一种改进的Snake模型及其在医学图像分割中的应用

科技情报开发与经济SCI-TECH INFORMATION DEVELOPMENT＆ECONOMY2009年第19卷第26期

图像分割是图像处理领域中的一个基本问题，也是从处理

到分析的关键。提取医学图像的目标轮廓，获得特定的边缘信息

可以使医生对病情的了解更加直观，特别是在为满足人类视觉

所进行的三维重建方面的研究具有重要的意义；对所提取的对

象还可以进行几何、物理及统计参数的测量，获得比较精确的位

置和形状信息，为制订合适的治疗计划、手术计划等提供必要的

信息。然而，由于人体解剖结构的复杂性、组织器官的不规则性

以及个体之间的差异性，加之成像质量受到多种因素的制约，使

得目标轮廓的提取成为一个难点［1］。传统的分割算法大多出现

边界不光滑、不连续以及与背景连成一片等问题，而Snake模型

能够利用图像局部与整体信息，实现边界的准确定位，并能得到

封闭的轮廓，是一种能量最小的曲线演化模型。

Snake模型又称活动轮廓模型，自从1987年Kass提出

后［2］，它就成为近些年用于目标轮廓提取的主流模型。然而，传

统的Snake模型也存在一些缺陷：一是它要求初始轮廓必须靠近

实际轮廓边缘，否则将收敛到局部极值甚至发散；二是对于深度

凹陷的区域，轮廓线很难收敛到边界；三是在迭代求极值的过程

中，运算量较大，收敛速度慢。针对以上缺陷，国内外许多专家学

者对传统Snake模型进行了改进。Cohen［3］提出了应用压力和高

斯势能力一起增大吸引范围的方法，该压力可使模型扩大或缩小，

因而不再要求将模型初始化在目标对象边界附近。Xu和

Prince［4－5］应用矢量扩散方程扩散与边界区域的边缘映射的梯

度，产生一个称之为梯度矢量流（GVF）的力场，用此力场代替传

统外力场，让曲线随着图像凹陷的部分而发生变形，圈出凹陷区

域的边缘。陈允杰，张建伟提出了基于遗传算法的Snake模型［6］，

提高了传统Snake模型的分割精度。本文将重点讨论GVF的原

理及实现方法，并将其应用在超声图像中肿瘤轮廓的提取，最后

给出了与传统分割算法相比较的结果。

1传统Snake模型

Snake模型是在目标轮廓区域附近定义一条能量曲线，该曲

线在内部能量和外部能量的作用下发生形变，在能量最小的时

候达到目标轮廓的边界。其表达式为：

E snake＝

乙E int［v（s）］＋E ext［v（s）］d s（1）

式中：v（s）＝（x（s），y（s））表示轮廓，s∈［0，1］；E snake为曲线的

总能量；E int为曲线的内部能量；E ext为外部能量。

内部能量E int定义了一个可伸长和可弯曲的轮廓v（s）的变形能量，它包括连续能量E cont和曲率能量E curv，其作用是保持曲线的连续性和平滑性。其表达式为：

E int（v）=1

乙12（αv′（s）2+βv″（s）2）d s（2）式中：α，β为控制曲线弹性和弯曲性的权重参数；v′（s），v″（s）为曲线关于s的一阶导数和二阶导数，它们的取值与图像本身无关。

外部能量E ext推动曲线向轮廓移动，包括图像本身的能量E image和外部约束作用力产生的能量E cons。传统Snake模型的外部能量直接取图像I（x，y）的梯度，定义为：

