基于迭代自动阈值算法的医学图像增强方法-HujiaweiBujidao.PDF

基于迭代（自动阈值）算法的医学图像增强方法 1 算法原理介绍 1.1 基于灰度阈值的图像分割原理 采用灰度阈值对图像进行分割是图像分割的基本方法之一。通过设定灰度阈 值，把图像的象素点按灰度等级进行分类，把图像分割成若干子图像。在实际应 用中，最常用的一种分割方法是将图像分割成高灰度区和低灰度区两部分，组成 一幅二值图像。该分割方法按式1 对图像进行操作。 (1) 其中，T 为预先设定的灰度阈值，f 为输入图像，g 为输出图像。基于灰度 阈值对图像进行分割的基本条件是式(1) 中阈值T 的选择。虽然采用人工方法往 往可以获得较理想的阈值，但是在很多情况下，需要计算机自动完成阈值的选择， 这样就要求有合适的算法对图像的灰度直方图进行分析，选择合适的阈值。在实 [1] 际中常采用迭代算法或 Ostu 法对阈值进行自动计算 ，本文仅介绍迭代算法。 迭代算法的基本思想是：首先设定一个阈值的估计值；采用一定的算法反复对该 估计值进行修正，保证每次修正后的结果都优于前一次；当进行一定次数的修正 之后，结果趋于收敛，即相邻两次的结果的差异较小，当该差异小到可接受范围 时，表明一个理想的阈值已经求出。最后利用该阈值按式(1)对图像进行操作， 即完成了图像的自动阈值分割。 但是，一些图片由于照度不均、阴影、对比度差异等，使得如果采用同一阈 值对整幅图片进行处理（即全局阈值）时会出现不兼容图像各处的情况，使得分 割效果变差。这时，可以考虑将图片分割成若干子图片，将每个子图片按自动阈 值算法进行处理，然后再将各个子图片的处理结果合并成整体结果输出，该方法 称局部阈值或动态阈值法。 1.2 基于图像自动阈值分割的边缘检测 采用全局阈值或局部阈值获得的二值图像可以方便地应用在图像的边缘检 测当中。由于图像已经转换为二值图像，所以对图像中边缘信息的提取较为方便， 仅需判断某像素是区域内部点还是边缘点即可。实际操作中，对二值图像中黑色 （或白色）点的四邻域进行判断，若该点的四邻域均为黑色 （或白色），即可判 断该点为区域内部点而不是边缘点。依次对图像中每个象素的四邻域进行判断， 即可得到图像的边缘信息。 Hyzhang All rights reserved. 2 程序设计 本次实验中，程序采用 Matlab 语言编写。采用基于迭代的自动阈值算法分 别实现了对图像的全局阈值分割、局部阈值分割，并利用全局阈值分割的结果， 实现图片的边缘检测，增强了图片中的边缘信息。 2.1 迭代算法的实现[2] 根据1.1 节中介绍的迭代算法思想，采用如下语句实现利用迭代算法找出用 于图像分割的阈值。 t=mean(gray_image(:)); %设置估计值 is_done=false; %迭代完成标志位 count=0; %迭代计数归零 while ~is_done %迭代循环 r1=find(gray_image=t); %按前次结果t 对图像二分 r2=find(gray_imaget); temp1=mean(block(r1)); %求r1 区域均值 if isnan(temp1); %保证结果非Na