基于Snake模型的医学图像分割研究.docVIP

基于Snake模型的医学图像分割研究 　　摘要：医学图像分割是指从医学图像中提取出医生感兴趣的目标，以便进行临床诊断和医学研究。医学图像分割的速度和准确性对医生进行诊断有直接影响，由于医学图像具有模糊和不均匀等特点，加之受到图像噪声、成像质量等多方面的影响，传统的图像分割方法很难获得满意的分割效果。本文对多种改进的Snake算法进行研究后，将基于梯度向量流的主动轮廓方法(GVF Snake)作为本文的分割方案，并对算法的具体实现进行了讨论。最后以OpenCV为平台实现算法，并对分割的结果进行了评估。 　　关键词：图像分割；主动轮廓模型；梯度向量场 　　中图分类号：TP318文献标识码：A文章编号：1009-3044(2011)01-0175-02 　　医学图像是医生进行诊断与研究的重要工具，医学图像分割就是将图像中感兴趣的部分提取出来，以便进一步处理，如病灶、器官的三维重建等。由于医学图像具有模糊和不均匀等特点，加之受到图像噪声、成像质量等多方面的影响，传统的图像分割方法很难获得满意的分割效果。在这个领域已经产生了很多图像分割方法[1]。 　　Kass等人提出的参数活动轮廓模型(parametric active contour model-snake)[2]，能利用图像的高层信息，在图像分割领域有重大的利用价值。但经典的活动轮廓模型由于仅用到图像边缘梯度信息而忽略了区域信息，使得在检测弱边缘时会产生溢出；而且过度依赖初始轮廓的选择，在演化过程中容易陷入局部最优；另外还存在抗噪声能力不足等问题，对医学图像的分割效果并不理想。Cohen等人[3]提出的“balloon”模型，在外力中增加膨胀力，使目标内部的点在膨胀力的作用下收敛到目标边缘。并且提出标准化外部力，使得不论图像梯度绝对值的大或小，对轮廓线都有相同的影响。该模型的不足之处在于在图像力较弱的边界，轮廓会产生一定的外突现象。Xu Chenyang[4]等提出了GVF Snake方法，它是采用一种新的静态图像作用力来代替模型中的图像力，这种力不会随着时间变化而变化，而且也不依赖于初始轮廓线的位置，称之为梯度向量流(Gradient Vector Flow，GVF)，这种方法通过将图像的梯度矢量向外扩散，扩大Snake模型中外部力的捕捉范围，能较好的收敛到目标的深度凹陷区域，从而提高了传统Snake的性能。 　　1 活动轮廓模型 　　1.1 经典Snake模型 　　Kass等[2]提出的经典Snake模型由一组控制点组成： 　　 （1） 　　x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅立叶变换形式描述边界的自变量，轮廓线的能量由内部能量和外部能量组成，基本的能量构成表示为： 　　 （2） 　　其中： 　　 （3） 　　 （4） 　　 （5） 　　EElastic为弹性能量，EBending为弯曲能量，vs和vss是v(s)对于s的一阶和二阶导数。一阶导数反映曲线的连续性，二阶导数反映曲线的平滑性。在活动轮廓发生形变时，弹性能量使轮廓收缩，弯曲能量抵抗变形，保持曲线平滑。EExternal为外部能量，也称图像力，主动轮廓模型的关键就在于如何定义外部能量，使得能量的最小化满足期望结果的图像特征。 　　然而，经典Snake模型的外部力仅存在与目标边界周围，即外部力的捕捉范围很小，若初始轮廓离目标边界较远，则达不到理想的分割效果，并且由于凹型区域内部只有水平方向的力，轮廓线难以深入。 　　1.2 GVF Snake模型 　　梯度向量流(Gradient Vector Flow，GVF)将图像的梯度矢量向外扩散，比图像力更加有序、更能体现物体边界的宏观走势。该算法设灰度图像I(x,y)的一个边界图，GVF定义为向量场并满足下式的最小值： 　　 （6） 　　其中，(x,y)为象素点的坐标，f为(x,y)处的梯度，μ为噪声因子。用来控制积分中第一，二项之间的平衡，μ值与噪声的影响有关，噪声越大，μ值也就越大。在接近目标边界的区域，f较大，能量主要由积分的第二项来控制，当V≈f时能量接近最小值，这样就使得V(x,y)接近于目标边界的梯度；在远离目标边界的区域，f较小，能量主要由向量场的偏微分来决定，最小化过程会产生一个会逐渐聚合到目标边界并缓慢变化的力场。因此GVF Snakes扩大了模型的搜索范围，对轮廓线初始位置不会敏感,轮廓线也能较快的收敛到目标边界。同时，GVF也能对凹陷边界也能进行捕捉。 　　2 GVF Snake算法的实现 　　在进行分割方法前，需要对医学CT图像进行一定的预处理，得到满足分割要求的图像，本文采用的灰度化方法为加权平均值法[5]。文本在OpenCV平台的GUI界面中，用鼠标点取控制点，程序会将控制点