医学影像图像处理5.ppt

所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。;第三类;2.;医学图像特点:模糊、不均匀、个体差异、复杂多样;医学图像分割方法的公共特点： 分割算法面向具体的分割任务，没有通用的方法 更加重视多种分割算法的有效结合 需要利用医学中的大量领域知识 交互式分割方法受到日益重视 ;区域增长;如图给出已知种子点 区域生长的一个示例。;;生长准则的选取不仅依赖于具体问题本身，也和所用图像数据的种类有关;生长准则和过程;基于区域灰度差;;这种方法简单，但由于仅考虑了从一个象素到另一个象素的特性是否相似，因此对于有噪声的或复杂的图像，使用这种方法会引起不希望的区域出现。另外，如果区域间边缘的灰度变化很平缓，如图a所示，或者对比度弱的两个相交区域，如图b所示，采用这种方法，区域1和区域2将会合并起来，从而产生错误;为了克服这个问题，可不用新象素的灰度值去和邻域象素的灰度值比较，而用新象素所在区域的平均灰度值去和各邻域象素的灰度值进行比较;;实例;基于区域内灰度分布统计性质;具体的计算步骤：;;对上述两种方法有两点说明：;基于区域形状;(2) 把图像分割成灰度固定的区域，设两邻域区域的共同边界长度为B，把两区域共同边界线两侧灰度差小于给定阈值得那部分长度设为L，如果（T2为阈值）;实例;分裂合并;;;利用图像四叉树表达方式的简单分裂合并算法;如果仅仅允许使用分裂，最后有可能出现相邻的两个区域，具有相同的性质，但并没有合成一体的情况。为解决这个问题，在每次分裂后，允许其后继续分裂或合并。这里合并只合并那些相邻且合并后组成的新区域满足逻辑谓词P的区域。也就是说，如果能满足条件P(Ri∪Rj)=TRUE,则将Ri和Rj合并;示例;对下图所示的起始区域使用方差最小的测试准则进行区域的分裂合并;;基于阈值的分割;但是，它对物体与背景具有较强对比的景物的分割很有效，而且总能用封闭连通的边界定义不交叠的区域;某种特殊情况下，高于阈值t的象素保持原灰度级，其它象素都变为0，称为半阈值法，分割后的图像可表示为：;由此可见，阈值化分割算法主要有两个步骤： 1、确定需要的分割阈值 2、将分割阈值与象素值比较以划分象素;直方图阈值分割;简单直方图分割法;Z1;注意：应用灰度直方图双峰法来分割图像，也需要一定的图像先验知识，因为同一个直方图可以对应若干个不同的图像，直方图只表明图像中各个灰度级上有多少个象素，并不描述这些象素的任何位置信息。;最佳阈值;P1(Z);最佳阈值就是使E(Zt)为最小值时的Zt，将E(Zt)对Zt求导，并令其等于0，解出其结果为：;将上两式代入，且对两边求对数，得到：;如果设θ=1- θ，即θ＝1/2时，;这个就称为莱布尼兹法则;类间方差阈值分割;归一化直方图，则;可以看出，对任何t值，下式都能成立：;引入关于t的等价判决准则：;一维最大熵阈值分割;设ni为数字图像中灰度级i的象素点数，pi为灰度级i出现的概率，则;当熵函数取最大值时对应的灰度值t*就是所求的最佳阈值，即;模糊阈值分割;模糊率V(x)从数量上定义了图像X在μ资格函数下所呈现的模糊性的大小。直观的看，当μ(xm,n)=0.5时，V(x)和E(x)都取得了最大值，偏离该值时，V(x)和E(x)将下降。;在模糊阈值算法中，资格函数对分割结果影响较大，常见的资格函数主要有以下几种：;（2）具有升半柯西分布形式的资格函数，如图所示;（3）线性资格函数，如图所示;对于原始图像目标，背景呈现双峰分布的直方图，对应的V(x)图形也具有双峰，这时总存在一个q0值，其对应的模糊率V(q0)值，即为图像分割的最佳阈值。;边缘:是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合。 边缘性质:边缘能勾划出目标物体轮廓，使观察者一目了然，包含了丰实的信息(如方向、形状等)，是图像识别中抽取的重要属性。 边缘分类:阶跃状和屋顶状两种。 阶跃状边缘位于两边的像素灰度值有明显不同的地方； 屋顶状边缘位于灰度值从增加到减少的转折处。 ;1.边缘的定义： 图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。 2.边缘的分类 阶跃状 屋顶状;图像：;说明：对阶跃边缘，其一阶导数在图像由暗变明的位置处有1个向上的阶跃，而其它位置都为0，这表明可用一阶导数的幅度值来检测边缘的存在，幅度峰值一般对应边缘位置。 其二阶导数在一阶导数的阶跃上升区有1个向上的脉冲，而在一阶导数的阶跃下降区有1个向下的脉冲，在这两个脉冲之间有1个过0点，它的位置正对应原图像中边缘的位置，所以可用二阶导数的过0点检测边缘位置，而用二阶导数在过0点附近的符号确定边缘象素在图像边缘的暗区或明区。 对(c)而言，脉冲状的剖面边缘与(a)的一阶