《基于区域生长的肺部CT图像分割研究-毕业论文.docx》由会员分享，可在线阅读，更多相关《基于区域生长的肺部CT图像分割研究-毕业论文.docx（24页珍藏版）》请在金锄头文库上搜索。
1、目录 摘 要1Abstract11 绪论21.1 研究背景和意义21.2 研究内容21.3 本论文的章节安排22 区域生长算法简介32.1 区域生长算法32.2 基于阈值的区域生长算法程序流程32.3 区域生长算法生长准则的选取42.4 本章小结43区域生长算法的分析与改进53.1 区域生长算法的分析53.2 改进的区域生长算法53.2.1 生长起始点的自动选择53.2.2 生长准则的改进63. 3 算法优化对比63.5 本章小结84改进算法的应用及结果分析84.1 肺部CT图像处理的主要问题84.2 实验结果分析94.3 本章小结105 系统实现115.1系统框架115.2 系统具体功能实现
2、115.2.1 功能模块图115.2.2 功能实现125.3 系统界面及简单使用135.5 本章小结16结论16致 谢17参考文献18基于区域生长的肺部CT图像分割研究摘 要：近几年，肺部疾病的发病率呈上升趋势，医生采用计算机辅助诊断肺部疾病时，手工工作量较大，诊断效率较低。在本文中，通过分析肺部CT图像的灰度值分布以及肺实质位置特征，缩小种子点选取的范围，实现种子点的自动选取，并进一步确定阈值实现了肺部CT图像的自动分割，极大地减少了手工工作量，提高诊断效率。改进算法为实现医学图像的自动分割打下了基础，更好的为医生诊断提供准确的信息。此外，本文采用MFC和CxImage类库实现了基于改进算法
3、的图像分割系统，该系统支持各种图片类型文件的读取、显示、保存及分割。关键词：肺部CT图像；图像分割；区域生长Lung CT image segmentation based on region growingAbstract: In recent years, the appearance of lung disease are rising,doctors use computer-aided diagnosis of lung disease,which is large manual workload and low diagnostic efficiency.In this paper
4、, according to the gradation distribution of lung CT images and lung position characteristic, reduce the seed points selection range and select the seed points automatically, which can realize the automatic CTimage segmentation system and greatly reduce work and result into a significant increase in
5、 efficiency. The modified algorithms provide diagnosis information for doctor and foundation for the medical images automatic segmentation . Besides,the MFC and CxImage libraries are used in the image segmentation system which can read, display, save and segment all the types of images.Key words: lu
6、ng CT image; image segment; region growing1 绪论1.1 研究背景和意义随着我国的迅猛发展，环境问题日益凸显，空气质量多次超出PM2.5正常标准，尤其是工业发展重地，肺癌的发病率迅速上升，死亡率也在持续上升。但目前还没有有效的手段来治疗肺癌，对付肺癌我们只能采取早发现早治疗的手段，在对肺部疾病进行计算机辅助诊断研究时，肺部CT(Computed Tomography,计算机断层摄像)图像在肺癌早期发现中起到重要作用 王阳萍, 杜晓刚, 赵庶旭, 王松. 医学影像图像处理M. 北京: 清华大学出版社, 2012: 69-77.。对肺癌临床诊疗时，临床医生
7、的首要工作则是对病人目前的身体状况做出正确的判断，而正确的判断取决于医生获取的信息的科学程度及数量多少，肺部CT图像所包含信息量的丰富程度远远超过几个数据或者几条曲线。是否对肺部CT图像进行稳定、自动和精确的分割，其分割结果会直接影响后续诊断过程。通过肺部CT图像分割是利用计算机发现肺癌的首要条件 苏明忠. 医学图像分割算法研究D. 长春理工大学硕士学位, 2008.。对肺部区域进行分割也是完成自动量化确诊的先决条件。在实现对肺实质的分割提取之后，医生可以参考得到的数据对病人的身体状况做出更快更准确的诊断，从而快速精确的定下病人的治疗方法；同时可为重建肺部的三维图像减少复杂度，定位位置重建其形
8、状，给外科手术以及放疗和化疗等需要定位的治疗提供极大方便 王娜娜. 肺部CT图像分割技术研究D. 中北大学硕士学位, 2013.。1.2 研究内容本文着重研究区域生长法在切割肺部CT图像中的应用。区域生长算法是串行区域操作像素级的算法，通过选取种子点来对该点的相邻区域按某种准则将具有相似特性的区域合并 曹彪. 基于区域生长的 OCT 图像分割算法研究D. 北京理工大学硕士学位. 2014.。在传统算法的实现中，种子点需要手工来选取，根据不同图像的不同特征来选取目的特征区域中的某点作为种子点，种子点的选取完成后需要选取合适的生长准则，设定合适的阈值来确保运用区域生长算法的时候不会造成对图像的过分