E ext（x，y）=-塄I（x，y）2（3）

或E ext（x，y）=-塄［Gσ（x，y）］*I（x，y）（4）式中：Gσ是标准差为σ的二维高斯函数；塄为梯度算子；*为卷积。

Snake曲线的每一次迭代变形就是使式（5）达到最小：

E s nake=

乙12（αv′（s）2+βv″（s）2）+E ext（v（s））d s（5）2梯度矢量流GVF模型

2.1GVF外力场

GVF场根据图像I（x，y）定义了边缘映射f（x，y）。在图像的边缘区域f（x，y）较大，在灰度或背景均匀的区域较小。其表达式为：

f（x，y）=-E ext（x，y）（6）矢量场能量函数为：

ε=蓦μ（u x2+u y2+v x2+v y2）＋塄f2V（x，y）-塄f2d x d y（7）式中：V（x，y）=［u（x，y），v（x，y）］为指向轮廓边缘的矢量，f为边缘映射。式中第一项起平滑作用，u x，u y，v x，v y分别为u，v对x，y 的偏导数，参数μ根据图像噪声的强弱调整（噪声越大μ越大）。从该表达式可以看出，当塄f较小时，能量由向量场的偏微分平方和控制，产生一个缓慢变化的场；当塄f较大时，被积函数由第二项控制，通过设置V=塄f使能量最小。

通过解下面的Euler方程得到满足式（7）的矢量场：

μ塄2u-（u－f x）（f x2＋f y2）＝0（8a）

文章编号：1005－6033（2009）26－0143-03收稿日期：2009－07－15一种改进的Snake模型及其

在医学图像分割中的应用

刘钊1，王惠南2

（1.南京航空航天大学自动化学院，江苏南京210016；2.南京航空航天大学航天学院，江苏南京，210016）

摘要：以超声肿瘤图像为例，将改进的Snake模型应用到超声图像的目标轮廓提取

中，并取得了较好的效果。首先采用数学形态学方法对图像进行增强预处理，从而提高

图像的对比度，将肿瘤区域凸显出来；然后利用改进的Snake模型提取肿瘤的边缘。该

方法与传统的轮廓提取方法相比，具有捕获范围广、抗噪性强等特点。实验结果表明，

采用该方法可以准确地提取肿瘤区域的轮廓，在临床上具有广泛的应用前景。

关键词：Snake模型；轮廓提取；数学形态学；图像分割

中图分类号：TP391.41文献标识码：A

143

μ塄2v-（v－f y）（f x2＋f y2）＝0（8b）式中：f x，f y为关于x，y的偏导数，塄2为拉普拉斯算子。

2.2GVF模型的数值实现

应用有限差分法，式（8a）和（8b）可以看作时间t的函数，则可表示为：

u t（x，y，t）=μ塄2u（x，y，t）-b（x，y）u（x，y，t）+c1（x，y）（9a）v t（x，y，t）=μ塄2u（x，y，t）-b（x，y）v（x，y，t）+c2（x，y）（9b）其中：

b（x，y）=f x（x，y）2+f y（x，y）2

c1（x，y）=b（x，y）f x（x，y）

c2（x，y）=b（x，y）f y（x，y）

式（9a）和（9b）的稳定解就是Euler方程的理想解。因为这两个方程式是分离的，所以可以看作是u和v的独立标量偏微分方程。

为了得到迭代方程式，设i，j，n相对应于x，y，t，空间步长为△x，△y，时间步长为△t。各偏导为：

u t=1

（u i，j n+1-u i，j n）

v t=1

△t

（v i，j n+1-v i，j n）

塄2u=

△x△y

（u i+1，j n+u i，j+1n+u i-1，j n+u i，j-1n-4u i，j n）

塄2v=1

（v i+1，j n+v i，j+1n+v i-1，j n+v i，j-1n-4v i，j n）

将以上各式代入式（9a）和（9b）中，得到GVF的迭代解：

u i，j n+1=（1-b i，j△t）u i，j n+r（u i+1，j n+u i，j+1n+u i-1，j n+u i，j-1n-4u i，j n）+c1i，j△t（10a）v i，j n+1=（1-b i，j△t）v i，j n+r（v i+1，j n+v i，j+1n+v i-1，j n+v i，j-1n-4v i，j n）+c2i，j△t（10b）

其中r=μ△t。

3实验结果及分析

超声图像的显著特点是对比度差且存在大量的噪声，采用传统的图像分割方法往往效果不佳，因此超声图像的分割一直是一个难题。本文就此采用了几种传统的医学图像分割方法与GVF Snake模型对超声肿瘤图像的目标轮廓提取进行了对比实验。

