改进的B-Snake模型肝脏CT图像分割算法

合集下载

医学图像的分割技术及其新进展

医学图像的分割技术及其新进展

医学图像的分割技术及其新进展3楚存坤,李月卿,王昌元(泰山医学院,山东泰安 271000)关键词:医学图像分割;图像分割评价中图分类号:R319 文献标识码:A 文章编号:100427115(2007)0420315203 近几年,计算机断层成像(Computed T omo2 graphy,CT),核磁共振成像(Magnetic Res onance I m2 age,MR I),超声成像(ultras ound i m age,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息。

只有把感兴趣的目标从图像的复杂景物中提取出来,才有可能进一步对它们进行定量分析或者识别。

目前,医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。

图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。

1 医学图像分割技术的发展111 传统图像处理领域中的医学图像分割技术11111 基于阈值的方法阈值分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种PR(并行区域)法。

阈值法的过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。

把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。

阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。

此分割法通常是交互式的。

因为阈值法能够实现实时操作,所以它更能够建立在用户视觉估计的基础上。

阈值法一般可以作为一系列图像处理过程的第一步。

其主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。

另外,它只考虑像素本身的值[2],一般都不考虑图像的空间特性,这样就对噪声很敏感。

针对它的不足,有许多经典阈值法的更新算法被提了出来[3,4]。

肺部CT影像图像分割的算法与评估方法

肺部CT影像图像分割的算法与评估方法

肺部CT影像图像分割的算法与评估方法肺部CT影像图像分割是医学图像处理领域的重要研究方向之一。

它的目标是将CT图像中的肺部区域从其他组织和结构中准确地分割出来,为医生提供更好的诊断和治疗支持。

本文将介绍与肺部CT影像图像分割相关的算法和评估方法。

一、肺部CT影像图像分割算法1. 阈值分割算法阈值分割算法是最简单的图像分割方法之一。

它通过设定一个或多个固定的阈值来将图像分成不同的区域。

在肺部CT影像分割中,可以使用基于灰度的阈值分割方法,将图像中的肺组织与其他组织进行区分。

然而,阈值分割方法在处理具有复杂结构和低对比度的CT图像时,往往效果不佳。

2. 区域增长算法区域增长算法是一种基于相似性的图像分割方法。

它从一个种子点开始,根据像素之间的相似性,逐渐扩展区域直到达到停止条件。

在肺部CT影像分割中,可以通过选择一个正常肺组织的像素作为种子点,并根据像素灰度值的相似性来扩展肺部区域。

3. 基于边缘的分割算法基于边缘的分割算法利用图像中的边缘信息来进行分割。

它首先检测图像中的边缘,并将其连接成闭合的边界。

在肺部CT影像分割中,可以使用Canny算子等边缘检测算法来提取肺部边界,并利用边界的连通性和形状信息来分割出肺部区域。

4. 基于深度学习的分割算法近年来,基于深度学习的分割算法在医学图像处理中取得了显著的进展。

这种算法结合了深度卷积神经网络(CNN)和大量标注好的训练数据,能够学习到更准确的图像特征,并实现高精度的分割结果。

在肺部CT影像分割中,可以使用U-Net、FCN等深度学习模型来实现肺部区域的准确分割。

二、肺部CT影像图像分割评估方法1. 视觉评估方法视觉评估方法是最简单直观的分割评估方法之一。

该方法通过比较分割结果与专家手动标注的分割结果之间的差异来评估算法的性能。

可以使用Dice系数、Jaccard系数等常用的分割相似性指标来量化分割结果的准确性和一致性。

2. 数值评估方法数值评估方法通过将分割算法得到的分割结果与真实的分割结果进行比较,计算出一系列指标来评估算法的性能。

基于Swin-Unet改进的医学图像分割算法

基于Swin-Unet改进的医学图像分割算法

基于Swin-Unet改进的医学图像分割算法
康家荣;邵鹏飞;王元
【期刊名称】《人工智能与机器人研究》
【年(卷),期】2024(13)2
【摘要】在过去的十几年时间里,基于CNN的神经网络在医学图像分割领域取得了突破性进展。

