图像分割常用方法综述

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gxy(,)0≤≤xMaxx_,0≤≤yMaxy_，进行分割就是将图像划分为

满足如下条件的子区域...： g1g2g3

(a) ，即所有子区域组成了整幅图像。

(b) 是连通的区域。 gk

(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。 gk

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。

2009年

6月

第

2期 河　北　工　程　技　术　高　等　专　科　学　校　学　报

JOURNALOFHEBEIENGINEERINGANDTECHNICALCOLLEGE Jun.2009

No.2

文章编号

:1008-3782(

2009)

02-0009-03

图像分割方法研究综述

殷国军

,秦　莉

(天津市成套设备工程监理有限公司

,天津　

300184)

摘要

:图像分割是图像处理和计算机视觉中一个关键步骤

,也是图像理解的基础。近年来由于其在图像处理领域的应用价值

,

开始作为一个重要的课题受到研究者的重视。该文从传统和新型角度出发

,整理和分析了大量的研究文献

,系统的介绍了图

像分割的各种理论基础及其应用。

关键词

:图像分割

;区域分割

;边界分割

;数学形态学

;神经网络

中图分类号

:

TP3911

41 文献标识码

:

A

图像分割是图像分析和计算机视觉中一个关键步骤

,同时也是图像理解的基础

,其目的是根据某些特征

(如灰度级、频谱、纹理等)将一幅图像分成若干有意义的区域

,使得这些特征在某一区域内表现一致或相似

,

而在不同区域间表现出明显的不同。对于模式识别上的应用

,理想的分割结果应该是

:不考虑物体对象内部

的细节与微小的颜色变化

,把一个物体对象只表示为一个或少数几个分割区域[1]

。

从本质上讲

,图像分割是一个基于某些属性对像素进行分类的过程

,因此对像素进行聚类分析是一种可

行的思路。图像分割问题可以等效为图像灰度等属性的无监督分类

,分类的一个关键是如何定义属性一致性

准则。通常选用的属性一致准则有

:灰度一致性

,纹理的统计特征一致性等。

目前

,国内外关于图像分割的研究主要是在对传统算法不断改进的基础上

,引入了一些新的方法

,更有

将原有理论与新概念有效的融合在一起而形成的新方法

,例如新加坡南洋科技大学的

Fan.sophie等提出的

将边缘检测与区域生长法结合的基于区域生长的边缘分割方法[3]

。

1　基于区域的分割方法

区域分割的实质就是把具有某种相似性质的像素连通起来

软件学报ＩＳＳＮ　１０００—９８２５，ＣＯＤＥＮ　ＲＵＸＵＥＷ　Ｊｏｕｒｎａｌ　ｏｆＳｏｆｔｗａｒｅ，２０１７，２８（１）：１６０—１８３［ｄｏｉ：１０．１３３２８￣．ｃｎｋｉ．ｊｏｓ．００５１３６］　＠中国科学院软件研究所版权所有．　

基于内容的图像分割方法综述　

姜枫１，２，３顾庆１，２郝慧珍　，　，－，李娜１，２郭延文１，２陈道蓄１，２　

（计算机软件新技术国家重点实验室（南京大学），江苏南京２１００２３）　

（南京大学计算机科学与技术系，江苏南京２１００２３）　

（南京理工大学泰州科技学院移动互联网学院，江苏泰州２２５３００）　

（南京工程学院通信工程系，江苏南京２１　１　１６７）　

通讯作者：顾庆，Ｅ・ｍａｉｌ：ｇｕｑ＠ｎｊｕ．ｅｄｕ．ｃｎ　Ｅ－ｍａｉｌ：ｊｏｓ＠ｉｓｃａｓ．ａｃ．ｃｎ　ｈｔｔｐ：／／ｗｗｗ．ｊｏｓ．ｏｒｇ．ｃｎ　Ｔｅｌ：＋８６—１０—６２５６２５６３　

摘要：　图像分割是指将图像分成若干具有相似性质的区域的过程，是许多图像处理任务的预处理步骤．近年来，　

国内外学者主要研究基于图像内容的分割算法．在广泛调研大量文献和最新成果的基础上，将图像分割算法分为基　

于图论的方法、基于像素聚类的方法和语义分割方法这３种类型并分别加以介绍．对每类方法所包含的典型算法，　

尤其是最近几年利用深度网络技术的语义图像分割方法的基本思想、优缺点进行了分析、对比和总结．介绍了图像　

分割常用的基准数据集和算法评价标准，并用实验对各种图像分割算法进行对比．最后进行总结，并对未来可能的发　

展趋势加以展望．　

关键词：　图像分割；图论；聚类；语义分割；深度神经网络　中图法分类号：ＴＰ３９１　

延艾　基予　蓉飒圈橡分　亢法缘进　洙学报　∽　％　蛳挂　

Ｓｕｒｖｅｙ　ｏｎ　Ｃｏｎｔｅｎｔ—Ｂａｓｅｄ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｍｅｔｈｏｄｓ　瞄缸　

