医学图像纹理分析综述.doc

医学图像纹理分析综述 本文档由【中文word文档库】提供，转载分发敬请保留本信息； 中文word文档库免费提供海量范文、教育、学习、政策、报告和经济类word文档。 【关键词】? 医学图像分析 CAD 纹理分析 　医学图像分析是医学图像处理的较高阶段，通过对医学图像作进一步后处理分析，以给出某一具体医学图像与其它医学图像相区别的特征。在医学图像的分析中，图像纹理分析已被应用于各种图像处理过程，如图像分割、图像识别等。其主要的作用是为计算机理解（如模式识别）提供基础，目前已广泛应用于医学图像辅助检测与诊断(computer aided diagnosis，CAD)的定量分析中。 目前对于图像的纹理还没有一个统一的定义，一般认为图像的纹理特征描述物体表面灰度或颜色的变化，这种变化与物体自身属性有关，是某种纹理基元的重复。Sklansky早在1978年给出了一个较为适合于医学图像的纹理定义：“如果图像的一系列固有的统计特性或其它的特性是稳定的、缓慢变化的或者是近似周期的，那么则认为图像的区域具有不变的纹理”。纹理的不变性即指纹理图像的分析结果不会受到旋转、平移、以及其它几何处理的影响。 纹理分析方法分类 目前从图像像素之间的关系角度，纹理分析方法分为四类［1］： 1.1? 统计法 统计分析方法主要是基于图像像素的灰度值的分布与相互关系，找出反映这些关系的特征。基本原理是选择不同的统计量对纹理图像的统计特征进行提取。这类方法一般原理简单，较易实现，但适用范围受到限制。该方法主要适合医学图像中那些没有明显规则性的结构图像，特别适合于具有随机的、非均匀性的结构。??? 统计分析方法中，最常用的是共生矩阵法，其中有灰度共生矩阵（gray level cooccurrence matrix，GLCM）和灰度—梯度共生矩阵。其中GLCM定义为：对于一个有N个离散灰度级组成的图像f(x,y)，灰度共生矩阵P（i，j,d,θ）定义为点（x1,y1）的灰度值为i，点（x2,y2）的灰度值为j出现的概率。可以提取下列统计量作为纹理特征，包括图像能量、熵、对比度、均匀性、相关性等。杜克大学的R.Voracek等［2］使用GLCM对肋间周边区提取的兴趣区（region of interest，ROI）进行计算，测出了有意义的纹理参数。另外，还有长游程法（run length matrix，RLM），其纹理特征包括短游程优势、长游程优势、灰度非均匀化、游程非均匀化、游程百分比等，长游程法是对图像灰度关系的高阶统计，对于给定的灰度游程，粗的纹理具有较大的游程长度，而细的纹理具有较小的游程长度。1979年，Haralick，提出了自相关函数法进行纹理分析。图像的自相关函数可以用来评估图像纹理的规则性、粗糙性、粒度等。 1.2? 结构法 结构分析方法是分析纹理图像的结构，从中获取结构特征。结构分析法首先将纹理看成是有许多纹理基元按照一定的位置规则组成的，然后分两个步骤处理：a.提取纹理基元；b.推论纹理基元位置规律。目前主要用数学形态学方法处理纹理图像，该方法适合于规则和周期性纹理，但由于医学图像纹理通常不是很规则，因此该方法的应用也受到限制，实际中较少采用。 1.3? 基于模型法 模型法认为一个像素与其临域像素存在某种相互关系，这种关系可以是线性的，也可以是符合某种概率关系的。模型法通常有自回归模型、马尔科夫随机场模型、Gibbs随机场模型、分形模型，这些方法都是用模型系数来表征纹理图像，其关键在于首先要对纹理图像的结构进行分析以选择到最适合的模型，其次为如何估计这些模型系数。如何通过求模型参数来提取纹理特征，进行纹理分析，这类方法存在着计算量大，自然纹理很难用单一模型表达的缺点。 1.3.1? 同步自回归（Simultaneous Auto Regressive，SAR）模型? SAR能够反映纹理的实质，是描述纹理较为成功的一种随机场模型。SAR模型定义为： f(s)=u+Σrωθ(r)f(s+r)+ε(s) f(s)是N×N纹理图像的第s(i,j) 点的像素灰度值。SAR模型认为，一个像素（i，j）处的灰度可通过按某种标准排列的（i，j）之前的一个像素序列的线性组合与附加的独立噪声ε(s)表示。1981年Kashyap对具有循环邻域的纹理提出了循环同步自回归（ Circulation? SAR ，CSAR）模型，该模型主要用于解决不变纹理图像。 1.3.2? Morkov随机场模型（ Markov random field，MRF）? 即将纹理图像看成MRF的实现，即假定图像的每个像素的密度只依赖于邻域像素的密度，匹配模型即是具体指出其条件概率系数，而这些系数可以作为重要的纹理特征。Morkov随机场（MRF）模型是一种较好的描述纹理的方法，目前有许