第一种方法采用阈值分割算法。阈值法是一种简单有效的图像分割方法，它用一个或几个阈值将图像的灰度级分为几个部分，将属于同一部分的像素视为相同的物体。阈值法可以分为全局阈值分割法和局部阈值分割法，本文采用全局阈值分割法。

第二种方法采用经典的边缘检测算子来提取肿瘤轮廓。利用边缘来分割图像，其基本思想就是先检测图像中的边缘点，再按照某种策略将边缘点连接成轮廓，从而构成分割区域。在实际应用中，一般将算子以微分算子的形式表示，然后采用快速卷积函数来实现。常用的微分算子有Roberts算子、Prewitt算子、Sobel 算子以及LoG算子，本文采用了Sobel算子。

第三种方法采用改进的Snake模型。外部力场选用GVF力场，权值μ＝0.2，力场迭代100次。Snake模型参数设置为：α＝0.2，β＝0，γ＝1，迭代200次。由于原图像的背景比较模糊，肿瘤区域不是特别清晰，因此在分割之前先采用增强对比度的方法对原图进行预处理，这里选择数学形态学里的Top－hat和Bot－hat［7］变换。具体步骤如下：一是对图像进行Top－hat变换，获取图像较亮的部分。二是对图像进行Bot－hat变换，获取图像较暗的部分。三是将Top－hat变换后的图像同原始图像相叠加然后减去Bot－hat 变换后的图像，得到对比度增强后的图像。

3种分割算法对肿瘤图像的分割结果见图1。其中（a）为原始图像，由原图可看出肿瘤区域与背景的边界并不是十分明显；（b）为预处理之后的图像，目标区域得到突出；（c）和（d）分别为采用阈值分割和Sobel算子检测得到的分割结果；（e）为Snake 模型的初始化曲线；（f）为Snake曲线经过迭代得到的最终结果。

由实验结果可见，采用阈值分割法进行分割后肿瘤主体区域同背景中的其他组织结构混在一起，使得目标图像的轮廓不突出，不利于进一步识别。采用Sobel算子只得到了一些凌乱的点和线，并且产生了很多伪边缘，很难辨别目标轮廓的具体位置。而采用改进的Snake模型最终得到的轮廓曲线连续封闭，并且对图像中一些凸凹区域也有良好的分割效果。

4结论

提取医学图像特定目标的轮廓一直是图像处理领域的研究重点。Snake模型是近年来提出的一个非常好的目标轮廓检测方法，本文对Snake及其改进模型的原理及实现过程进行了详细介绍，并将改进的Snake模型应用到超声图像的肿瘤轮廓提取中。实验结果表明，改进的Snake模型具有较好的实用性并且准确性较高。

参考文献

［1］林瑶，田捷.医学图像分割方法综述［J］.模式识别与人工智能，2002，15（2）:192－204.

［2］Kass M，Witkin A P，Terzopoulos D.Snakes:active contour models［J］.International Journal of Computer Vision，1987，1（4）: 321－331.

［3］Cohen L D.On active contour models and balloon［J］.CV GIP，1991，53（2）:211－218.

［4］Chenyang Xu，Jerry L Prince.Gradient Vector Flow:A New External Force for Snakes［J］.IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1997，2（3）:66－71.

［5］Chenyang Xu，Jerry L Prince.Snakes，Shapes，and Gradient Vector Flow［J］.IEEE Trans on Image Processing，1998，7（3）:359－369.

［6］陈允杰，张建伟.遗传算法在Snake模型中的应用［J］.计算机应用，2004，24（5）:80－81.

［7］罗军辉，冯平.MATLAB7.0在图像处理中的应用［M］.北京：机械工业出版社，2005：253－255.