尤其是以unet为代表的u形网络架构和跳跃连接被广泛应用于一系列的医学图像任务。

由于CNN的内在局限性,不能够很好的获取到全局和远程语义信息交互。

由于腹部器官复杂,容易发生形变、边缘模糊、体积小等原因导致分割比较困难。

因此在Swin-Unet的基础上改进,首先末端编码器与首个解码器之间引入多尺度模型提取模块,增强不同形状大小信息特征提取。

其次将最后两个编码器和解码器的swin transformer Block引入残差机制来缓解模型深度带来的梯度弥散现象。

并且在最后的编码器末端引入ASSP模块获取多尺度细节信息。

最后,在跳跃连接中引入通道注意力机制(CAM),可以让模型强化重要信息特征通道,弱化特征不相关通道,最后达到有效提高模型分割精度和准确度的效果。

【总页数】9页(P354-362)
【作者】康家荣;邵鹏飞;王元
【作者单位】广西民族师范学院崇左;浙江万里学院宁波
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进遗传算法的最佳熵多阈值三维医学图像分割算法
2.基于改进Live Wire 算法的医学图像分割算法及实现
3.基于混沌初始化的改进郊狼算法在医学图像分割中的应用
4.基于改进Swin-Unet的遥感图像分割方法
因版权原因,仅展示原文概要,查看原文内容请购买。

一种基于蚁群算法的Snake模型与MRI分割

一种基于蚁群算法的Snake模型与MRI分割

Ab ta t sr c
S a e mo e a e n w d l p l d i ma e sg nain, ihte vru so atc n eg n e a d hg c u a yatiig n k d lh sb e ieya pi n i g e me tt e o w t h i e ffs o v re c n ih a c rc t nn t a
( eat etfMahr i , afn n esyo f r tnSi c n eh ooy N n n in s J , hn Dp r n temtsN n g U i r t fI omai c nea dTcnlg , af gJ gu2 ∞ m o r c i v i n o e i a Ci a)
i i ae S a e T e a c n r ea n ry i d e n k d l n e o vn r c s O a o mo e it h o c v e in . i al , A p n t t n k . h n。 e t p tle e g sa d d t S a e mo e i v l i gp o e sS st v n ot e c n a e rg o s F n l AC o - i i o y t z st e r s l a d ma e i c n e g o t e w oe o t m. h x e i n e u t d mo sr t t a hs ag rtm a e me t i e h e u t n k t o v r e t h h l p i mi mu T e e p rme tr s l e n tae h tt i lo h c n s g n s i MR g s i e ma efc iey f t l. e v Ke wo d y rs S a e mo e An oo y a g r h n k d l t l n lo i m MRIs g n a in c t e me tt o

肝癌B超图像的特征提取与选择

肝癌B超图像的特征提取与选择

华中科技大学硕士学位论文肝癌B超图像的特征提取与选择姓名:黄书琴申请学位级别:硕士专业:模式识别与智能系统指导教师:丁明跃20080605华中科技大学硕士学位论文摘要据卫生部统计,自90年代以来原发性肝癌已上升为恶性肿瘤的第二位,而B超检查作为普查肝癌的首选方法,由于受肝癌B超图像质量方面的因素及恶性病变良性表现和观察者视觉疲劳或疏忽及诊断水平等因素的影响,诊断结果存在较大的非确定主观因素。

因此,对肝癌B超图像进行计算机辅助诊断是很有必要的。

它将为医务工作者提供第二观感,减少医务工作者的工作量,帮助他们进行更准确的诊断,减少误诊或漏诊的发生。

本文的目的就在于通过归纳肝癌B超图像上的各种图像特征,对这些特征的分析比较,获得对肝癌最敏感稳定的特征组合。

本文根据肝癌B超图像的声像学表现,研究了图像的纹理特征信息和形状特征信息,在特征提取和选择方面进行了研究。

本文的主要研究工作如下:(1) 提取了肝癌B超图像的纹理特征。

首先按肝癌B超图像的内部回声进行分类,然后对各类图片纹理特征进行了分析,接着对总的肝癌B超图像和其他一些易混淆的病症(如血管瘤,脓肿等)的纹理特征进行了分析,实验表明对单一的特征进行分类识别的结果并不理想;对不同的肝癌回声类型,分别有对应的不同的特征值对其具有较好的区分效果。

