图像分割资料.docVIP

医学图像分割主要方法 图像分割的概念 将不同区域分开来，这些区域是互不相交的。每一个区域都满足特定区域的一致性。其分割的是为了将感兴趣区域提取出来，从而为定量，定性分析提供基础，同时它也是三维可视化的基础。 普通图像分割方法的分类 阈值分割 区域生长分割 交互式分割 Live wire分割 形变模型分割 模糊连接度的分割 基于代理机模型的分割 三、医学图像特点——模糊、不均匀、个体差异、复杂多样 不均匀的组织器官、磁场——灰度不均匀 成像设备局限性、组织的蠕动——伪影和噪声 局体效应——组织边缘模糊 病变组织——病变边缘不明确 四、医学图像分割的特点 分割计算法面向具体的分割任务，没有通用的方法； 更加重视多分割计算有效结合； 需要利用医学中的大量领域知识； 交互式分割方法，受到日益重视。 医学图像分割是一项困难的任务，至今仍没有获得圆满的解决。 五、图像分割方法的分类 基于区域的分割方法——利用区域之间相似度，常见方法有： 阈值分割 区域生长和分裂合并 分类器和聚类 基于随机场的方法 其它基于统计学的方法 基于边缘的分割方法——利用区域之间差异性，常见方法有： 并行微分算子 曲面拟合法 基于边界曲线拟合的方法 串行边界查找 结合区域与边缘信息的方法——同时利用区域和边缘信息 图谱引导方法 基于模糊集理论的方法 基于数学形态学的方法 六、图像分割具体方法分析 阈值分割 阈值分割是最常见的一种分割方法。它基于对灰度图像的一种假设：目标或背景内的相邻象素间的灰度值是相似的，但不同目标或背景的象素在灰度上有差异，反映在图像的直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。 区域生长分割 区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中，区域生长算法的优点是计算简单，特别适用于分割小的结构如肿瘤和伤疤。 交互式分割 由用户指定一些点作为多边形的顶点，系统自动将多边形内部填充作为分割结果。 多边形填充：对于每一条扫描线和每条多边形的交点，将该扫描线上交点右方的所有像素取补。对多边形的每条边作此处理。便可得到填充后的结果。 Live wire分割 在live wire算法中，将像素看成是一个连接图，图像中的像素当作连接图中的节点，相邻像素间的边当作连接节点的边。再边上定义一个代价函数，使强边缘具有较小的代价值。非边缘具有较大的代价值，两个节点之间的距离可用代价值表示。然后通过图搜索来找物体的边界。一般用动态规划来查找连接图中两点之间最短路径。 Live wire算法的实现：Live wire算法是用来确定图像中轮廓线的方法，如果想把轮廓线外或轮廓线内的部分分割出来，还要用到种子点填充法。种子点填充使图形学中的算法，使轮廓提取算法的逆过程。它首先假定封闭轮廓线内某点是已知的，然后算法开始搜索与种子点相邻且位于轮廓线内的点。如果相邻点不在轮廓线内，那么就到达轮廓线的边界；如果相邻点位于轮廓线之内，那么这一点就成为新的种子点，然后继续搜索下去。 Live wire算法之种子点填充： 种子点像素压入堆栈 当堆栈非空时，从堆栈中堆出一个像素，并将该像素设置成所要的值 对每个于当前像素邻接的得四连通或八连通像素，进行上述两部分内容的测试 若所测试的像素在区域内没有被填充过，则将该像素压入堆栈