对于面向生物医学图像交互式分割算法研究.pdfVIP

对于面向生物医学图像交互式分割算法研 究 　　对于面向生物医学图像的交互式分割算法研究摘 要： 结合阈值法和区域生长算法，提出一种面向生物医学图像的 交互式分割算法。利用阈值法对图像中用户选取的感兴趣 域进行预分割，通过阈值分割得到的目标区域确定区域生长 算法的种子像素与相似性准则，获得最终分割结果。实验结 果表明，该算法简单快速、对生物医学图像可取得良好的分 割效果。 关键词：生物医学图像;图像分割;交互式技术;阈值法; 区域生长 1、概述 生物医学图像分割是近年来图像处理领域的研究热点。 基于生物医学图像的分割技术，可对生物医学图像的内 容进行分析，帮助医务人员诊断和制定治疗方案，同时由于 生物医学图像具有分辨率低、噪声大、图像特性差异大的特 点，为该类图像的分割带来了困难，因此生物医学图像的分 割技术具有重要的研究意义。依据不同生物医学图像间特性 差异较大的特点，本文着重研究交互式分割算法，即由使用 者给出图像中包含目标的感兴趣区域，再利用算法对该区域 进行分割。 取阈值是最简单的图像分割方法[1-4]，即确定阈值后 全新精品资料-全新公文范文-全程指导写作 –独家原创 1 / 7 将灰度值大于阈值的像素划分为一类，灰度值小于阈值的像 素为另一类，这 2 类像素将分别对应于图像中的目标或背 景区域。 该算法重点在于阈值的选取，经典算法包括 Otsu 的最 大类间方差法[2]和 Kapur 的熵极值法[3]。 在2 种算法的基础上衍生出其他一些算法，如基于Otsu 准则和图像熵的阈值选取方法[4]，基于区域生长[5-8]的分 割算法是图像处理领域中另一种常用的技术，其基本思想是 先对每个需要分割的区域找一个或多个种子像素作为生长 起点，然后将种子像素周围邻域中与种子像素有相似性质的 像素合并到种子像素所在区域中，再将这些新像素当作新的 种子像素重复进行上述过程，直到没有满足条件的像素被包 括进来[5]。该算法的重点在于种子像素的选取和像素相似 性判定准则的确定，如文献[6]使用区域平均灰度和局部梯 度变化率来判定相似性，文献[7]利用灰度值和新像素与种 子像素间的距离来定义相似性，文献[8]对图像进行分水岭 变换后再确定相似性。本文提出一种简单有效的面向生物医 学图像的交互式分割算法。 2、面向生物医学图像的交互式分割算法 2.1 交互式分割交互式分割是由用户给出图像中感兴 趣区域的大致范围，并标记出目标区域中的典型像素，从而 提供部分先验信息，然后分割算法再根据这些信息对图像进 全新精品资料-全新公文范文-全程指导写作 –独家原创 2 / 7 行分割。交互式分割只要人工提供少量信息，就能适应不同 的图像特性和需求，提高分割准确率，同时可以有效降低计 算复杂度。 2.2 阈值分割阈值分割方法的关键是依据图像的本身 性质选取合适的阈值，阈值的选择主要有统计学方法和信息 论方法等，其中，统计学方法是通过对图像灰度分布一维或 二维直方图的分析处理，选取最佳分割阈值，经典算法为最 大类间方差算法[2]，该算法在双峰灰度直方图的模型基础 上，依据目标和背景 2 类数据间的方差极大准则确定区域 分割门限。 在本文交互式分割算法中，当用户选取感兴趣区域后， 算法首先计算感兴趣区域的局部直方图，并使用文献[2]算 法得到最优阈值 Th ，然后计算典型目标像素的平均灰度值 Ir ，并作为阈值分割的参考灰度值。如果Th≤Ir ，则将灰 度值大于等于 Th 的像素作为目标区域，反之将灰度值小于 Th 的像素作为目标区域。 阈值法分割快速，但由于未考虑图像中的空间信息，因 此对噪声和灰度不均匀性很敏感。目标区域中会出现小孔洞， 并且目标区域边界上的毛刺现象很明显。 2.3 区域生长算法基于种子的区域生长算法[5]的基本 思想是将具有相似性质的像素集合起来构成区域，具体