第40卷第8期 2006年8月
上海交通大学学报
J OU RNAL OF SHAN GHA I J IAO TON G UNIV ERSIT Y
Vol.40No.8
Aug.2006
收稿日期:2005204213
作者简介:陆东莹(19792),女,广西上思人(壮族),硕士生,主要研究方向为医学图像处理,E 2mail :doris.ludy @https://www.doczj.com/doc/e016195976.html,.
庄天戈(联系人),男,教授,博士生导师,电话(Tel.):021*********.
文章编号:100622467(2006)0821444204
基于Level Set 方法的低对比度医学图像分割
陆东莹, 庄天戈
(上海交通大学生物医学工程系,上海200030)
摘 要:基于Level Set 方法,提出了一种应用于对低对比度医学图像进行分割的改进的Fast Marching 方法.该方法结合演化曲线在演化过程中平均能量的变化特性,重新定义Fast Marching
算法的停止准则,从而提高了算法的鲁棒性和自动性.实验结果表明,所提出算法的分割效果良好.
关键词:Fast Marching 方法;Level Set 方法;医学图像分割;停止准则中图分类号:R 318 文献标识码:A
Fast Marching Method Based Segmentation in
Low Contrast Medical Images
L U Dong 2y i ng , Z H UA N G Ti an 2ge
(Dept.of Biomedical Eng.,Shanghai Jiaotong U niv.,Shanghai 200030,China )
Abstract :Based on Level Set met hod ,an improved Fast Marching met hod was p resented to segment low cont rast medical https://www.doczj.com/doc/e016195976.html,bined wit h t he characteristic of t he advancing f ront ’s average energy when t he curve evolving ,t he stop criterion of Fast Marching met hod was redefined.The experimental result s show t hat t his imp roved algorit hm can enhance t he robust ness and automation of Fast Marching met hod.Key words :Fast Marching met hod ;Level Set met hod ;medical image segmentation ;stop criterion
随着医学图像在临床医学上的广泛应用,人们对医学图像分割提出了越来越高的要求.医学图像分割是医学图像处理的关键技术,其目的是将图像中感兴趣的区域提取、显示出来,使之尽可能地接近解剖结果,为临床医学和研究提供可靠的依据.
Osher 等[1]提出的Level Set 方法是欧拉方法
求解隐式表达偏微分方程的一种具体实现方式,将曲线演化问题[2]转化为偏微分方程数值求解问题,具有很强的处理拓扑结构变化的能力,在处理曲线演化时是一个相当有效的工具,现已在图像处理和计算机视觉等领域得到了广泛的应用[325].Fast Marching 方法[527]则是求解Level Set 函数的快速
算法,由于极大地提高了计算速度而受到广泛的关
注与研究.
本文以一些对比度较低的医学图像为例,针对运用传统Fast Marching 方法进行医学图像分割时产生的边缘泄漏问题,提出相应的改进措施,以期获得更好的分割效果.
1 传统F ast Marching 方法
以二维情况为例,简单介绍Fast Marching 方法.假设C (t )是定义在二维平面的曲线,v 是其法线方向上的速度.考虑曲线运动的特殊情况,运动速度
v ≥0,即曲线C (t )是一直向外运动.假设曲线经过
指定点(x ,y )的时间为t (x ,y ),那么t (x ,y )满足[326]
|t|v=1(1)在初始曲线上,t(x,y)=0.式(1)即是著名的Eikonal方程的一种形式.利用逆向差分法,可以根据下式得到式(1)的稳定解[7]:
[max(D-x x,y t,0)2+max(D+x x,y t,0)2+
max(D-y x,y t,0)2+max(D+y x,y t,0)2]1/2=
1/v(x,y)(2)式中,D-和D+分别为后向和前向差分算子.
下面是Fast Marching方法的具体算法[327].
(1)初始化.
①Accepted点:即是曲线C(0)所在的网格点,或指定的种子点,并记时间t(x,y)=0.
②Trial点:考察Accepted点在曲线外的42邻点,如果有不是Accepted点的,则初始化为Trial 点,并赋予到达时间t(x,y)=1/v(x,y),将所有Trial点放入一个排序堆栈中,排序堆栈按照每点的到达时间由小到大排序.
③Faraway点:剩余的点初始化为Faraway 点,并记到达时间t(x,y)=+∞.
(2)曲线演化.
①假设A点是所有Trial点中具有最小时间t min的点,则标记A点为Accepted点,并将A点从Trial点中删除.
②考察A点的42邻点:若是Accepted点,则不改变时间;若是Trial点,则更新该点时间,并调整其在排序堆栈中的位置;若是Faraway点,则将其标记为Trial点,更新该点时间,并将其放入排序堆栈中.