9、割或者欠分割，但面对数量过大的医学图像则需要通过改进分割技术来提高对医学图像分割的效率 王佳男. 采用基于区域的自动种子区域生长法的彩色图像分割方法D. 东北师范大学硕士学位. 2015.。在选取种子点时，由于不同的医学图像具有不同的特征，很难有一个通用的选取规则。本文选定肺部CT图像，针对肺部CT图像的肺实质区域明显，边界清晰，位置规则这些特点，缩小种子点选取的范围，并通过灰度值直方图确定种子点的灰度值取值范围，从而实现图像种子点的自动选取。再进一步通过待分割图像的灰度值直方图确定阈值取值，可在未处理的肺部CT图像中自动分割出左右肺部。其次，通过将改进的区域生长算法与改进前算法的分割效果相对
10、比分析，改进算法增强了分割结果的效果并提高了分割的效率，实现了对于肺部CT图像的自动分割。1.3 本论文的章节安排本文在分析区域生长法基础上，结合肺部CT图像的特征，来实现图像的分割，并进一步根据该类图像的特征提出了改进的区域生长算法，实现了肺部CT图像的自动分割。第一章，首先介绍了本文课题选题的研究意义和依据，着重介绍本课题研究的主要内容，最后，描述了本文的具体章节安排。第二章，介绍区域生长算法，并详细介绍区域生长算法的四种生长准则。第三章，进一步分析区域生长算法，并从初始点的选择和准则的选择这两个方面改进该算法。第四章，利用改进的算法来对肺部CT图像进行分割处理，展示并分析算法改进前和改进
11、后的算法的分割效果。第五章，对本课题的系统的实现过程进行详细的介绍，从系统框架和具体实现入手，并介绍了系统的使用。第六章，总结展望，指出目前仍未解决的问题，并就以后的研究给出计划。2 区域生长算法简介2.1 区域生长算法区域生长法的基本思想 姚敏. 数字图像处理M. 北京: 机械工业出版社, 2012: 213-215.是将具有相似特征的区域集合起来构成最终区域，该算法主要考虑的是图像中的像素点及其邻域的像素点之间的关系。首先确定一个像素点为种子点，再按照某种相似性度量增长区域，逐步生成具有某种相似性的区域，并将相邻的具有相似性的像素点或区域合并，直到没有可合并的区域或者像素点为止。区域生长法
12、需要解决的三个问题 章毓晋. 图像工程(上册): 图像处理与分析M. 北京: 清华大学出版社, 1999: 192-195.：(1) 选取种子点；(2) 确定生长准则；(3) 制定让生长终止的条件或规则。种子点的选取常可借助具体图像的特征进行。生长准则的选取不仅依赖于具体的图像特征，也和图像种类有关。此外还要考虑相邻像素间的连通性，否则会造成过分割和欠分割。2.2 基于阈值的区域生长算法程序流程区域生长算法是从单个种子像素点出发，依据某种准则来逐渐合并周围满足该准则的邻域，直至条件终止。该算法是一种串行的区域分割的方法，当前步骤需要之前的结果支撑，结果的不同可能取决于像素处理的顺序的不同。在整
13、个生长过程中，最重要的是选取合适的生长准则，在以种子点为中心遍历邻域像素点时，若该准则下的值不超过某个阈值，则认为该像素点和种子点可以合并。图2-1 区域生长算法流程图图2-1即为该算法的算法流程图，算法步骤如下：(1)在当前图像中选择要分割的目的物体内的某一个像素点，又叫做生长起始点或者种子点。(2)从该种子点出发，依次遍历该种子点的邻域像素点，将满足某种准则的像素点并入已生长区域。(3)重复(2)直至没有满足该准则的像素点，遍历终止，最终所有像素点组成的已生长区域则是要分割的目的物体。2.3 区域生长算法生长准则的选取关系区域生长结果的好坏有以下3个条件：初始点的选取、生长准则以及终止条件
14、。在实现上主要是针对生长准则的改变来实现不同的效果。生长准则有三种，分别是：初始种子灰度差、统计均值灰度差、统计均值百分比。初始种子灰度差的判断准则是将当前点的灰度与最初选择的种子点的灰度进行比较，如果差值的绝对值小于或者等于设定的阈值，则认为其满足生长条件并且将其并入生长区域进行处理。判断条件：(2-1)公式2-1中，表示的是当前像素点的灰度值，表示的是初始种子点的灰度值，表示的是设定的阈值，公式表明如果当前像素点的灰度值与初始种子点的灰度值之差的绝对值小于或者等于设定的阈值，则认为有相似特征，将其并入生长区域，反之弃之。统计均值灰度差的判断准则是将当前像素点的灰度值与生长区域中所有像素点灰
15、度值的平均值进行比较，如果差值小于或者等于阈值，则认为其满足生长条件并且将其并入生长区域进行处理。公式中平均值是对于所有已经并入生长区域的像素点的灰度值进行累加，并且求其平均值，将这个平均值作为判断的准则。判断条件：(2-2)公式2-1中表示的是生长区域中所有像素点灰度值的平均值，公式表明如果当前点的灰度值与一个平均的灰度值进行比较，如果差值小于或者等于阈值，则认为其满足生长条件，反之弃之。统计均值百分比的判断准则是将当前像素点的灰度值与生长区域中所有像素点灰度值的平均值的差值除以该平均值，以获得差值与平均值的百分比，将这个百分比与阈值进行比较，如果小于或者等于这个阈值，则认为其满足生长条件并且将其并入生长区域中进行处理。判断条件：(2-3)公式2-2中，表示设定的百分比阈值，公式表明如果当前点的灰度与一个平均值的灰度值的差值百分比小于或者等于设定的阈值，则认为该点满足生长条件并入生长区域，反之弃之。2.4 本章小结本章介绍了区域生长算法，首先详细说明了该算法的思想以及算法步骤，其次从区域生长算法的生长准则出发，来认识串行
