一种改进基于蛇模型分割方法.docVIP

一种改进的基于蛇模型的分割方法 　　摘要：CT图像的分割在临床的诊断和治疗中有着重大的意义。其中Snake分割算法能够得到较好的分割结果，该文通过对传统Snake算法基本原理的研究，提出了一种改进的Snake分割模型。首先，通过数学形态学的方法得到CT图像的边缘，其次，运用改进的能量方程对分割过程进行迭代。优化的Snake模型能够克服传统Snake模型无法收敛于极凹处以及对噪声敏感的问题。通过实验将模型应用于实际CT图像分割，并且得到较精确的实验结果。 　　关键词：CT图像；临床诊断；图像分割；数学形态学；Snake模型 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）01-0181-03 　　An Optimized Segmentation Method Based on Snake Model 　　CHEN Lin 1，2， ZHU Chuan-bei 1，2 　　（1.Research Center of CAD， Tongji University， Shanghai 201804， China； 2.The Engineering Research Center for Enterprise Digital Technology， Ministry of Education， Tongji University， Shanghai 200092，China） 　　Abstract： Segmentation of the CT images is a meaningful step in diagnose of clinical injuries and treatment. Snake model can get a better result among varieties of segmentation methods. An optimized segmentation method based on snake model （or parametric active contour model） is proposed. Firstly， an edge map is generated by morphology operation from the original CT images. Then， the proposed function is used to iterate in the segmentation process. The model addresses the problems of unable to converge to concavity and noise sensitivity of the traditional snake models. And the model can be applied to practical usage with accurate results. 　　Key words： CT images； clinical diagnose； image segmentation； morphology； snake model 　　图像分割是指将图像细分为构成它的子区域或物体，目的在于将其中感兴趣的区域与其他区域分离。作为图像处理的基础，它的意义在于能够对分割的结果进行三维重建，并提供定性和定量的分析，为临床诊断和治疗提供依据。通常，CT图像的分割都由经验相关的医生完成，但这种方法带有主观意识，并不能很好的衡量分割的准确性。常见的分割方法例如阈值分割[1]，它不能够对灰度跨度很大的组织进行分割，因为会有很多无效的组织被当作是感兴趣区域提取出来。基于区域的分割方法例如区域生长法[2]是对初始化敏感的分割方法，其分割结果具有随机性，不同种子点的设置会得到不同的分割结果，并且伴随过度分割。图割方法[3]能够同时权衡图像的边缘和区域信息，得到较好的分割结果，但这种分割方法必须事能能够确定图像要分割的区域数量。分割过程需要对图像像素进行大量计算，对硬件性能要求比较高。Snake模型作[4-5]为可变性模型的一种，具有更好的灵活性，它不仅可以分割简单目标区域，还能够用于分割提取CT图像中复杂的组织结构。它对图像的灰度分布不敏感，能够很好地处理图像边缘中细小的不连续处，形成闭合的曲线将目标区域分割出来。Snake模型将图像分割问题转化成数学上求能量泛函的问题，又基于微分方程利用计算机进行算法迭代，求解图像分割结果。 　　1 Snake模型的基本原理 　　Kass，Witkin等人提出了传统的Snake模型[4]，模型由一条可变形曲线构成[v（s）=x（s），y（s）]，[s∈0，1]，通过最小化