ＪＩＡＮＧ　Ｆｅｎｇ　，。　，ＧＵ　Ｑｉｎｇ　－一，ＨＡＯ　Ｈｕｉ．Ｚｈｅｎ　，　，－，Ｌｉ　Ｎａ　，ＧＵＯ　Ｙａｎ—Ｗｅｎ　，ＣＨＥＮ　Ｄａｏ—Ｘｕ。＇　

科技创新　２０ｌ７年第１４期Ｉ科技创新与应用　医学图像分割方法综述　李兰兰　（中南大学基础医学院，湖南长沙４１００８３）　摘要：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。　关键词：图像分割；区域生长；聚类；水平集；图割　１栅述　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『生和效率ｍ。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眭的同质区域口。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　自动决速的分割方法。　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，Ｃ　（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，ｍ，表示簇Ｃ。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ｚ￣／Ｊ＇。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，从其中随机选取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—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，匕述过程反复迭代，直到Ｊ收敛到　一定值算法就结束，此时每个簇中的　点和均值也不再发生改变。　Ｆｕｚｚｙ　Ｃ－Ｍｅａｎｓ即模糊Ｃ均值，此算法是硬聚类的一种改进，很适　合应用于存在不确定性和模糊性的图像聚类。模糊聚类就是让数据集　的隶属度在［０，１］之间取值，—个数据样本可能同时属于好多类，最后结　果都是通过计算隶属度的大小来分类的。该算法类似Ｋ－Ｍｅａｎｓ，也是先　给初始聚类中心，更新一次结果后再分别计算各个类别的聚类中心，还　有其他像素点属于这些聚类中心的隶属度，然后计算目标函数，直到目　标函数收敛到给定值为止。　２．２区域生长　区域生长是一种基于传统的区域生长机制、利用区域内像素的相　似性进行图像分割的图像处理算法。区域生长的算法思想是，对于给定　的区域，我们选取一个或者多个像素作为种子点，以４邻域或８邻域的　方式遍历种子点周围的像素点，把那些与种子点相似的像素合并到该　种子点所在的区域，接着把那些新加人种子点所在区域的像素作为新　的种子点继续进行上述过程，直到所有相似的像素都合并到种子区域　为止，这样区域生长的过程就完成了并停止生长。区域生长的特点就是　初始化简单、执行速度快，执行过程中可以人工参与调节，终止易控制，　适用于灰度均匀的目标区域提取。但是该算法对噪声敏感，需要人工指　定种子点，并且对于复杂图像很可能产生过分割和欠分割。　２３水平集　水平集算法是一种隐式的表示曲线的方法，就是低维目标用比它　高一维的水平集函数的零水平集表示，在图像分割方面主要用于活动　轮廓模型的求解。算法的主要思想是将平面闭合曲线隐含地表达为三　维连续函数曲面　（ｘ，Ｙ，ｔ）在　＝０时的同值曲线集合，称为零水平集，　＝　０为水平集函数。给定水平集函数满足的发展方程，水平集函数将进行　演化或迭代，对应的零水平集也随之发生变化，即三维连续函数表示的　曲面发生运动，则平面闭合曲线也跟着产生形变，直到曲线演化到理想　状态就停止。　２．４图割　图割是基于图论的能量优化算法，它在目标分割领域应用比较广　泛。图是由边和顶点组成，在图割中构建的图有两个终端顶点：源点Ｓ　和汇点Ｔ，分别表示目标和背景。　