MedicalImage9医学图像分割(基于区域的分割)汇.pptVIP

第四章 医学图像分割 4.1 图像分割概述 4.2 间断检测 4.3 边缘连接和边界检测 4.4 阈值分割法 4.5 基于区域的分割 4.6 数学形态学图像处理 4.5 基于区域的分割 4.5.1 基本概念 4.5.2 区域生长 4.5.3 区域分裂与合并 4.5.1 基本概念 目标：将区域R划分为若干个子区域R1,R2,…,Rn，这些子区域满足5个条件： 1)完备性： 2)连通性：每个Ri都是一个连通区域 3)独立性：对于任意i≠j，Ri∩Rj= Ф 4.5.1 基本概念 4)单一性：即任何区域满足如下谓词（例如每个区域内的灰度级相等） P（Ri）= TRUE，i = 1,2,…,n 5)互斥性：任何两个相邻区域不能合并成单一区域（例如任两个区域的灰度级不等），必满足谓词： P（Ri∪Rj）= FALSE，i≠j 一致性谓词P 定义了在区域 R 上的所有点与区域模型的相似程度。 4.5.2 区域生长 区域生长技术利用原理：同类象素具有相似性。 对每一象素定义对应的特征向量 其中， 都是与（i, j）有关的性质，如灰度值、梯度幅值、是否为边缘点等 4.5.2 区域生长 衡量两个象素（i, j）（k, l）是否为同类可以通过比较它们的特征向量是否具有相似性来确定. 比较 或 若A (i, j, k, l)或 L (i, j, k, l)足够小即认为象素是相似的（即为同类）。 4.5.2 区域生长 1. 单一型链结的区域生长 2. 混合型链结的区域生长 3. 登山算法 4. 分水岭算法 4.5.2 区域生长 4.5.2 区域生长 1. 单一型链结的区域生长 4.5.2 区域生长 1. 单一型链结的区域生长 举例：一幅图像背景部分的均值为25，方差为625，在背景上分布着一些互不重叠的均值为150，方差为400的小目标。设所有目标合起来约占图像总面积的20%，提出1个基于区域生长的分割算法将这些目标分割出来。 算法描述 ①从左至右，从上至下扫描图像。 ②若扫描到灰度值大于150的象素，取为种子点，进行区域生长。 生长准则为将相邻的灰度值与已有区域的平均灰度值的差小于60（3σ）的象素扩展进来。 ③若不能再生长，标记已生长区域。 ④若扫描到图像右下角，结束；否则回到①继续。 4.5.2 区域生长 2. 混合型链结的区域生长 4.5.2 区域生长 3. 登山算法 4.5.2 区域生长 区域生长算法的优点： 计算简单 特别适用于分割小的结构如肿瘤和伤疤 区域生长也很少单独使用，往往是与其他分割方法一起使用。 区域生长的缺点： 有时需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植入一个种子点。 对噪声敏感，导致抽取出的区域有空洞或者将原本分开的区域连接起来。 4.5.2 区域生长 4. 分水岭算法 4.5.2 区域生长 4. 分水岭算法 分水岭计算步骤 基于形态学分水岭的分割－水坝的构造 分水岭算法不是简单地将图像在最佳灰度级进行阈值处理，而是从一个偏低但仍然能正确分割各个物体的阈值开始。然后随着阈值逐渐上升到最佳值，使各个物体不会被合并。这个方法可以解决那些由于物体靠得太近而不能用全局阈值解决的问题。只要也只有所采用最初的阈值进行分割的结果是正确的，那么，最后的分割也是正确的。也就是说，图像中每个实际物体都有相应的边界。 最初和最终的阈值灰度级都必须很好地选取。如果初始的阈值太低，那么低对比度的物体开始时会被丢失，然后随着阈值的增加就会和相邻的物体合并。如果初始阈值太高，物体一开始便会被合井。最终的阈值决定了最后的边界与实际物体的吻合程度。本章中讨论的阈值选择方法在确定这两个值时很有用。 4.5.3 区域分裂与合并 算法实现： 1）对图像中灰度级不同的区域，均分为四个子区域 2）如果相邻的子区域所有像素的灰度级相同，则将其合并 3）反复进行上两步操作，直至不再有新的分裂与合并为止 4.5.3 区域分裂与合并 算法实现： 4.5.3 区域分裂与合并 算法实现（实际应用中还可作修改）： P(Ri)的定义为： 1）区域内多于80%的像素满足不等式 |zj-mi|=2σi， 其中：zj是区域Ri中第j个点的灰度级， mi是该区域的平均灰度级， σi是区域的灰度级的标准方差。 2）当P(Ri)=TRUE时，将区域内所有像素的灰度级置为mi。 4.5.3 区域分裂与合并 思考题 作业 1、对下图用区域生长法进行分割，其中画线象素为种子点，令新生长进区域的象素灰度为种子点灰度