（责任编辑：邱娅男

）

（a）原始图像（b）增强预处理（c）阈值分割结果

（d）S obel算子检测（e）Snake初始曲线（f）Snake分割结果图13种分割算法对肿瘤图像的分割结果

刘钊，王惠南一种改进的Snake模型及其在医学图像分割中的应用本刊E-mail:bjb＠sxinfo．net科技论坛144

X 1X X 图1BP 神经网络及反传学习过程原理

科技情报开发与经济

SCI -TECH INFORMATION DEVELOPMENT ＆ECONOMY 2009年第19卷第26期

An Improved Snake Model and Its Application in the Medical Image Segmentation

LIU Zhao ，WANG Hui-nan

ABSTRACT :This paper takes tumour ultrasound image as examples ，applies snake model to the object contour extraction

of ultrasonograph and obtains the better result .First of all ，the image is enhanced by using mathematical morphology ，after that the image contrast is improved and the tumour region is obvious ;then the advanced snake model is used to extract the tumour edge .Compared with classical contour extraction algorithm ，this method has characteristics of wide capture area and high noise immunity .The result of experiment shows that this method can extract the contour of tumour accurately and has good application potential in clinic .

KEY WORDS :Snake model ;contour extraction ;mathematical morphology ;image segmentation

────────────────

第一作者简介：刘钊，男，1985年8月生，现为南京航空航

天大学自动化学院2007级在读硕士研究生，江苏省南京市御道街29号197信箱，210016.

科技查新是以文献检索为基础，依据一定的判断原则，为评

价科研成果或立项的新颖性或科技成果的鉴定、评估、验收、转化、奖励等提供客观依据的专题情报分析、咨询工作［1］

。在我国，

科研项目的立项、

鉴定、报奖、专利申报等工作均要求提供科技查新报告。对于查新工作来说，查新人员的素质对查新质量起着决定作用［2］。

查新人员不但要求具有丰富、扎实的学科专业知识，更要具有非常强的分析问题能力、信息检索能力、对比综合能力等，而

且还要有良好的职业道德，较强的交流能力等［3］，

应成为学科专业与图情专业紧密结合的某一方面的学科专家。因此，

对查新人员的综合素质进行客观公正的评估，使其自身不断得以进步、完善，或者对不合要求的人员实施岗位调整，已成为科技查新站，尤其是高校查新站面临的重要问题。

为了避免通常评估方法中人为计取权值的主观影响和不确定性，并消除可能的人为误差，本文借鉴人工神经网络能在对实例的学习中产生自己的规则，而且具有容错能力强、善于模式识别的特点，建立评估查新人员综合素质的神经网络模型。该神经网络模型具有可学习性，能够根据评估标准和训练样本找出事物的内在规律，并将已经找到的规律以数值形式存储在网络权系数矩阵中。对于输入网络的待计算样本，神经网络可根据已存储的知识快速计算出结果，因此，网络具有一定的智能［4］。本文给出了神经网络的网络模型、实现步骤以及查新人员素质测评的实验结果。

1反向传播神经网络模型

本文采用人工神经网络模型中使用最广泛的误差反向传播

人工神经网络（Back Propagation network ，

简称BP 网络）。BP 神经网络是一单向传播的多层前向神经网络，由输入层、输出层及至少一层的隐含层组成，层间采用全互联方式，同层内无连接［5］。BP 网络（以三层为例）的基本结构及其反传学习过程见图1。

BP 算法是一种误差修正型学习算法，其过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层进入网络，然后依次经各隐含层处理后，在输出层得到网络的计算输

出。由于同层结点

（神经元）间无任何耦合，故每层节点的输出只对下一层节点产生影响。若在输出层得不到期望输出，则转入反文章编号：1005－6033（2009）26－0145-03

收稿日期：2009－06－23

基于神经网络的科技查新人员

素质测评模型的建立

高春艳

（天津大学图书馆，天津，300072）

摘要：阐述了将人工神经网络用于科技查新人员素质测评的设计思想和实现方法，

根据测评实验结果，指出该网络系统的有效性和可靠性。关键词：神经网络；科技查新人员；素质评价中图分类号：TP183文献标识码：A

145

医学图像分割方法综述

医学图像分割方法综述林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。关键词：医学图像分割综述 1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。定义将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷电话：82618465 E-mail:tian@https://www.360docs.net/doc/9618867390.html,

医学图像分割综述

ebnnuqc医学_图像处理技术

^ | You have to believe, there is a way. The ancients said:" the kingdom of heaven is trying to enter". Only when the reluctant step by step to go to it 's time, must be managed to get one step down, only have struggled to achieve it. -- Guo Ge Tech 医学图像处理技术摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对人体部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1三维可视化概述医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。

