医学图像分割(阈值分割).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 4.4 阈值分割法 4.4.1 阈值分割法原理 4.4.2 极小值点阈值 4.4.3 最优阈值分割 4.4.4 大津阈值分割 4.4.5 基于变换直方图选取阈值 4.4.1 阈值分割法原理 取阈值是最常见的并行的直接检测区域的分割方法。假设图像由具有单峰灰度分布的目标和背景组成，在目标或背景内部的相邻象素间的灰度值是高度相关的，但在目标和背景交界处两边的象素在灰度值上有很大的差别。 4.4.1 阈值分割法原理 如果1幅图像满足上述条件，它的灰度直方图基本上可看作是由分别对应目标和背景的2个单峰直方图混合而成。此时如果这2个分布大小（数量）接近且均值相距足够远，而且均方差也足够小，则直方图应是双峰的。对这类图像常可用取阈值方法来较好地分割。 4.4.1 阈值分割法原理 最简单的利用取阈值方法来分割灰度图像的步骤如下。首先对1幅灰度取值在gmin和gmax之间的图像确定一个灰度阈值T（gmin T gmax），然后将图像中每个象素的灰度值与阈值T相比较，并将对应的象素根据比较结果（分割）划为2类：象素的灰度值大于阈值的为1类，象素的灰度值小于阈值的为另1类。这2类象素一般对应图像中的2类区域。 4.4.1 阈值分割法原理 阈值分割法的基本思想： 确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。 将大于等于阈值的像素作为物体或背景，生成一个二值图像。取单阈值分割后的图像可定义为 If f(x,y) ? T set 255 Else set 0 在四邻域中有背景的像素，即是边界像素。 4.4.1 阈值分割法原理 阈值分割法的特点： 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体） 这种方法总可以得到封闭且连通区域的边界。 4.4.1 阈值分割法原理 4.4.2 极小值点阈值 当图像的灰度直方图为双峰分布时，分割比较容易，只须取其谷底作为门限值，就能将物体与背景分割开来。如果将直方图的包络看作1条曲线，则选取直方图的谷可借助求曲线极小值的方法。设用h(z)代表直方图，那么极小值点应满足： 和这些极小值点对应的灰度值就可用作分割阈值T 4.4.2 极小值点阈值 峰值：对应目标内部点或外部点（背景点），占大多数 谷底：对应目标边缘的少量点 背景概率A＝ 显然如果阈值对应于直方图的谷，阈值从T增加到T+ ΔT，只会导致面积略微变化。因此可以把阈值的选择误差对面积测量的影响降到最低。 4.4.2 极小值点阈值 取直方图谷底(最小值)的灰度值为阈值T 缺点：会受到噪音的干扰，最小值不是预 期的阈值，而偏离期望的值； 改进： 1）取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰 4.4.2 极小值点阈值 通过直方图得到阈值 改进1） 4.4.2 极小值点阈值 改进 2）当直方图不平滑时，谷点将无法找到，这就需要先对直方图做平滑处理，如下述“5点平滑”： 4.4.3 最优阈值分割 假设一幅图像仅仅包括两个主要的灰度区域，令z表示灰度级。将这些值看作随机量，且它们的直方图可以看作它们的概率密度函数（PDF）的估计P（z）, 总概率密度函数是两个的混合。 设目标的像点数占图像总点数的百分比为 ，背景点占 ，混合概率密度为: 4.4.3 最优阈值分割 当选定门限为T时，目标点错划为背景点的概率为: 把背景点错划为目标点的概率为: 4.4.3 最优阈值分割 则总错误概率为: 4.4.3 最优阈值分割 4.4.4 大津阈值分割 4.4.4 大津阈值分割 4.4.4 大津阈值分割 4.4.4 大津阈值分割 4.4.5 基于变换直方图选取阈值 1、直方图变换 图像受噪声等的影响: 使直方图原来分离的峰之间的谷被填充、峰谷之间的距离不大或相差很小. 直方图变换的基本思想是利用一些象素邻域的局部性质来变换原来的直方图以得到1个新的直方图。这个新的直方图与原直方图相比，或者峰之间的谷更深了，或者谷转变成峰, 从而更易检测了。 变换的直方图一般可分为2类：① 具有低梯度值象素的直方图；② 具有高梯度值象素的直方图。 ① 具有低梯度值象素的直方图：计算1个加权的直方图，其中赋给具有低梯度值的象素权重大一些。在这样加权的直方图中，边界点贡献小而内部点贡献大，峰基本不变而谷变深，所以峰谷差距加大（见下图，虚线为原直方图）。 ② 具有高梯度值象素的直方图：第2类与上面的方法相反，也计算1个加权的直方