因此,在样本足够的情况下,根据肝癌B超图像的特点进行细化分类图片有助于提高分类的准确性。

(2) 提取了肝癌B超图像的形状特征。

结合Snake算法的分割结果提取出了一些形状特征,对医生判断肿瘤的大小,形状,位置等等提供了一定的依据。

(3) 研究和介绍了一些常用的特征选择算法,并根据实际情况,选择循序前向选择算法,Relief算法以及改进的Relief-循序前向选择算法对前面所提出的特征进行了特征筛选,并用SVM分类器进行了识别。

实验证明,Relief算法与SVM分类器相结合,在选出肝癌B超图像的特征组合中是最好的。

关键词:肝癌B超图像; 特征提取; 特征选择; 纹理特征; 形状特征华中科技大学硕士学位论文AbstractSince 1990’s, Liver cancer has been ranked in the second position of malignant tumors according to the Ministry of Health’s Statistics of China. B-mode scanner is the first selection method of popular diagnostics. Ultrasound images have been widespread accepted as an effective diagnostic tool. Affected by the quality of ultrasound images of liver cancer, benign expression of malignant tumors and observer’s visual fatigue, careless mistakes, and diagnostic ability of physician, the results of the diagnosis are influenced by some uncertain factors. Thus, it is necessary to provide medical operators a computer aided diagnosis system which is helpful to reduce the possibility of wrong diagnosis or missed diagnosis of liver cancer. We aimed to get a most sensitivity and stable group of features by summing up the features of liver cancer showed on ultrasound images and by mathematical analysis and comparison these features.According to the ultrasound image representation of hepatocellular carcinoma (HCC) and echo type in the tumors, this thesis made large studies on feature extraction and selection, especially on the texture features and shape features. The main achievements of this thesis are organized as follows:(1) Deal with the texture feature extraction, and analyze the texture features of various types of images of liver cancer, which can be defined by their echoes in the tumors. Then, analyze the texture features of all liver cancer and other confused diagnosis (such as angioma, hepatic abscesses). Including to the experiment result, we find one feature is not suitable for discrimination the liver cancer and normal ones. For the different type of echoes in the tumors, there are some respective different features to discriminate them. Thus, if there are enough samples, according to the HCC image representation, making a division of liver cancer will improve the accuracy of classification.(2) Perform the research on shape feature extraction. Due to the result of segmentation of snake methods, this thesis extracts some shape features, and provides doctors certain华中科技大学硕士学位论文information about the tumors, such as size, shape, and location.(3) Study some common methods of feature selection. And take Sequential Forward Selection (SFS) method, Relief method and Relief-SFS method to choose the features we have extracted, and then use the SVM classifier to evaluate them. The experiment showed that this Relief method is effect to choose the suitable group of features extracted from images of liver cancer.Keywords: Ultrasound Image of Liver Cancer; feature extraction; feature selection; texture feature; shape feature独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。