医学图像分割方法汇总

医学图像分割方法汇总本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中选择最合适的算法。 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。图像中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1.2 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I(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ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。假设图像的背景较暗，并且图像的大小为M×N，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：ω0=N0/ M×N (1)

图像分割阈值选取技术综述

图像分割阈值选取技术综述中科院成都计算所刘平2004-2-26 摘要图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像）一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

医学图像处理综述

医学图像处理综述墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。（1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。（2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展

过程中。（3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。（4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分

医学图像的分割

第六章医学图像分割医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。第一节医学图像分割的意义、概念、分类和研究现状医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。

改进的B-Snake模型肝脏CT图像分割算法

Computer Engineering and Applications 计算机工程与应用 2015，51（9）1引言随着计算机图形学技术以及虚拟仿真技术的不断发展，虚拟手术技术特别是虚拟肝技术已经有了很大的发展[1]。三维肝脏模型跟肝脏的二维数字断层图像相比，更直观，更能展现人体器官的三维结构和形态，因此肝脏三维重建技术已广泛运用于虚拟手术中。由于每个病人的肝脏器官外形都不一样，病灶也不一样，如何构造出个性化的肝脏模型是肝脏虚拟手术中重要的研究方向之一，而肝脏模型的个性化又是以肝脏CT 图像的三维分割为前提的，因此，肝脏CT 图像的三维分割算法的研究具有很重要的意义[2]。但是由于肝脏及其周围组织结构的复杂性，肝脏CT 图像的三维分割一直都是一项挑战性的任务，很多科研工作者已经在这方面进行了研究[3]。传统的图像分割方法一般可以分为三类：基于阈值的分割、基于边缘检测的分割和基于区域的分割[4]。改进的B-Snake 模型肝脏CT 图像分割算法王杰雄，陈国栋，陈怡 WANG Jiexiong,CHEN Guodong,CHEN Yi 福州大学物理与信息工程学院，福州350002 College of Physics and Information Engineering,Fuzhou University,Fuzhou 350002,China WANG Jiexiong,CHEN Guodong,CHEN Yi.Improved B-Snake segmentation method for liver CT https://www.360docs.net/doc/9618867390.html,puter Engineering and Applications,2015,51（9）：152-157. Abstract ：The personalization of liver models,which is premised on the 3d segmentation of liver CT images,is a key technology in the virtual surgery of liver.Considering the features of B-Snake model,this paper presents an improved B-Snake segmentation algorithm combined with Region Filling.The contour of the adjacent and processed section is mapped on the current section.Based on the contour,it gets a connected region according to Region Filling algorithm and compares the region with the liver region of the adjacent and processed section according to certain algorithm in order to obtain a more accurate contour.The resulting contour is close to the liver boundary,and large amount of the control points are on the right boundary.Then,the contour is served as the initial contour of the improved B-Snake algorithm for further processing,resulting in the final segmentation result after the evolution of part of the initial contour.The algorithm will not end untill all sections are processed.Experimental results show that the algorithm can obtain segmentaion result of liver CT images efficiently and accurately. Key words ：liver;image segmentation;region filling;active contour model 摘要：肝脏模型的个性化是肝脏虚拟手术系统中的一个关键技术，而肝脏模型的个性化又是以肝脏CT 图像的三维分割为前提的。针对B-Snake 模型的特点，提出一种结合区域填充的改进B-Snake 模型图像分割算法。将相邻的上一张切片的分割结果映射到当前切片上，根据一定的规则进行区域填充，并将填充后的结果与前一张切片的分割结果按一定的算法进行比较，进一步优化。得到的初始轮廓很接近肝脏的真实边界，而且大部分曲线已在边界上，将其作为改进的B-Snake 模型算法的初始轮廓，只需对其进行部分控制点的优化调整，就可得到准确的分割结果。以此类推，直到处理完所有切片图。实验表明，该算法能有效提高分割的准确度，获得较满意的分割结果。关键词：肝脏；图像分割；区域填充；活动轮廓模型文献标志码：A 中图分类号：TP317.4doi ：10.3778/j.issn.1002-8331.1306-0111 基金项目：福建省科技计划重点项目（No.2011H0027）。作者简介：王杰雄（1989—），男，硕士研究生，研究领域为图像处理与通信；陈国栋（1979—），男，博士研究生，助理研究员，研究领域为计算机图形学；陈怡（1990—），男，硕士研究生，研究领域为图像处理与通信。E-mail ：wangjiexiong_1989@https://www.360docs.net/doc/9618867390.html, 收稿日期：2013-06-13修回日期：2013-09-04文章编号：1002-8331（2015）09-0152-06 CNKI 网络优先出版：2013-11-12，https://www.360docs.net/doc/9618867390.html,/kcms/detail/11.2127.TP.20131112.1119.011.html 152