③若某一点的到达时间大于指定阈值,或排序堆栈为空,则循环结束,否则转到①.
从上面的算法可以看出,由于在曲线演化过程中,只有速度项与图像性质相关,所以其性质直接影响到图像分割的效果.此外,由于速度是单向的(在本文中是大于等于0),一旦演化曲线越过目标边缘就无法后退.所以,速度项和停止准则的确定显得尤为重要.
目前,在Fast Marching应用研究中,速度项的主要形式[527]为
v(x,y)=e-α|I(x,y)| α>0(3)式中:α为常量;I(x,y)为图像I(x,y)灰度的梯度.可见,速度项是随着图像灰度梯度幅值的增大而递减的,理想情况下,速度项在目标边缘处等于0.
另一方面,目前在Fast Marching应用研究中用得最多的停止准则是时间差阈值time_t hreshold 和最大时间阈值time_max,一般会同时采用这两个停止准则,当条件满足其中之一,算法停止循环.
采用式(3)作为速度项,设α=0.2,time_ t hreshold=80,time_max=150.对图1(a)中PET 图像边缘尚算清晰的病变区域进行分割,得到结果如图1(b)所示
.
图1 传统的Fast Marching方法分割结果示意图
Fig.1 The segmentation result with traditional
Fast Marching method
由此可见,在目标边缘比较模糊的地方,演化曲线跨越目标边缘向外演化,产生了错误分割.这是由于速度项和停止准则都仅仅选取了图像灰度的梯度信息,而目标边缘相对模糊,其图像灰度梯度信息相对较弱,所以在图像灰度比较接近、边缘相对模糊的地方,会产生边缘泄漏.
2 改进的F ast Marching方法
从速度项来看,一般很难设计出能在图像的弱边缘处几乎可以减小到0的速度项.从停止准则来看,最大时间阈值(time_max)只是预先给定的曲线演化可能的最大时间,与目标边缘没有任何关系.到达时间的计算与速度项紧密相关,速度项容易受噪声干扰,到达时间的计算也就必然受到噪声的干扰,而噪声在医学图像中是难以避免的,所以在对比度较低的图像中,时间差阈值(time_t hreshold)也就很难保证演化曲线能够很好地停止于目标边缘.
在上述分析的基础上,希望在曲线演化过程中,引入全局的信息,从而改善传统Fast Marching方法对低对比度医学图像分割的分割效果.为了有效利用图像的全局信息,可以观察传统Fast Marching 方法对图1(a)进行图像分割过程中演化曲线平均能量变化特性[8210]信息(见图2).这里,演化曲线的平均能量定义为
E front(t)=
1
N front6(x,y)∈C(t)E(x,y)(4)式中:E(x,y)为I(x,y)中点(x,y)处的图像能量,这里定义为Gauss平滑后图像灰度梯度的幅值, E(x,y)=-
|Gσ(x,y)3I(x,y)|
Gσ(x,y)为二维Gauss函数,其标准偏差为σ;N front 为演化曲线上网格点的数目.
5441
第8期陆东莹,等:基于Level Set方法的低对比度医学图像分割
图2 演化曲线平均能量随时间变化曲线Fig.2 Advancing f ront’s average energy vs time
由图2可见,演化曲线平均能量的变化主要分为3个阶段[8211]:
(1)演化曲线在目标区域内移动,因为目标区域内灰度相对比较均匀,图像能量都接近于0,所以演化曲线平均能量基本不变,也接近于0;
(2)因为演化曲线越来越多的部分收敛于目标边缘,而边缘处图像能量远小于0,所以演化曲线平均能量逐渐减小,并越来越小于0;
(3)受到噪声干扰,部分演化曲线越过目标边缘.
演化曲线在上述3个不同阶段对应的到达时间停止演化,得到的分割结果是不一样的.在第1阶段停止演化,得到的演化曲线将停留在目标区域内;在第2阶段(图2中P点对应的到达时间)停止演化,得到的演化曲线将只有一部分收敛于目标边缘,另一部分就停留在目标区域内;在第3阶段(图2中Q 点对应的到达时间)停止演化,得到的演化曲线将越出目标区域.若演化曲线是在对应于演化曲线平均能量变化特性的第2和第3阶段之间的转折点(图2中S点)所对应的达到时间停止演化,得到的演化曲线将恰好位于目标边缘.
