基于分水岭算法的颅脑CT图像分割研究.docVIP

基于分水岭算法的颅脑CT图像分割研究 　　【摘 要】本文采用分水岭算法对颅脑CT图像进行分割，针对算法所产生的图像过分割问题，首先将原图像转换为形态梯度图像，并对形态梯度图像定义一组形态开闭滤波器进行处理；然后采用分水岭算法进行分割。 中国论文网 /8/view-7211704.htm 　　【关键词】图像分割；数学形态学；分水岭算法 　　0 引言 　　医学CT不同于X线成像，是利用X射线穿透人体，通过射线强度衰减的程度对人体组织成像。图像分割在医学图像处理中占有重要地位，所谓图像分割[5]就是指把图像分成各具特性的区域并提取出有用的目标的技术和过程，图像分割的方法[2]比较常用的有阈值法、边缘检测法、区域生长法、聚类法、颗粒分析及基于数学形态学的分水岭变换等。由于与一般自然背景下的图像相比，医学图像普遍存在目标与背景对比度较差、目标的边缘模糊和噪声较大等特点。针对这些特点，本文采用分水岭算法对医学颅脑CT图像进行分割，实验结果表明，本文提供的方法对于医学图像的处理是行之有效的，取得了较为理想的效果。 　　1 分水岭算法 　　分水岭分割算法的有三个步骤：（1）对图像的读取；（2）求取图像的边界，在此基础上可直接应用分水岭分割算法，但效果不佳；（3）对图像的前景和背景进行标记，其中每个对象内部的前景像素值都是相连的，背景里面的每个像素值都不属于任何目标物体。分水岭算法方法存在两点不完善的地方：第一点是参考图像决定了分割性能，如果所有区域的边界能被保留下来，内部的边界又被限制，所以分水岭算法的分割能够成功，但对于得到图像的梯度，其区域的伪边界都是可能出现的，而不同对象之间也可能由于采集图像的外界条件等因素而失去边界，而会形成错误分割或者过分分割，如果用LOG算子或别的高斯型滤波后得到的图像作为对象，尽管能够取得大片的面积，但他的位置会有比较大的移动，并且图像的采集的外界原因，误分割也是存在的。所以要对梯度图像进行处理，以便得到优质的分割参考图像；第二点缺陷是于图像分割的目标不相同，因为小的目标太过于具体，而只用其中一种或几种特征提出的梯度参考图像，对这些具体的情况不能做出详细的判断，所以分割以后的所选用区域要做相似性检验，以便成为所需的区域。为克服上述两个缺陷，本文首先用形态梯度来产生参考图像，对不同的目标部分增加他们的不同点，其次用形态学开闭滤波器组处理参考图像，使其起到连接不同形态大区域、 消灭小区域的作用，避免过分割的情况发生。 　　2 形态开/闭运算 　　形态开运算[2]是对图像进行先腐蚀、后膨胀的操作，图像腐蚀以后，用逆变换来对比原先的图像的是行不通的，但膨胀运算对于恢复原来的图像是非常必要的。由于是先腐蚀运算，因此，开运算后，原有的图像背景中的小结构就被清理了，除包含结构元素以外的部分都被去掉了，但是保留了包含结构元素的大的结构。对于保留不同形状的那些部分，就要用开运算来进行完成，所以开运算能够对和运算结构元素相同的形状进行保留。对于不同形状的结构元素要组成一个滤波器组，并从这个滤波器组对各个开运算的所有求和进行输出，图形也就成了所需要的结构原素的总和。在图像经过滤波器输出后，主要的部分被保存下来，并对于不符合的结构元素的噪声进行除去。 　　相反，形态闭运算[2]是和开运算相反，他的操作是对图像进行先膨胀、后腐蚀，闭运算是首先目的想恢复被膨胀图像的原始形状，这需要用算子来恢复，并把不含有结构元素的那些部分被该运算填充。 　　3 合并过分割区域 　　分水岭算法对数据变化极为敏感，因此，图像中的噪声和物体边缘，以及非常小的变化都会形成分割现象。所以对分割图像要进行适当的合并。合并的准则条件有：（1）必须是相邻区域才能够合并；（2）相似的区域的特征才能够合并；（3）合并后的区域是有用的。可以用相似度的定义来进行相邻相似区域的合并。若相似度大于阈值，对于相邻两个区域来说要对应在同一个区域才可以合并。下面是合并的MATLAB图形实现程序源代码： 　　4 仿真实验及结论 　　本文在MATLAB环境下对医学图像（颅脑CT图像）进行了实验。图1（a）为原图像，图1（b）把形态学梯度图像作为参考图像分割后的最后结果，过分割情况相对较为严重，图1（c）用的是经形态学开闭滤波处理的梯度图像作为参考图像进行分割的最终结果，过分割现象已有所好转，图1（d）是利用本文方法提出的合并准则对图1（c）的区域进行合并的结果，其中的脑器官和背部图像、病变组织和边界已经被显现出来。 　　从实验结果可见，采用形态开闭滤波器组处理梯度图像，对结构元素的集合所相对应的噪声的结构进行去除，又对两个相互毗邻的区域边界有了准确的位置定位，并对图像的过分割做了好的改善，对于后面图像的处理做了好的底层图像。区域合并中由于对合并条件的阈值限制比较严，