医学图像分割方法汇总.docxVIP

医学图像分割方法汇总 木文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工 作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点， 分析结果产生的原因，从而在后面的实际应用屮选择最合适的算法。 1阈值法分割 1-1简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度 图像，使用给定的阈值。图像屮的像素超过这个阈值的一律设置为最大值（对于 八位灰度图像，最大值一般为255）,像素小于这个阈值的设置为0.下图1.2 是利用五个不同的阈值对脑部图像（图1.1）的分割结果。（从上到下，从左到 右一次使用的阈值分别为最大值的0. 1, 0. 3, 0. 5, 0. 7, 0. 9倍）。 图1. 1原始脑部图像 图1. 1原始脑部图像 图1?2使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但 是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素范围进 行遍历(对8位灰度图像来说呢，就是从0遍历到255),找出合适的T(阈值)， 把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像T(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素 点数占整幅图像的比例记为30,其平均灰度口0；背景像素点数占整幅图像的比 例为3 1,其平均灰度为卩1。图像的总平均灰度记为卩，类间方差记为g。 假设图像的背景较暗，并且图像的大小为MXN,图像中像素的灰度值小于阈 值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有： TOC \o 1-5 \h \z 30二NO/ MXN (1) 3 1 二Nl/ MXN (2) NO+N1=MXN (3) coO+co 1=1 (4) □二 3 0* u 0+ 3 1* 口 1 (5) g二g)0( u 0- u 厂2+3 1 ( 口 1- 口 厂2 (6) 将式(5)代入式(6),得到等价公式： g= 303 1( pO-Pl厂2 (7)这就是类间方差 找岀使得g(类方差)的值到达最大的T(值)，就是我们需要的结果。 下图1. 3是使用otsu阈值分割法对图1. 1脑部图像的分割结果。 图1. 3使用ostu阈值分割得到的结果 2区域生长方法分割 区域牛长方法是从被分割对象的种子区域（通常是一个或者多个像素点）开 始，在种子区域的相邻像素中寻找与种子区域具有某种给定的相似特征（通常是 灰度值）的像素加入种子区域。并利用新的种子区域重复上述过程，直到种子区 域不再扩大。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满 足一定的条件时，区域生长终止。区域牛长的好坏决定于1.初始点（种子点） 的选取。2.生长准则。3?终止条件。区域生长是从某个或者某些像素点出发，最 后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像：1、选取图像中的一点（或者 一组点）为种子点（种子点的选取需要具体情况具体分析）。2、在种子点处进 行8邻域或4邻域扩展，判定准则是：如果考虑的像素与种子像素灰度值差的绝 对值小于某个门限T,则将该像素包括进种子像素所在的区域。3、当不再有像 素满足加入这个区域的准则时，区域生长停止。 2-1经典区域生长算法 木算法使用的是一组种子点，种子点的选取一般遵循选取图像中较为明亮的 部分，可以使用im2bw函数来选取种子点，通过调整二值化的参数来调整种子点 的数目。然后对种子点的4领域的像素进行判断，符合要求的加入种子点。重复 上述过程知道种子点数目不再变化为止。 实验仍然使用图1. 1的脑部图像为样本。选取两组种子点和两个不同的生长 条件。实验结果如下： 表2-1使用经典区域生长算法使用的参数 种子点 生长准则 4邻域的像素点和种子点 绝对值小于10 4邻域的像素点和种子点 绝对值小于15 使用Otsu得到的种子点 图2-1从左到右从上到下 第一幅图 图2-1从左到右从上到下 第二幅图 设置像素值大于200为种 子点 图2-1从左到右从上到下 第三幅图 图2-1从左到右从上到下 第四幅图 设置像素大于220的为种 子点 图2-1从左到右从上到下 第五幅图 图2-1从左到右从上到下 第六幅图  图2-1经典区域生长算法的实验结果 从实验结果上來看，对经典的区域生长算法的分割结果影响较大的因素有种 子点的选取，和生长准则的制约，需耍经过多次试验才可能得到满意的结果。但 是这种方法存在非常明显的缺点，由于算法使用迭代来查找符合条件的种子点， 所以空间和实践的开销很大！ 2-2连接门限阈值处理 这种方法和上面的经典区域生长算法稍微有些不同