基于改进Otsu的煤体CT图像阈值分割算法的研究

基于改进Otsu的煤体CT图像阈值分割算法的研究

㊀第49卷第1期煤炭科学技术Vol 49㊀No 1㊀㊀2021年1月CoalScienceandTechnology㊀Jan.2021㊀移动扫码阅读王㊀刚,陈雪畅,韩冬阳,等.基于改进Otsu的煤体CT图像阈值分割算法的研究[J].煤炭科学技术,2021,49(1):264-271 doi:10 13199/j cnki cst 2021 01 023WANGGang,CHENXuechang,HANDongyang,etal.ResearchonthresholdsegmentationalgorithmofcoalCTim⁃agesbasedonimprovedOtsu[J].CoalScienceandTechnology,2021,49(1):264-271 doi:10 13199/j cnki cst 2021 01 023基于改进Otsu的煤体CT图像阈值分割算法的研究王㊀刚1,2,陈雪畅2,韩冬阳2,秦相杰2,冯㊀净2(1.山东科技大学矿山灾害预防控制国家重点实验室培育基地,山东青岛㊀266590;2.山东科技大学安全与环境工程学院,山东青岛㊀266590)摘㊀要:煤体CT图像阈值选取的准确性对于三维重建的模型能否还原真实煤体结构至关重要㊂Otsu阈值分割法(简称Otsu法)对煤体CT图像中孔裂隙结构的过分割,使得三维重建的煤体模型与实际不符㊂为克服该缺陷,首先探究了Otsu法对煤体CT图像阈值分割失效的机理,并据此确定合适的权重因子修正Otsu最佳阈值选择公式,提出了一种改进的Otsu阈值分割法(MP-Otsu阈值分割法,简称MP-Otsu法)㊂最后利用MatLab软件检测MP-Otsu法对煤体CT图像的二维分割效果,同时利用Avizo软件对煤体孔裂隙结构进行三维重建并对比改进前后孔裂隙参数的变化㊂结果表明:煤体内部矿物含量与Otsu法确定的阈值两者之间呈正相关关系㊂煤体内部矿物组分的存在导致目标和背景区域方差差异大,低孔隙率导致煤体CT图像灰度分布直方图呈单峰分布且不能提供足够的方差信息,这些特征是Otsu法对煤体CT图像阈值分割失效的主要原因㊂MP-Otsu法引入矿物含量与Otsu阈值的拟合曲线斜率,目标在图像中所占的大致比例等3个权重因子改进Otsu阈值分割法,得到的二值图像与原图像高度契合,能够准确提取孔裂隙目标区域㊂三维重建的模型孔隙率和最大喉道尺寸与Otsu法相比分别下降了96.18%和80.07%,有效克服了Otsu法对煤体CT图像过分割的缺陷㊂此研究能为进一步探究与孔裂隙结构相关的煤体物理特性提供基础㊂关键词:MP-Otsu法;阈值分割;煤体CT图像;矿物含量;孔裂隙结构中图分类号:TQ531㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:0253-2336(2021)01-0264-08ResearchonthresholdsegmentationalgorithmofcoalCTimagesbasedonimprovedOtsuWANGGang1,2,CHENXuechang2,HANDongyang2,QINXiangjie2,FENGJing2(1.MiningDisasterPreventionandControl-MinistryofStateKeyLaboratoryBreedingBase,ShandongUniversityofScienceandTechnology,Qingdao㊀266590,China;2.CollegeofSafetyandEnvironmentalEngineering,ShandongUniversityofScienceandTechnology,Qingdao㊀266590,China)收稿日期:2020-10-12;责任编辑:朱恩光基金项目:国家自然科学基金资助项目(51674158,51974176,51304128);山东省高校青年创新科技支持计划资助项目(2019KJH006)作者简介:王㊀刚(1984 ),男,山东临沂人,教授,博士生导师,博士㊂E-mail:gang.wang@sdust.edu.cnAbstract:TheaccuracyofCTimagethresholdselectionisveryimportantforthe3Dreconstructionmodeltorestoretherealcoalstructure.ExcessivesegmentationofporesandfracturesincoalCTimagesbyOtsuresultsinthemodelstructurenotconformingtothereality.Too⁃vercomethisdefect,wefirstexploredthefailuremechanismofOtsumethodoncoalCTimages,andthenamodifiedmethod,calledMP-Otsu,waspresent.Finally,Matlabsoftwarewasusedtodetectthe2DsegmentationeffectofMP-OtsumethodonCTimages.Meanwhile,Avizosoftwarewasusedtocarryout3Dreconstructionofcoalporesandfracturesandcomparedthechangesofporesandfracturesparame⁃tersbeforeandafterimprovement.ResultsshowedthatthemineralsincoalandthethresholddeterminedbyOtsushowedsignificantposi⁃tivecorrelation.Thevarianceoftargetandbackgroundwasverydifferentduetotheexistenceofinternalmineralcomponents.What smore,lowporositycontributedtotheunimodaldistributionofCTimages grayscaledistributionhistogramandcannotprovideenoughvari⁃anceinformation.AllthesefeaturesofcoalwerereasonsthatOtsufailedtosegmenttheCTimages.TheMP-OtsumethodintroducedthreeweightfactorssuchasthefittingcurveslopeofmineralcontentandOtsuthresholdandapproximateproportionofthetargetintheimage,toimprovetheOtsuthresholdsegmentationmethod.Thebinarizationimagesobtainedwerehighlyconsistentwiththeoriginalimagesandcouldaccuratelysegmentthetargetareaofporesandfractures.ComparedwithOtsumethod,theporosityandmaximumthroatsizeof3D462王㊀刚等:基于改进Otsu的煤体CT图像阈值分割算法的研究2021年第1期reconstructionmodelwerereducedby96.18%and80.07%respectively,whicheffectivelyovercamethedefectofOtsu soversegmentationofcoalCTimages.Thisstudymaycontributetofurtherexploringthephysicalcharacteristicsofcoalrelatedtoporesandfrac⁃tures.Keywords:MP-Otsu;thresholdsegmentation;coalCTimages;mineralcontent;poresandfractures0㊀引㊀㊀言煤主要由煤基质㊁矿物组分和孔裂隙组成,其中煤基质和矿物组分统称为煤体骨架㊂虽然孔裂隙结构在煤体内部所占比例很小,但其在很大程度上影响煤体物理力学性质和渗透率大小,进而影响煤层气的采收和煤层注水等过程[1-4]㊂近年来,CT作为一种无损探测技术被广泛应用于观测煤体内部孔裂隙结构特征,王刚等[5]通过CT三维重建技术得到煤体孔裂隙模型,并对煤样的孔径㊁孔体积㊁孔隙率㊁配位数㊁喉道长度等孔裂隙结构参数进行了统计分