基于前面的分析,可以在算法上进行改进,将演化曲线到达图2中点S标志位置的到达时间作为停止准则.在初始化的时候,给time_t hreshold和time_max都赋予一个比较大的值,保证曲线能演化到图像目标边缘之外;然后利用速度项,进行曲线演化,再计算出目标边缘到达时间的位置,即对应图2中点S标志位置的到达时间t s;最后,对曲线演化所经过的所有点的达到时间t i进行阈值操作,满足t i≤t s条件的点i为目标区域内的点,其余为目标区域外的点,从而避免了边缘泄漏的产生.具体的算法如下.
(1)初始化.
①Accepted点:即曲线C(0)所在的网格点,或指定的种子点,记时间t(x,y)=0,并将所有的Accepted点放入排序堆栈A P中,排序堆栈按照每点的到达时间由小到大排序,由于此时t(x,y)=0,可随意排序,并记t old=0.
②Trial点:考察Accepted点在曲线外的42邻点,如果有不是Accepted点的,则初始化为Trial 点,赋予到达时间t(x,y)=1/v(x,y),并将所有Trial点放入排序堆栈TR中,排序堆栈按照每点的到达时间由小到大排序.
③Faraway点:剩余的点则初始化为Faraway 点,并记到达时间t(x,y)=+∞.
(2)曲线演化
①假设P min点是所有Trial点中具有最小时间t min的点,则标记P min点为Accepted点,将P min点从Trial点的排序堆栈TR中删除,并将P min点放入Accepted点的排序堆栈A P中.
②考察P min点的42邻点:若是Accepted点,则不改变时间;若是Trial点,则更新该点时间,并调整其在排序堆栈TR中的位置;若是Faraway点,则将其标记为Trial点,更新该点时间,并将其放入排序堆栈TR中.
③如果t min-t old>time-t hreshold,或t min> time-max,或排序堆栈TR为空,则转④,否则计算演化曲线平均能量,并记t old=t min,转⑤.
④计算演化曲线平均能量曲线变化的第2与第3阶段之间转折点所对应的时间t s.
⑤对排序堆栈A P中点的到达时间进行阈值操作,到达时间t≤t s的点为目标区域内的点,其余的点为目标区域外的点.
3 实验结果与分析
分别应用改进前后的Fast Marching方法对一些对比度较低的医学图像进行了分割,并使用了相同的初始化参数:α=0.2,time-t hreshold=80, time-max=150.得到的结果如图3所示.由图3可见,改进后的方法取得了良好的分割效果,有效解决了在对对比度较低、目标边缘较为模糊的医学图像进行分割时产生的边缘泄漏问题.改进之后的算法不仅对同一组织、同一序列的图像进行分割时可以采用同一组参数设置,对不同组织、不同序列的图像进行分割时也可以采用同一组参数设置,提高了算法的自动性与鲁棒性.但值得指出的是,由于医学图像的复杂性和多样性,决定了医学图像分割的算法也只能在一定的范围内有效,而不能普遍适用.该改进之后的算法适用于目标物体内灰度比较均匀、目标物体内部不含有其他物体的情况.
6441上 海 交 通 大 学 学 报第40卷
图3 改进前后Fast Marching方法的分割效果示意图
Fig.3 The segmentation results with traditional&improved fast marching method
参考文献:
[1] Osher S,Sethian J A.Fronts propagating with cur2
vature2dependent speed:Algorithms based on Hamil2
ton2J acobi formulations[J].Journal of Computational
Physics,1988,79(1):12-49.
[2] Kass M,Witkin A,Terzopoulos D.Snakes:Active
contour models[J].I nternational Journal of Comput2
er Vision,1987,1(4):321-331.
[3] Deng J W,Tsui H T.A fast level set method for
segmentation of low contrast noisy biomedical images
[J].P attern R ecognition Letters,2002,23(1):161
-169.
[4] Malladi R,Sethian J A,Vemuri B C.Shape model2
ing with f ront propagation:A level set approach[J].
IEEE T rans PAMI,1995,17(2):158-174.
[5] Adalsteinsson D,Sethian J A.A fast level set meth2
od for propagating interface[J].Journal of Computa2
tional Physics,1995,118:269-277.
[6] Sethian J A.Level set methods and fast marching
methods[M].Cambridge:Cambridge University
Press,1996:1-100.
[7] Sethian J A.A fast marching level set method for
monotonically advancing f ronts[J].Proc N atl Acad
Sci USA,1996,93(4):1591-1595.
[8] Yan Jiayong,Zhuang Tiange.Applying improved
fast marching method to endocardial boundary detec2
tion in echocardiographic images[J].P attern R ecog2
nition Letters,2003,24(15):2777-2784.
[9] Yan Jiayong,Zhuang Tiange.An improved fast
marching method for detection of endocardial bounda2
ry in echocardiographic images[C]//Sonka M,Fitz2
patrick J M.SPIE’s I nternational Symposium Medical
Im aging2003:Im age Processing.San Diego,CA,
USA:SPIE,2003:1292-1299.
