与C点是不同的部分，但是C点作为目标上的一点，其周围的小区域上的灰度比A点周围的小区域还要暗。同X线图像的特点类似，对目标的边缘上任意一点的局部区域上来说，目标和背景的灰度分布在各自内部是大致均匀的，基本没有互相重叠的部分。
2.3 血管造影成像原理与特性分析
血管造影成像技术的原理是将血管造影前后的X线图像进行扫描，得到计算机可识别的数字化图像，并将这两幅图像进行相减运算，所获得的数字图像即为血管造影图像。血管造影前后人体骨骼等其它组织没有变化，变化的只是血管部分的颜色，使用血管造影的图像进行相减运算，所得图像中人体的骨骼等其它组织被消除，剩下的只是人体血管部分，显示十分清楚，大大提高了医务工作者对血管的分辨能力。常用的血管造
10
第2章医学图像成像原理与特性分析
影剂为水溶性有机碘剂。
虽然这种血管造影利用的是造影前后图像相减而得，大大削弱了骨骼等其他组织对图像的影响，但是由于骨骼等其它组织影像消除不彻底，更重要的是其它旁支血管等对我们感兴趣的主血管的影响，因而，所得血管造影图像中感兴趣的主血管灰度变化明显，而且可能背景部分中的其他组织或旁支血管具有主血管类似的灰度值。如图2-5所示，图中B点和D点所在的主血管为目标，其余部分为背景，目标部分应为高亮，背景为暗。D点的灰度明显的比同作为目标的B点的灰度值要低，并且A点与C点所代表的一部分背景其灰度与目标部分相同。同X线图像的特点类似，对目标的边缘上任意一点的局部区域上来说，目标和背景的灰度分布在各自内部是大致均匀的，基本没有互相重叠的部分。
图2-5 血管造影图像
2.4 传统分割方法结果
医学图像由于其成像原理的特点使得同一组织在图像中的灰度也并不是均匀的，具有各种变化，甚至同一组织不同部分的对比也很明显，不同组织之间，可能会有局部在灰度上是相同的，这就是图像灰度分布的不均匀性。为了更直观的描述，我们引入了下面两图，这两幅图均体现了图像灰度分布不均匀的特点。图2-6为人工合成灰度分布不均匀图像，目标为中间的椭圆形，其余部分为背景。图中作为目标的椭圆，其左边部分的灰度甚至比背景右部的灰度值还要低，在这种情况下，阈值分割不能得到正确的分割结果。图2-7(a)为血管造影图像，其图像特点与上面所述X线图像类似，整幅图像灰度
分布不均匀。图2-7(b)为其阈值分割结果，有很多背景部分被错误的分割为了血管，因
11
河北大学工学硕士学位论文
12
其灰度与血管灰度类似，图2-7(c)-(f)分别为边缘检测算法、区域生长算法以及分水岭算法的分割结果，由图可知其过分割和欠分割都很严重，其结果并不能被接受。
(a)原图 (b)阈值分割结果图 图2-6 人工合成图像效果图
(a)原图 (b)阈值分割结果图 (c)canny 算子
(d)sobel 算子 (e)区域生长 (f)分水岭算法 图2-7 血管造影图像效果图
第2章医学图像成像原理与特性分析
2.5 本章小结
本章主要介绍了医学图像中的X线图像、血管造影图像以及MR图像的成像原理，并详细研究了这几种医学图像的图像特点。由于医学图像成像中不可避免的叠加效应，使得同一组织在图像中的灰度并不是均匀的，甚至同一组织不同部分的对比很明显，而不同组织之间，可能会有局部在灰度上是相同的。因此传统图像分割方法不能得出我们所需要的正确分割结果。本章研究的结论是：图像的局部区域信息是对这种灰度分布不均匀的医学图像进行正确分割的关键信息。
13
关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的
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
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。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的区域，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的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
图像分割方法的比较研究 在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明:不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。 标签：图象分割;图象处理 1 引言 近年来,随着工业、农业、医学、军事等领域自动化和智能化需求的迅速发展,对图像处理技术的要求也日益提高。其中,对图像的自动识别与理解就是一项重要任务,而对图像进行分割来提取目标是其关键步骤之一,如果得不到合理的图像分割图,也就无法对图像进行正确的识别与理解。在过去的四十多年里,图像分割的研究一直受到人们高度的重视。迄今为止,研究者提出了上千种不同类型的分割算法,而且近年来每年都有上百篇相关研究成果发表。但是,现有的方法多是为特定应用设计的,有很大的针对性和局限性,对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类:特征阈值或聚类、边缘检测和区域提取。依据算法所使用的技术或针对的图像,Pal and Pal把图像分割算法分成了6类:阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。本文将依据上述两种分类方法进行深入研究。 2 图象分割方法 简而言之,图像分割(Image Segmentation)就是把图像中的物体与背景或物体与物体分割开,实现不同区域的特殊处理。 2.1 基于阈值的分割方法 这类方法简单实用,在过去的几十年间备受重视,其分类也不一而足。根据使用的是图像的整体信息还是局部信息,可以分为上下文相关方法和上下文无关方法;根据对全图使用统一阈值还是对不同区域使用不同阈值,可以分为全局阈值方法和局部阈值方法;另外,还可以分为单阈值方(bileverthresholding)和多阈值方法。 阈值分割的核心问题是如何选择合适的阈值。其中,最简单和常用的方法是从图像的灰度直方图出发,先得到各个灰度级的概率分布密度,再依据某一准则选取一个或多个合适的阈值,以确定每个像素点的归属。选择的准则不同,得到的阈值化算法就不同。 下面就常见的几种阈值分割算法进行比较:
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
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
本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院学生： 学号： 专业： 年级： 完成日期：2012 年04 月 指导教师：
基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract : Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLABto do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB
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。
图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而
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
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。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的区域，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的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，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的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
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
龙源期刊网 https://www.doczj.com/doc/893517525.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