析;JU等[6]提出了一种结合CT和伺服控制三轴加载技术的新方法,实现了对围压和轴压作用下煤样内部三维裂隙网络连续演化的实验室原位观测;冯子军等[7]利用工业CT试验机探究了不同温度下褐煤㊁气煤的孔裂隙结构演化特征㊂在进行三维重建时,模型的真实性依赖于图像的分割效果,而合适的阈值是准确分割图像的前提条件[8]㊂以往学者多借助可视化软件确定煤体CT图像阈值实现人机交互的孔裂隙提取,刘向军等[9]在已知实测孔隙度的情况下确定阈值并用Avizo软件对图像进行分割;JU等[10]通过LBM法分析了微观孔隙结构对CH4渗流性质的影响㊂这些方法受主观因素影响较大,导致阈值选取不准确影响后续的数据处理过程㊂迭代法㊁DTM阈值分割方法㊁Otsu法等能够有效克服人工确定阈值的主观性,被应用于数字图像处理领域[11-13],其中Otsu法因简单易行被广泛使用[14-15]㊂但煤体CT图像的灰度分布较为复杂,且多呈单峰分布使得Otsu阈值分割法出现偏差[16]㊂其中Otsu法对孔裂隙的过分割使得模型孔隙㊁喉道半径增大,孤立的孔㊁裂隙结构连通,在此基础上建立模型进行后续研究,得到的煤体物理力学规律等与实际不符㊂目前,诸多学者通过调整最佳阈值选择公式对Otsu法加以改进㊂FAN[17]利用阈值灰度像素出现的频率增加权重,使得Otsu法同时适用于单峰和多峰图像;周迪等[18]综合类内方差和类间方差调节最佳阈值选择公式,改善了Otsu法的过分割现象;YUAN等[19]利用缺陷发生累计概率的参数加权目标方差,保证了Otsu法在各种缺陷检测中的有效性㊂以上方法能在一定程度上克服Otsu法分割误差,但不适合孔隙率较低的煤体CT图像,特别是矿物组分较多时,很难对CT图像实现准确分割㊂笔者以4种不同的煤样为例,基于Otsu法的基本原理,提出基于矿物组分和孔裂隙结构改进Otsu最佳阈值选择公式的MP-Otsu阈值分割法,并进一步提取孔裂隙结构进行三维重建,结合孔裂隙结构参数分析了MP-Otsu法对煤体CT图像的适用性,旨在提高CT技术在观测煤体微观组分领域的准确性㊂1㊀Otsu阈值分割法及其对CT图像的适用性1.1㊀CT扫描试验CT检测技术的基本原理是利用射线穿透煤体截面,由于煤体内不同密度的微观结构对射线的吸收率不同,使得射线经过各截面衰减后的信息不同,CT技术即是将收集到的密度变化信息转化为灰度信息记录在CT图像中以辨别不同的煤体微观结构[20]㊂因此CT图像的灰度大小反映了煤体内部的密度变化,灰度大的区域密度大,代表煤体骨架;灰度小的区域密度小,代表孔裂隙结构㊂阈值分割即选取合适的灰度,将图像分为孔裂隙和煤骨架2部分㊂采用的CT扫描设备为蔡司公司生产的Xradia510Versa三维X射线显微镜,如图1a所示,主要由X射线发射源㊁样品台㊁探测器3部分组成,并采用二级放大技术获取煤样CT图像,如图1b所示㊂图1㊀CT扫描试验Fig.1㊀CTscanningexperiment试验采用的煤样分别选自陕西旬邑县宋家沟煤矿(煤样1),肥矿集团曹庄煤矿(煤样2),内蒙古巴彦高勒煤矿(煤样3)和新疆金塔大黄山煤矿(煤样4)㊂为了检测Otsu法对不同精度CT图像的适用5622021年第1期煤炭科学技术第49卷性,利用钻取机将煤样制成不同尺寸的标准圆柱体,其中煤样1㊁2的直径为2mm,煤样3㊁4的直径为9mm㊂用砂纸将煤柱表面研磨光滑,试验过程严格按照国际标准执行㊂得到煤样1㊁2的CT图像分辨率为0.7μm,煤样3㊁4的分辨率为9.5μm㊂在试件切割和研磨过程中由于人为因素不可避免地造成煤样边缘孔裂隙破坏,因此选择300张连续CT图像裁剪为100pixˑ100pix的图像进行研究㊂1.2㊀Otsu阈值分割原理Otsu阈值分割法于1979年由日本学者大津提出,又称大津法㊁最大类间法[21]㊂算法采用聚类的基本思想,选择不同的阈值将所有的像素分为C0和C1两组,并采用最佳阈值选择公式计算其类间方差,即σ2(T)=ω0(μ0-μ)2+ω1(μ1-μ)2(1)式中:T为阈值;σ2(T)为当阈值为T时的类间方差;ω0㊁ω1分别为C0和C1的概率;μ0㊁μ1分别为C0和C1灰度的均值;μ为整体图像灰度均值㊂在图像灰度范围内选择合适的阈值T,使得式(1)取得最大值,即类间方差最大,这样的T值即为最优阈值㊂当一副图像的灰度分布直方图呈双峰时,最佳阈值T应落在两峰之间的谷底区域,如图2所示㊂对于从煤体CT图像中提取孔裂隙结构而言,由于孔裂隙结构的灰度较小,则小于阈值T的区域为孔裂隙目标区域,大于T的区域为煤体骨架背景区域㊂代表孔裂隙的灰度区域Z1 