pet图像肿瘤的检测-科研训练结果程序.doc

第四章 用MATLAB进行PET图象肿瘤的检测在一幅图像中，人们常常只对其中的部分目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色和纹理等）上和临近的图像有差别。这些特性差别可能非常明显，也可能很细微，以至肉眼察觉不出来。随着计算机图像处理技术的发展，使得人们可以通过计算机来获取和处理图像信息。图像识别的基础是图像分割，其作用是把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来，并形成数字特征。f=imread(rice.png); subplot(121); imshow(f); title(原始图像) f=double(f); T=(min(f(:))+max(f(:)))/2; done=false; i=0; while ~done r1=find(f=T); r2=find(fT); Tnew=(mean(f(r1))+mean(f(r2)))/2; done=abs(Tnew-T)1; T=Tnew; i=i+1; end f(r1)=0; f(r2)=1; subplot(122); imshow(f); title(迭代阈值二值化图像) 用迭代式阈值选择法二值化图像 （2）Otsu法阈值选择 Otsu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点，是一种常用的阈值选取方法。MATLAB工具箱提供的graythresh函数求取阈值采用的就是这种方法。 其基本思想是：设图像像素数为N，灰度范围为[0，L-1]，对应灰度级i的像素数为，概率为 i=0,1,2,…,L-1 把图像中的像素按灰度值用阈值T分成两类和，由灰度值在[0,T]之间的像素组成，由灰度值在[T+1,L-1]之间的像素组成，对于灰度分布概率，整幅图像的均值为 则和的均值为， 其中， 由上面三式可得，类间方差定义为 让T在[0,L-1]范围依次取值，使得方差最大的T值即为Otsu法的最佳阈值。 下面为用Otsu方法进行阈值选择的MATLAB代码： f=imread(rice.png); subplot(121); imshow(f); title(原始图像) T=graythresh(f); g=im2bw(f,T); subplot(122); imshow(g); title(Otsu方法二值化图像) 用Otsu方法二值化图像 （3）分水岭算法 分水岭算法（watershed）是一种借鉴了形态学理论的分割方法，在该方法中，将一幅图像看成一个拓扑地形图，其中灰度值对应地形高度值，高灰度值对应着山峰，低灰度值对应着山谷。水总是朝着地势低的地方流动，直到某一局部低洼处才停下来，这个低洼处被称为吸水盆地。最终所有的水会分聚在不同的吸水盆地，吸水盆地之间的山脊被称为分水岭。水从分水岭流下时，它朝着不同的吸水盆地流去的可能性是相等的。将这种想法应用于图像分割，就是要在灰度图像中找到不同的吸水盆地和分水岭，由这些不同的吸水盆地和分水岭组成的区域即为我们要分割的目标。 阈值T0 阈值T1 阈值T2 分水岭形成示意图 I=imread(eight.tif); subplot(221); imshow(I); title(原始图像) subplot(222); I=double(I); hv=fspecial(prewitt); hh=hv.; gv=abs(imfilter(I,hv,replicate)); gh=abs(imfilter(I,hh,replicate)); g=sqrt(gv.^2+gh.^2); subplot(222); L=watershed(g); wr=L==0; imshow(wr); title(分水岭) I(wr)=255; subplot(223); imshow(uint8(I)); title(分割结果) rm=imregionalmin(g); subplot(224); imshow(rm); title(局部极小值) 不准确标记分水岭算法导致的过分割 从上图可以看到对应于目标的边缘，出现了比较严重的过分割现象，原因在于分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点。从第四幅图中可以看到有过多的局部极小点。下面的改进程序克服了这个缺点。 I=imread(eight.tif); subplot(231); imshow(I);