《图像分割技术在医学中应用.docx》由会员分享，可在线阅读，更多相关《图像分割技术在医学中应用.docx（14页珍藏版）》请在金锄头文库上搜索。
1、图像切割技术在医学中应用数字图像办理课程论文班级：姓名 :学号： / 图像切割技术在医学中的应用大纲：图像切割是图像办理和解析领域的经典难题，医学图像分割是图像切割中一个重要方面和应用领域，同时也是病变地域提取、临床实验、特定组织测量以及实现三维重建的基础。在临床应用和医学研究中拥有重要的研究意义。本文整体上对基于阈值采用、基于区域、基于边缘检测的图像切割三种方法进行了解析、研究和实验，总结出各个方法的优缺点，从而能够达到更好的切割医学图像的目的。本文对现有的各种图像阈值切割方法进行综述,重点介绍了基于图像灰度直方图的阈值切割方法。重点词： 医学图像；图像切割；阈值；边缘检测；Hough变换医
2、学图像的组织结构复杂地址重叠， 一般情况下，将一幅医学图像分为目标地域和背景地域， 其中目标地域就是指病变地域也许含重要诊断信息的地域， 是临床治疗的重要对象； 背景地域是指医学上边认为正常的地域。 医学图像切割的目的是把图像中拥有特别涵义的地域与背景地域切割开来， 为后续的定量、 定性的解析和办理工作打下基础。 图像切割对于医学图像办理特别重要， 只有正确地从图像中提取出信息，才能保证医学系统的可靠性，并为三维重建打下基础。 。当前的图像切割方法有多种， 为了达到更好的切割， 对不同样的切割任务， 可采用了不同样的切割方法。 主要方法有基于阈值采用的图像切割、 基于地域生长的图像切割和基于边
3、缘检测的图像切割三种方法。 其次阈值法是最基本的图像切割方法之一 , 被应用于好多领域 , 特别是在图像相对简单的生物图像办理方面获得了广泛使用，基于阈值采用的图像切割包括：灰度阈值切割、直方图阈值切割、最大熵阈值切割、二维最大熵阈值切割、局部阈值切割等方法等。1. 基于阈值采用的图像切割基于阈值的方法的主要思想是经过设置某一阀值， 将图像中的像素点分为不同样的类，从而完成图像切割， 依照使用的是图像的整体信息还是局部信息， 还可以够将切割方法分为局部阈值和全局阈值。 基于阈值的方法中最重要的一步就是如何采用合适的阈值， 简单的阈值采用方法是以图像的灰度直方图为对象， 以获得的各个灰度级的概率
4、分布密度为基础， 依照某一准则采用合适的阈值， 最后确定像素点的归属。 选择不同样的准则， 将获得不同样的阈值化算法。 常有的阈值切割方法有最小误差法、 otsu 方法、迭代法、模糊阈值、最大熵法等。1.1 阈值切割的基本看法阈值切割法是一种基于地域的图像切割技术, 其基根源理是 :经过设定不同样的特点阈值 , 把图像像素点分为若干类。常用的特点包括:直接来自原始图像的灰度或彩色特点 ;由原始灰度或彩色值变换获得的特点。设原始图像f (x, y)按照必然的准则在f (x, y) 中找到若干个特点值 , T1,T 2,TN (其中 N1), 将图像切割为几部分 ,切割后的图像为LN 若是 f(x
5、,y)TNLN 1若是TN 1f(x,y)Tg( x, y)若是 Tf(x,y)TL11N2L0若是 f(x,y)T1一般意义下 , 阈值运算能够看作是对图像中某点的灰度、 该点的某种局部特点以及该点在图像中的地址的一种函数 , 这类阈值函数可记作T (x, y, N (x, y), f ( x, y)式中 ,f (x, y) 是点 ( x, y) 的灰度值 ; N (x, y) 是点 (x, y) 的局部邻域特点。 依照对 T 的不同样拘束 , 能够获得 3 种不同样种类的阈值 ,即全局阈值 T=T ( f ( x, y)(只与点的灰度值相关 )局部阈值T=T ( N (x, y), f (
6、 x, y)(与点的灰度值和该点的局部邻域特征相关 )动向阈值 T=T ( x, y, N ( x, y), f ( x, y)(与点的地址、该点的灰度值和该点邻域特点相关 )图像中地域的范围常常是模糊的， 因此如何采用阈值便成为地域切割中的最重点的问题。对于简单的图像，常常只出现背景和一个有意义的部分两个地域。以以下图 1.1.1 中的“原始图像”所示：这时只要设置一个阈值，就能完成切割办理，并形成仅有两种灰度值的二值图像。图： 1.1.1 cell图像的直方图依照上边图像中的直方图能够看出该 cell 图像有双峰现象，而且其两峰的谷点在 50-100 之间，而且凑近 50。我们采用 T=3