T的范围和像素频率均较小,这是煤体内含有的孔裂隙较少导致的㊂Z1㊁Zi㊁T㊁Zj㊁Zk 目标或背影区域不同出现概率的灰度图2㊀最佳阈值划分目标与背景区域Fig.2㊀TargetandbackgroundareasdividedbyopticalthresholdMatlab能够利用Otsu法计算阈值的同时得到二值图像,与原图像进行对比可直观判断分割效果㊂将获取的CT图像用Matlab进行处理,原始CT图像㊁Otsu法计算的阈值T和阈值分割后的二值图像如图3所示㊂原始CT图像中,白色区域即是煤体内的矿物组分,灰色区域为煤基质,灰度较小的黑色区域为孔隙和裂隙结构㊂煤样1和煤样2杂乱分布着较多形状不规则的孔隙结构,裂隙结构在煤样3和煤样4中较为明显㊂图3㊀Otsu阈值分割效果Fig.3㊀SegmentationeffectbyOtsu㊀㊀Otsu法计算的4个煤样阈值分别为170㊁108㊁211和178,由此进行阈值分割得到的二值图像中,黑色代表孔裂隙结构,白色代表煤体骨架㊂对比阈值分割前后的图像发现,4个煤样均出现了不同程度的过分割现象,其中煤样1和煤样3的过分割程度最严重,除孔裂隙外,大部分灰度较大的煤基质被误分割为孔裂隙,仅有矿物组分被分割成煤骨架㊂煤样4左侧的裂隙由于煤基质的误分割变得模糊,662王㊀刚等:基于改进Otsu的煤体CT图像阈值分割算法的研究2021年第1期利用Otsu法确定的阈值T=178得到的面孔隙率达到74.83%,远高于实际煤样合理的孔隙率范围㊂煤样2过分割现象不显著,但仍能观察到分割出的孔裂隙范围大于原CT图像,且原图像中左下角的少部分煤基质被误分割为孔裂隙㊂综上所述,Otsu法对CT图像阈值分割的适用性较差,其对孔裂隙结构过分割使得二值图像不能准确分割真实煤体孔裂隙结构㊂2㊀MP-Otsu阈值分割法Otsu法提取孔裂隙的过程中,CT图像中矿物组分越多㊁越接近煤基质含量,Otsu法确定的阈值就越大,过分割现象越严重㊂为进一步说明该现象,对矿物含量较大的煤样1取20张图像分析矿物含量与Otsu阈值的关系,如图4所示㊂矿物含量与Otsu阈值大致呈线性分布,拟合曲线表达式为y=2.404x+106.2,相关系数为0.85㊂这在一定程度上说明矿物含量越大,Otsu越容易出现过分割㊂对于同一煤样而言,最佳阈值应该是唯一确定的,Otsu阈值随矿物含量的变化而改变的现象表明矿物组分的存在对Otsu阈值的选取有一定的影响㊂图4㊀矿物含量与Otsu阈值的拟合曲线Fig.4㊀FittingcurveofmineralcontentandOtsuthreshold阈值分割过程中,需要将煤体内部的矿物组分与煤基质共同划分为背景区域㊂矿物组分的灰度相对于煤基质大得多,且对于煤样1而言,其直方图分布的区域大,说明煤样中煤基质和矿物所占的比例接近,这使得背景区域的类内方差较大;而孔裂隙结构灰度较为集中,类内方差较小㊂这些因素使得目标和背景的类间方差差异显著㊂而只有图像的目标和背景方差相近时,Otsu阈值分割可以取得理想的分割效果[21]㊂综合以上分析,矿物组分的存在是导致Otsu阈值分割法失效的重要因素㊂针对Otsu法出现的阈值偏离问题,确定合适的权重调节最佳阈值选择公式是一种简单可行的方法㊂考虑到背景区域方差较大对Otsu阈值分割法的影响,首先基于矿物组分增加权重因子α0㊁β0调节目标和背景的方差差异,对Otsu阈值分割法加以改进㊂在式(2)中令α0为矿物含量与Otsu阈值拟合曲线(图4)的斜率k=2.404;当矿物含量在20% 30%时,β0取0.05 0.13,当矿物含量在5% 20%时,β0约取0.05,对于矿物含量相对较少的煤样2㊁3㊁4,β0的取值范围为0.001 