基于递归应用均值漂移算法的医学图像二值化方法.docxVIP

基于递归均值漂移算法的医学图像二值化方法摘 要 二值化方法通常是图像分析的重要步骤。二值化通常被认为是图像分割中的一个难题，在目标识别上有着重要应用。二值化通常是由迭代过程实现的，迭代过程终止条件的判定是难点之一。Roberto Rodriguez在文献[1]中提出的算法应用均值漂移算法（Mean shift）进行医学图像的二值化并采用熵作为终止条件。本文对该算法及相关知识进行了详细的介绍，并实现了均值漂移算法，对实验结果进行了分析。关键词 图像分割 均值漂移算法 熵 1 引言当前，医学图像极大地影响了医疗、药剂等领域的发展。医学图像不仅仅用于疾病诊断，它在图像引导的治疗手段中也发挥了重要作用。图像分割，特别是图像的二值化在图像理解中扮演了重要角色。分割后的图像可以辅助医生诊断疾病、确定病灶位置、拟定治疗方案等等。然而，由于目标形状的多样化和图像的质量的影响，图像的二值化依然是一个难题。特别地，医学图像经常被噪声所影响，这导致目标的分割更加困难。现有的最好的分割方法通常是迭代的方式进行，迭代的终止条件的判定是个难题。均值漂移（Mean shift）算法是计算机视觉中一个无监督的分类方法。Mean Shift 这个概念最早是由Fukunaga 等人[2]于1975 年在一篇关于概率密度梯度函数的估计中提出来的。然而在以后的很长一段时间内Mean Shift 并没有引起人们的注意，