算法的主要思想是将一幅图像映射到　一幅加权图上，图像的像素点看作是图的普通顶点，相邻像素之间的关　系作为图的边，而相邻像素之间的相似性或差异性作为边的权值；每个　像素都会与源点ｓ和汇点Ｔ相连，形成另一类边，表示像素点与图像目　标和背景之间的联系；设定能量函数，最后对能量函数求最小解，此时　就是图像分割的最优解。Ｂｏｙｋｏｖ和Ｊｏｌｌｙ最先把图割应用到图像分割领　域，他们对图像标记为Ａ＝｛Ａ１，Ａ２，…，Ａｐ］，任意一个Ａｐ是目标或者背　景，定义图割的能量函数　为：　Ｅ（Ａ）＝　・Ｒ（Ａ）＋Ｂ（Ａ）　（３）　其中　是控制区域项和边界项之间权重的因子，　≥０。Ｒ㈧＝∑Ｒ　Ｐ　Ｐ　（Ａ　，Ｂ（Ａ）＝∑％｜口１・６（　，　），Ｒ（Ａ）为区域项，Ｒ　（Ａ　）表示将像素Ｐ标　（ｐ　）∈Ⅳ　记为目标或背景的惩罚，Ｂ（Ａ）为边界项，用来约束两个相邻像素点Ｐ和　ｑ间因标记不同所带来的惩罚，Ｎ为邻域像素对，　Ａ　，：ｔｈ　ｉ　≠　为符号函数。６（　，　）　ｏ。ｔｈ　ｅｒｗｉｓ　ｅ为符号函数。　区域项与像素点属于目标或者背景有关，即像素属于标签Ａ。的概　率。因为最好的分割结果是像素Ｐ分配到其概率最大的那个标签Ａ。，并　且能量又是最小，所以概率公式定义如下：　（ｏｈｊ）一一Ｉｎ　（　ｔｏ）　Ｒ（６幻）＝一ＩｎＰ￣（Ａｐ　ＪＢ）　（３）　（４）　Ｐｒ（ＡｒｌＯ）和Ｐｒ（ＡＪＢ）分别是像素Ｐ属于目标和背景的概率，它可以通　过比较像素Ｐ的灰度与目标和背景的灰度直方图来获得。由公式知，当　像素Ｐ的灰度值属于目标的概率比属于背景的概率大时，Ｒ　（ｏｂｊ）则小于　Ｒｐ（ｂｋｇ）。当所有像素都被正确的分割到目标或背景时，区域项则达到最　小。为了提高低对比度图像的分割结果，文献　法进行了改进，在能　量函数中加入连通项ｃ（Ａ）＝　Ｃｐ（Ａ　），由像素之间最短路径的特点来　决定像素Ｐ和用户指定像素Ｕ的连通陛强度，然后这个连通『生就决定了　Ｃ　的值。　３结束语　通过上文的分析，把几种算法结合起来，或者是对算法进行改进，改　变函数中参数或系数，都将可能得到更精确的分割结果。医疗在人们的　生活中必不可少，研究图像分割算法对提高计算机辅助诊断和治疗的精　度与效率有重大意义。　参考文献　［１］Ｓａｎｇ　Ｑ，Ｌｉｎ　ｚ，Ａｃｔｏｎ　Ｓ　Ｌｅａｒｎｉｎｇ　ａｕｔｏｍａｔａ　ｆｏｒ　ｉｍａｇｅ　ｓｃｇｍｅｎｔａ—　ｔｉｏｎ．Ｉｎ］．Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ，Ｓｍａｒｔ　Ｓｐａｃｅｓ，ａｎｄ　Ｎｅｘｔ　Ｇｅｎｅｒａｔｉｏｎ　Ｎｅｔ—　ｗｏｒｋｓ　ａｎｄ　Ｓｙｓｔｅｍｓ．Ｓｐｒｉｎｇｅｒ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｐｕｂｌｉｓｈｉｎｇ，２０１５：２１　１－２１９．　『２１王梅，李玉口，全笑梅图像分割的图论方法综述叨．计算机应用与软件，　２０１４（９）：１－１２．　［３］Ｂｏｙｋｏｖ　Ｙ　Ｙ，Ｊｏｌｌｙ　Ｍ　Ｐ．Ｉｎｔｅｒａｃｔｉｖｅ　ｇｒａｐｈ　ｃｕｔｓ　ｆｏｒ　ｏｐｔｉｍａｌ　ｂｏｕｎｄａｒｙ　＆ｒｅｇｉｏｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　ｏｂｊｅｃｔｓ　ｉｎ　Ｎ—Ｄ　ｉｍａｇｅｓ［Ｃ］／／Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．　２００１．ＩＣＣＶ　２００１．Ｐｒｏｃｅｅｄｉｎｇｓ．Ｅｉｇｈｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ＯＩＬ　ＩＥＥＥ。２００１：１０５—１　１２　ｖｏ１．１．　［４］Ｒｕｄｒａ　Ａ　Ｋ，Ｃｈｏｗｄｈｕｒｙ　Ａ　Ｓ，Ｅｌｎａｋｉｂ　Ａ，ｅｔ　ａ１．Ｋｉｄｎｅｙ　ｓｅｇｍｅｎｔａ—　ｔｉｏｎ　ｕｓｉｎｇ　ｇｒａｐｈ　ｃｕｔｓ　ａｎｄ　ｐｉｘｅｌ　ｃｏｎｎｅｃｔｉｖｉｔｙ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｌｅｔ—　ｔｅｒｓ，２０１３，３４（１３）：１４７０－１４７５．　一７１一　∑吗　∑　＝　，