基干Curvelet变换与多目标粒子群混合熵MRI图像多阈值分割.docVIP

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割 　　摘 要：针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题，提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先，对待分割MRI图像进行Curvelet分解，提取低频子带和高频细节子带构建概貌细节灰度级矩阵模型，以提高算法的目标细节表示能力； 其次，同时考虑目标与背景的类间差异性与类内均匀性，将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵，作为多目标粒子群算法的目标函数，协同搜索得到最优的分割多阈值，以实现MRI图像的精确分割； 最后，为提高算法的求解速度，提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比，所提方法对灰度不均和含噪的MRI图像具有更好的适应性，分割结果更为精确 关键词：核磁共振成像；Curvelet变换；多目标粒子群；二维倒数熵；二维倒数灰度熵 中图分类号：TP391.41 文献标志码：A 文章编号：1001-9081（2016）11-3188-08 0 引言 核磁共振成像（Magnetic Resonance Imaging，MRI）技术 是一种生物磁自旋成像技术，它可以直接做出各个方向的体层图像。同用X射线进行检查的电子计算机断层扫描（Computed Tomography，CT）图像相比，MRI以其非介入性、非损伤性、多角度多参数成像、高度的软组织分辨能力等优点，已成为脑疾病临床诊断的重要辅助手段[1]。然而，由于噪声、场偏移效应和局部体效应等影响，获取的MRI图像常具有含噪高、对比度低、灰度不均匀、不同软组织之间或软组织与病灶之间边界模糊等特点，因此，MRI图像的精确分割是一大难题[2] 针对MRI图像分割的难题，国内外许多学者进行了深入的研究，提出了许多典型的分割算法，主要有基于阈值、基于模式识别、基于活动轮廓、基于马尔可夫随机场（Markov Random Field，MRF）和基于图切割这五个方面[3]。其中，阈值分割以其简单快速的特点成为常用的一类MRI图像分割方法。目前，在已有的各类阈值选取方法[4-6]中，以熵为目标函数的阈值分割方法备受关注。最初，一维最大Shannon熵法[7]被用于图像阈值分割。此后，二维最大Shannon熵法[8]及其粒子群优化算法[9]也相继被提出，在提高算法的抗噪性的同时避免了计算量的膨胀。最大Shannon熵法选取最佳阈值时仅依照灰度级概率信息，忽视了类内灰度均匀性，导致一部分图像分割不准确；针对这一问题，文献[10]提出了Shannon灰度熵阈值选取方法，确保了分割后的图像中各类类内灰度的均匀性。上述最大熵法和最大灰度熵法建立在Shannon对数信息熵的基础上，对数运算存在零点无定义的问题，而且仅依据一维灰度直方图，忽略了像素邻域信息，没有考虑各类类间的差异性。为此，文献[11]提出了二维倒数灰度熵阈值选取方法。由于MRI图像的成像质量较差，以上熵阈值方法用于MRI图像分割时存在以下问题：1）MRI图像具有含噪高、对比度低、灰度不均匀、不同软组织之间或软组织与病灶之间边界模糊等特点；而一维空间模型和简单的灰度-邻域平均灰度空间模型不能很好地反映图像的细节信息。2）MRI图像个体具有多样性和复杂性，目标对象可能为多个，且各目标或者背景所占灰度区间相异；单阈值分割无法体现组织间的层次性，分割得到的结果存在明显偏差。3）为减少计算量，基本粒子群优化算法因其实现简单、搜索速度较快而被广泛运用；然而，传统粒子群优化的熵阈值分割都以单个熵作为目标函数，不能同时考虑类间差异性与类内均匀性，且粒子群优化算法用于二维空间时计算量较大 针对上述问题，本文提出了一种基于Curvelet 变换和多目标粒子群（Multi-Objective Particle Swarm Optimization， MOPSO）的二维混合熵MRI图像多阈值分割方法。首先，为有效表示MRI图像中的纹理、边缘等目标细节信息，本文利用具有多分辨率、多方向性的Curvelet 变换提取MRI图像的低频和高频信息，建立概貌细节灰度级矩阵模型；其次，同时考虑目标与背景的类间差异性与类内均匀性，将提出的二维多阈值倒数熵和倒数灰度熵作为混沌多目标粒子群算法的目标函数，协同搜索得到最优的分割多阈值； 最后，为提高算法的求解速度，提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。本文算法充分考虑了目标和背景的所有信息，多阈值选取能更好地适应MRI图像中目标的多样性和复杂性，递推算法大幅减少迭代过程中的重复计算，降低计