snake图像分割

计算机视觉实验二 ——图像分割：snake轮廓模型简介 Snake是Active Contour Model的一种，它以构成一定形状的一些控制点为模版（轮廓线），通过模版自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的分割。每一个Snake都是能量最小曲线，受外部限制力引导及图像力的影响使它向着线和边缘等特征移动。Snakes是活动轮廓模型：他们自动跟踪附近边缘，准确地使曲线集中。尺度空间（scale-space）的连续性用来去扩大对特征周围区域的捕获。Snakes提供一种许多视觉问题的统一的解决方法，包括检测边，线及主观轮廓；移动跟踪；及立体匹配。我们成功使用Snakes用于交互解释（interactive interpretation），即用户提出一种限制力引导Snake靠近感兴趣的特征。基本snake性能我们的基本snake模型是一条被控制的连续曲线，其曲线受图像力和外部限制力的影响。内部样条(splint)力用来加以分段平滑限制。图像力把snake推向显著图像特征，如线，边，主观轮廓等等。外部限制力负责推动snakes靠近理想的局部最小值。例如这些力，可以来自使用者接口，自动注意机制(automatic attentional mechanisms)，或者高层解释(high-level interpretations)。实验关键步骤代码 1．获取手动取点坐标，该部分代码如下 14 % ========================================================================= 15 %获取手动取点坐标 16 % ========================================================================= 17 %读取显示图像 18 %I = imread('Coronary_MPR.jpg'); 19 I = imread('plane.png'); 20 %转化为双精度型 21 %I = im2double(I); 22 %若为彩色，转化为灰度 23 i f(size(I,3)==3), I=rgb2gray(I); end 24 f igure(1),imshow(I); 25 %---------------------------

医学图像分割方法综述

医学图像分割方法综述随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。标签：图像分割；区域生长；聚类；水平集；图割 1 概述图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下：其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像处理技术

医学图像处理技术摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术：图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自

图像分割阈值选取技术综述

图像分割阈值选取技术综述摘要图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域。本文是在阅读大量国内外相关文献的基础上，对阈值分割技术稍做总结，分三个大类综述阈值选取方法，然后对阈值化算法的评估做简要介绍。关键词图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[37]．简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产中，机器视觉运用于产品质量检测等等。在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。 2．阈值分割的基本概念图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类．常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始

医学图像分割综述

医学图像分割综述楼琼，11106109 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像处理的意义越来越重大，其一般流程如下图：而图像分割技术是图像分析环节的关键技术，其在影像医学中发挥着越来越大的作用 [1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。所谓图像分割是指将图像中具有特殊涵义的不同区域区分开，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。定义将一幅图像，其中(,)g x y 0_x Max x ≤≤,0y Max y _≤≤，进行分割就是将图像划分为满足如下条件的子区域：

a) ，即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩，即任意两个子区域不存在公共元素。 d) 区域满足一定的均一性条件。其中均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 k g 如果连通性的约束被取消，那么对像素集的划分就称为分类，每一个像素集称为类。简便起见，在下面的叙述中将经典的分割和像素分类通称为分割。医学图像分割至今仍然没有获得很好的解决，其中一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，人体组织结构形状复杂，而且人与人之间有很大的差别。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论、偏微分方程理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程、水平集方法等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中的新方法或对原有方法的新改进。 2．基于区域的分割方法图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法阈值分割是最常见的并行直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法的困难所在。至