9.医学图像处理_复习幻灯片.pptVIP

* 变换的矩阵表示: 沿x轴的平移 沿y轴的平移 绕坐标原点的旋转 * 变换的结果与这些基本参数的顺序有关。对于相同一组参数p，q及θ，变换过程可以是先沿x轴的平移p，然后沿y轴的平移q，最后再绕坐标原点的旋转θ： * 也可以是按不同顺序的变换。先绕坐标原点的旋转θ，再沿x轴的平移p，然后沿y轴的平移q： 显然，二者的变换结果不同。 * 为了找出这些点所构成的直线段，我们可以建立一个在ρ,θ空间的二维直方图。对每个边缘点(xi,yi)，我们将给所有与该点的Hough变换(正弦曲线)对应的ρ,θ空间的直方图方格一个增量。当对所有边缘点施行完这种操作后，包含(ρ0,θ0)的方格将具有局部最大值。然后对ρ,θ空间的直方图进行局部最大值搜索就可以获得直线边界线段的参数。 * 已知形状（圆）解析式时Hough变换 已知圆方程： 如果（x, y）是某个圆上的一个点，则可累加A(a, b, r), 计算量很大。若已知r， 则变为圆 ? 圆的对偶性, 上面方程中（x, y）与(a, b) 形式对偶。 (X,Y)图像空间： 点 圆 ↓ ↑ (A,B)参数空间： 圆 点 * 推广： 一般解析式 ：笛卡尔空间坐标向量，m维（图像空间） ：参数向量，n维（参数空间） 图像空间的一个点 ---对应-----参数空间的多维累加器 椭圆方程： 或 参数方程： 斜方向椭圆，两直角坐标系(x,y)与(x’,y’)夹角?： * 区域增长(灰度图像)算法： 第1步：选择一个像素点作为种子点，n=1。 第2步：检查该种子点的 (2n+1)x (2n+1) 邻域。计算该邻域的灰度平均值?和标准差σ。 第3步：符合上述公式的象素值可判为增长点，否则判 为不可增长点。 第4步：如果该邻域中再没有新的增长点产生，或满足某种停止条件，增长过程结束。 第5步：令n=n+1,将种子点邻域扩大，转向第2步。 将象素灰度值与邻域平均灰度值做比较，如果差值小于或等于二倍的标准差，将该象素包含在区域内，否则为边缘点。 其中： * 区域增长 (二值图像) 举例 1. 选择一个中心像素p。 2.第1次迭代： P的3x3邻域满足相似性准则，标记可增长。 3.第2次迭代： P的5x5邻域中，新列入的像素的9/16满足相似性准则，标记可增长。 4.第3次迭代： P的7x7邻域中，新列入的像素的6/24满足相似性准则。 5.因为已经满足停止条件：每次新增长像素数如果少于待判定像素的30%，则停止。 * 种子点可用手工、自动或半自动方式选取。不同的种子点增长后会形成并非完全一致的区域。 检验准则的选取对最后形成的区域有着十分重要的影响。 区域增长的好处： 1、它能将具有相同性质、但在空间上分开的区域正确地划分。 2、能够分割连续的区域。 * 5.4.3 分水岭算法 分水岭算法（Watershed Algorithm）是基于区域的分割技术。它将图像中每个物体（包括背景）都看作是单独的部分，并要求在每个物体的内部至少要有一个标记（或种子点）。标记是根据面向应用的关于该物体的知识，操作者手工或通过自动程序选择的。物体经标记后就可用形态的分水岭变换进行区域增长。 * 任何的灰度级图像都可以被看做是一个地形图 * 灰度图映射为地形高度图 把图象中明亮的像素看作处于水中的山头，黑暗的像素看作谷底。如果在山谷侧部的不同高度处凿通一些管道，并假设水平面在整个图像范围均匀上升。所有地形部分隐性连通。于是，水就会从低于水平面的山谷周围的管道涌入，在谷低形成水池。继续不断升高水位，各个山谷储水池面积越来越大。 当两个山谷储水池连在一起时，需在二者之间修筑一个堤坝。保证原有的山谷储水池不会合并。最后形成以堤坝分离的单像素区域，实现图像的多部分的边界。 分水岭算法是利用图像形态学的、基于区域的分割技术。 * 水坝构造：在两个区域相交时构建水坝 图(a)的两个区域在水位上涨后变为连通（图(b)）。在连接区域保留单线条水坝，图(c)中有‘x’的标记。 * 令M1,M2,…,Mr表示图像g(x,y)的r个储水池, C(Mi)为储水池Mi内的像素集合。 T[n]={(s,t)|g(s,t)n} 表示水面涨至g(s,t)=n时，下面的像素集合。 min 和 max 分别是灰度 g(x,y)的最小值和最大值， 水位以整数量从n=min+1向 n=max+1不断上涨。图像中部分低矮地形会逐渐淹没。 如果从上向下俯视，将水面上下两部分看作二值图，便于下面理解。 Cn(Mi)为水面涨至n时，储水池Mi内的像素集合。 分水岭分割算法 令C[n]表示水面涨至n时，所有储水池被淹没