7、0,T=60,T=90 时分别做出这时的图像切割结果。以以下图 1.1.2 所示图 1.1.2 不同样阈值采用下的 cell 图像切割 1.2 基于一维直方图的阈值切割方法直方图是一幅图像中各像素灰度值的最基本的统计形式, 而且常有的阈值分割方法基本上都是基于灰度直方图统计的搜寻方法 , 这些方法主要可分为两类 , 一类是谷点搜寻法 , 另一类是指标最优搜寻法。若对应于图像中每一个灰度值 , 统计出拥有该灰度值的像素数 , 并据此绘出像素数 - 灰度值图形 , 则该图形就称为图像的一维灰度直方图。传统的阈值切割法常直接利用图像的一维灰度直方图进行图像切割 , 适用于内容不复杂、灰度分布较集中的
8、图像这类待切割的图像平时由两个地域组成 , 一个地域以亮色为主 , 另一地域以暗色为主 , 相应的一维直方图表现双峰 , 一峰表示物体的灰度值 , 另一峰表示背景的灰度值。 在这类图像的切割方法中 ,Prewitt 等人 20 世纪 60 年代提出的最频值法 , 到此刻仍在使用。该方法选择两峰之间谷点的灰度值作为阈值,这样能够把由于阈值选择的误差造成错误切割的影响降到最低。 N. Papamarkos 等人提出利用多项式拟合的方法来确定谷点 , 先找出灰度直方图的峰值点 , 再利用有理多项式来拟合灰度直方图两个峰间的地域 , 尔后求出有理多项式的极小值 , 从而决定阈值。（1） 迭代法：经过迭
9、代方式也能够采用阈值，该方法是利用程序自动搜寻比较合适的阈值。此阈值采用方法第一采用图像灰度范围的中值作为初始值T0 ，把原始图像中的全部像素分为远景和背景两大类， 尔后分别对其进行积分并将结果取平均获得新的阈值，并按此阈值再将图像分为远景、背景两大类。这样屡次迭代下去，当阈值不再发生变化， 即迭代已经收敛与某个牢固的阈值时， 此刻的阈值即作为最后的结果并用于对图像的切割。下面是对上述文字的数学描述：TiL 11hk khk kTi 1k 0k Ti 12TiL 1hkhkk 0k Ti 1式中， L 为灰度级的个数； hk 为灰度值为 k 的像素点的个数。迭代素来进行到 Ti 1 Ti 时结
10、束，结束时的 Ti 为阈值。在进行详尽的程序设计时，由于阈值的迭代运算是以图像的灰度统计作为基础的， 因此须第一获得图像的灰度统计分布情况。该程序执行完后将存放有灰度分布的数组作为参数传达给迭代阈值函数，并经过迭代的方式计算出最后阈值。 函数的半部分则利用前面计算出的阈值对图像进行切割办理。下面图是自行设计程序用迭代法确定阈值的方法：图迭代法确定阈值在上边的图像中的直方图能够看出该 cell 图像有双峰现象，而且其两峰的谷点在 50-100 之间，而且凑近 50。我们用迭代法计算出的阈值T =而且经过此时阈值 T=63.5012 时的切割结果与图 1.1 中的 T=30、60、 90 的切割结
11、果对照较说明 T= T=63.5012 时的图像更精确。（2）Otsu 法为了有效应用最频值法确定阈值 , 能够对图像的原始灰度直方图作合适变换 , 使得波峰更尖锐 , 波谷更深凹。 Panda和 Rosenfeld 提出了仅由边缘值 ( 灰度变化率 ) 较低的像素点组成灰度直方图的方法 , 使所得直方图与原始直方图对照 , 双峰基本保持不变 , 而谷变得更深。Mason等人使用边缘检测算子 ( 如 Laplacian 算子、 Robert 算子等 ) 对直方图加权 , 平均地域中像素边缘值较低 , 恩赐较大的权 , 而界线邻域中像素边缘值较高 , 恩赐较小的权。由 Otsu 提出的最大类间方
12、差法也是最常用的利用图像一维灰度直方图的阈值化方法之一。 Otsu 方法基于一种鉴识式测度准则 , 最正确阈值在该测度函数取最大时获得。假设阈值 t 把图像分成两类 , 设 RB2 表示类间方差 , 那么最正确阈值 t 满足下式R 2(t )max(R 2(t)BBOtsu 方法是一种自动的非参数非督查的阈值选择法 , 仅需要计算灰度直方图的零阶和一阶累积矩 , 计算简单 , 牢固有效。图 1.2.2 是由 Otsu 方法得出的图像图 1.2.2 Otsu算法图像此时：T1 =63能够看出用 Otsu 方法计算的出的阈值与迭代方法计算出的阈值相差不大。（3）最小误差法最小误差法也是常用的阈值采用方法之一。 平时以图像中的灰度为模式特点 , 假设各模式的灰度是独立同分布的随机变量 , 并假设图像中待切割的模式遵从必然的概率分布 , 则能够获得满足 Bayes 最小误差分类准则的切割阈值。假设图像中只有目标和背景两种模式 , 先验概率分别是 p (t ) 和 p2 (t) , 类内灰度 i的条件1分布是pt( /1)和pt (i / 2) ,则依照Bayes最小误差分类准则求得的阈值t应满足：ip1(t ) pt(i /1)p2 (t ) pt (i / 2)0itp1(t ) pt(i /1)p2 (t ) pt (i / 2)t
