7第7章 图像分割专题.ppt

7.3 医学图像分割 医学图像分割概述 医学图像分割技术 阈值分割技术 聚类分割技术 区域增长技术 边缘检测法 边界跟踪法 医学图像分割新方法 分割算法评价 什么叫图像分割？ 图像分割与医学 医学图像分割意义 1、阈值分割技术 阈值分割技术的特点 阈值分割的最大特点是计算简单，对于有两个相反部分的图像能够达到很好的结果，其基本原理是通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。 阈值分割实现简单，对于不同类的物体灰度值或其他特征值相差很大时，他能很有效的对图像进行分割，但对于边界模糊的图像和复杂图像，单纯阈值分割几乎无法准确地分割图像。所以阈值分割通常作为图像的预处理，然后应用其他一系列分割方法进行后处理。 阈值分割的数学表达 设原始图像为f(x，y)，按照一定的准则在f(x，y)中找到若干个特征值T1，T2，…，TN，其中N≥1。将图像分割为几部分，分割后的图像为： 最简单的情况 2、聚类分割技术 3.区域增长技术 区域增长技术的特点 4.边缘检测法 基于边缘检测的分割方法就是通过检测相邻像素特征值的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻近点，经典的、最简单的边缘检测方法是对原始图像按像素的某邻域构造边缘算子，主要包括局部微分算子，如Roberts梯度算子、Sobel梯度算子和Prewitt算法等都是利用了检测梯度最大值的方法。 边缘检测法的特点 基于边缘的分割方法得到的图像边界往往都是不连续的，需要后处理连接成闭合的边界，即边缘检测方法获得的边缘信息往往会因这些信息不够突出而产生间隙，不能形成包围物体的封闭曲线，这就要求根据这些离散的边缘点采用一定的跟踪、连接算法勾勒出有意义的物体边界。另外，边缘检测分割方法对噪声较大的图像还会产生较多的伪边缘，为去除噪声提出了较高的要求。这个问题在医学超声图像分割中显得尤为突出。 5.边界跟踪法 6.医学图像分割新方法 基于模糊理论的方法 基于知识的分割 基于人工神经网路的分割 基于遗传算法的分割 基于活动轮廓模型的方法 基于小波变换的方法 基于数学形态学的分割 7．医学图像分割算法评价 医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现，以通过选择算法参数来适应不同类型图像的需要。 由于实际问题的复杂性，至今没有统一的评价金标准。 C P P C P C P C C P C P C P P C （灰度大于阈值，转为白色） （灰度小于阈值，转为黑色） 获取阈值的算法 一种简单的计算T值算法： （1）选择T的初始估计值； （2）用T分割图像。得到两组像素：G1由所有灰度值大于等于 T的像素组成，G2由所有灰度值小于T的像素组成； （3）对区域G1和G2中所有像素计算平均灰度值μ1和μ2； （4）计算新的阈值：T=(μ1+μ2)/2 （5）重复步骤2到4，直到逐次迭代所得的T值之差小于事先定 义的精确度参数T0。 另一种算法：大津阈值分割 1979年由日本人大津提出，也称作类间方差阈值分割。基本思想：把直方图在某一阈值处分割成两组，当两组间方差为最大时，确定阈值。 例如：一幅图像的灰度为1~m级，灰度值i的像素数为ni，此时总像素数为： 各灰度值的概率为： 用k将其分成两组C0={1~k}和C1={k+1~m}，各组产生的概率如下： C0的概率： C1的概率： C0 的平均值： C1的平均值： 得到所有采样点的平均值为： 两组间的方差为： 最后， 求得阈值K*为 类：指模式类，是拥有共同性质的事物。 模式：可以用矢量去描述，称为模式矢量。 如一个n维的模式矢量： 例：对三种不同类型的花进行分类。 首先，每种花都用一个二维的模式矢量描述： x1和x2分别代表花瓣的长度和宽度。 模式矢量是二维的情况下，分类器的决策边界是一条直线； 三维时是一个平面；超过三维时是超平面。前节的阈值分割技术， 其实是对应一维的模式矢量。 我们可以把图像中的不同区域看作是不同的 模式类，用模式矢量去描述。 分量x1、x2、xn可以 代表灰度、纹理及其它统计参数。 通过计算后，把所有获得的模式矢量放到同 一个多维特征空间中进行聚类分析，最后实现图 像的分割。 灰度 纹理 二维模式矢量 C均值聚类算法 很多书上都是称K均值聚类 将一幅图象分成c个区域可以采用c均值法。令 x=(x1,x2)代表一个象素的坐标，g(x)代表这个象素的灰 度值，c均值算法就是将代价函数J最小化： 其