[10] Yan Jiayong,Zhuang Tiange,Zhao Binsheng,et al.
L ymph node segmentation from CT images using fast
marching method[J].Computerized Medical Imaging
and G raphics,2004,28(122):33-38.
[11] 宋利伟,宋朝昀,庄天戈.基于分水岭算法的磁共振
脑图像自动分割[J].上海交通大学学报,2003,37
(11):1754-1756.
SON G Li2wei,SON G Chao2yun,ZHUAN G Tian2ge.
Watershed2based brain magnetic resonance image au2
tomated segmentation[J].Journal of Shanghai Jiao2
tong U niversity,2003,37(11):1754-1756.
7441
第8期陆东莹,等:基于Level Set方法的低对比度医学图像分割
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/e016195976.html,
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
中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日
中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书
课程设计任务书
目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)
第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因
^ | 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。
对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图
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)
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
1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等
3．前言 3.1图像阈值分割技术基本原理 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的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的
中北大学 毕业设计（论文）任务书 学院、系： 专业： 学生姓名：车永健学号： 设计(论文)题目：基于灰度直方图的图像分割阈值自适应选取方法 起迄日期: 2015年3月9日~2015年6月20日设计(论文)地点: 指导教师:郭晨霞 系主任: 发任务书日期:2015年 2 月25 日
任务书填写要求 1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在系的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生； 2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴； 3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，应当经过所在专业及系主管领导审批后方可重新填写； 4．任务书内有关“学院、系”、“专业”等名称的填写，应写中文全称，不能写数字代码。学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”。
毕业设计（论文）任务书
毕业设计（论文）任务书 3．对毕业设计（论文）课题成果的要求〔包括毕业设计(论文)、图纸、实物样品等)： 1、论文一份； 2、程序代码及图像结果； 3、英文翻译一份。 4．毕业设计（论文）课题工作进度计划： 起迄日期工作内容 2015年 3月 9 日~ 3 月20日 4 月 1 日~ 4月 20 日 4 月 21 日~ 5月 10 日 5 月 11 日~ 6月 15 日 6 月 16 日~ 6月 19 日查找资料，完成开题报告； 学习有关知识，方案确定，完成中期报告；完善算法并仿真验证； 撰写、修改、评阅毕业论文； 论文答辩 学生所在系审查意见： 系主任： 年月日
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-
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：
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
安徽建筑工业学院 毕业设计 (论文) 课题灰度图像分割算法的研究 专业电气工程及其自动化 班级 07城建电气3班 学生姓名郑鹏 学号 指导教师栾庆磊 2011 年 04 月 16 日
摘要 边缘检测是图像处理与分析中最基础的内容之一，也是至今仍没有得到圆满解决的一类问题。图像的边缘包含了图像的位置、轮廓等特征，是图像的基本特征之一，广泛地应用于特征描述、图像分割、图像增强、模式识别等图像分析和处理中。因此，图像边缘的检测方法，一直是图像处理与分析技术中的研究热点。然而，至今发表的有关边缘检测的理论和方法尚存在许多不足之处，比如在检测精度和去噪方面很难达到令人满意的效果。本次毕业设计针对边缘检测中存在的问题，在对一些传统和新兴的边缘检测方法进行归纳的基础上，围绕灰度图像的边缘检测拟开展以下创新性和探索性工作：拟研究和分析常用的图像滤波方法，拟设计一种将改进中值滤波方法，拟研究Sobel算子和Laplacian算子在边缘检测中的特点，并根据这些特点对比分析这两类算法优缺点等，给出理论研究成果和仿真实例。 关键词：灰度图像分割算子
Abstract Edge detection is an image processing and analysis of one of the most basic，Is also still not been satisfactorily resolved a class of problems。Edges of the image that contains an image of the location, contour and other characteristics, is one of the basic characteristics of the image, widely used in description, image segmentation, image enhancement, pattern recognition, image analysis and processing。Therefore, the image edge detection methods, image processing and analysis has been the research focus in technology. However, so far published on the theory and methods of edge detection there are still many shortcomings, such as denoising in terms of detection accuracy and difficult to achieve satisfactory results。The graduation design for edge detection, problems existing in traditional and new to some in the edge detection method based on the summarized, around gray image edge detection intends to carry out the following innovative and exploratory work: intends to study and analysis of common image filtering method, which intends to design a will improve median filtering method, Sobel operator and to study the Laplacian operator in edge detection, and according to these characteristics, characteristics of the two kinds of comparison and analysis of the advantages and disadvantages, given algorithm theory research and simulation examples。 Keywords: grayscale image segmentation operator
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