0.050㊂σ2(T)=α0ω0(T)+β0[]μ0(T)-μ(T)[]2+ω1(T)μ1(T)-μ(T)[]2(2)改进后煤样1的阈值T=110,相对于Otsu法减小35.29%,具体的分割情况如图5所示㊂图5㊀基于矿物含量改进的Otsu法图像分割效果Fig.5㊀ImagesegmentationeffectbyimprovedOtsumethodbasedonmineralcontent利用改进后的方法进行分割后大部分煤基质划分为背景,在一定程度上优化了Otsu法的分割效果,但此方法不能完全消除Otsu法的过分割现象,如A区域矿物周围误划分出面积较大的孔隙,B区域的孔隙面积明显大于原图像㊂由此可知,孔裂隙和煤骨架的类间方差差别显著,仅考虑矿物含量时权重调节强度较弱,不能完全平衡目标和背景的方差㊂除矿物组分的存在导致目标与背景方差差异显著外,孔隙率也是影响阈值准确性的重要因素㊂物体的目标区域由大到小,导致图像的直方图分布由双峰到单峰变化[19],Otsu阈值分割法仅对单峰分布的图像具有较好的分割效果㊂煤岩体的孔隙率多在3%25%[22-23],根据相关学者的统计信息,列出不同煤种的孔隙率情况见表1[24]㊂虽然不同煤种孔隙率不同,但一般不超过20%,且多分布在10%以内,在煤体中所占比例小㊂这使得煤样1 4的灰度分布直方图大致呈单峰分布,且孔隙率小,不能提供足够的方差信息,因此Otsu阈值分割法较难取得精确阈值㊂综合考虑以上影响Otsu阈值分割法准确性的因素,最终确定了α0㊁β0和α1阈值调节因子见式(3),得到基于煤体内矿物和孔裂隙结构的改进Otsu阈值分割法 MP-Otsu法,并且令α1为孔裂7622021年第1期煤炭科学技术第49卷隙在图像中所占的大致比例㊂σ2(T)=α0ω0(T)+β0[]μ0(T)-μ(T)[]2+α1ω1(T)μ1(T)-μ(T)[]2(3)表1㊀不同煤种的孔隙率[15]Table1㊀Porosityofdifferenttypesofcoal煤种长焰煤气煤肥煤焦煤弱黏结煤瘦煤无烟煤孔隙率最小值/%7.93.63.02.24.24.86.0孔隙率最大值/%13.115.118.914.918.39.611.43㊀MP-Otsu法检验3.1㊀二维CT图像分割效果利用Matlab软件采用MP-Otsu法对图3中过分割的图像重新计算阈值并得到二值图像如图6所示,由前文得α0=2.404㊂MP-Otsu法计算的4个煤样阈值分别为87㊁90㊁171和150,原CT图像中黑色区域被划分为孔裂隙结构,灰度较大的煤基质和矿物区域被完全划分为煤骨架㊂与Otsu法分割效果相比,MP-Otsu法对图像中的孔裂隙能够精准识别,煤样1㊁3㊁4被Otsu法误分割的煤基质经MP-Otsu法分割后,被划分为煤骨架,有效改善了Otsu法的过分割现象㊂煤样3 Γ 型裂隙的A㊁B区域由于矿物组分的嵌入导致不连通,通过MP-Otsu阈值分割法,这些不连通的区域均可以准确体现出来㊂这表明MP-Otsu阈值分割法对煤体CT图像具有较好的适用性㊂图6㊀MP-Otsu法阈值分割效果Fig.6㊀ThresholdsegmentationeffectbyMP-Otsumethod㊀㊀需要指出的是,虽然改进算法能在一定程度上优化图像分割效果,但在计算过程中仍有极少数图像存在不同程度的过分割或欠分割现象,如图7所示㊂综合分析MP-Otsu法未准确分割的图像发现,这些图像中含有的孔隙结构尺度极小,考虑到从这类图像中分割孔裂隙结构意义不大,因此计算煤体CT图像阈值时,可优先对孔隙率大的图像进行阈值分割,得到的最佳阈值对于所有CT图像的适用性更强㊂图7㊀MP-Otsu法的过分割现象Fig.7㊀ExcessivesegmentationphenomenonbyMP-Otsumethod862王㊀刚等:基于改进Otsu的煤体CT图像阈值分割算法的研究2021年第1期3.2㊀煤体孔裂隙结构的三维重建为比较MP-Otsu与Otsu法分割效果差距,说明合理确定阈值对准确获取煤体微细观结构进而分析煤体物理特性的重要性,利用Avizo软件对煤体CT图像中孔裂隙进行三维重建,并提取孔裂隙参数进行定量分析㊂理论上相同灰度在同一煤样中代表相同组分,因此选取的阈值对于同一煤样而言具有普适性,即适用于任何尺寸的图像㊂为完整表示煤体中较大尺寸裂隙,除100pixˑ100pix的图像外,采用200pixˑ200pix和300pixˑ300pix的图像,利用Otsu和MP-Otsu法分别确定阈值进行三维重建,其中图像尺寸为300pixˑ300pix的煤体孔裂隙结构的三维图像如图8所示㊂图8㊀阈值改进前后孔裂隙三维重构对比Fig.8㊀3Dreconstructionofporesandfracturesbeforeandafterthresholdimprovement㊀㊀模型中不同颜色代表不同连通性的孔裂隙,因此通过对比Otsu法改进前后得到的模型颜色可以清晰看出两者连通性差异㊂利用Otsu法计算阈值得到的模型颜色与MP-Otsu法相比较为单一,特别是煤样1和煤样4的模型呈现出单一颜色,这说明Otsu法计算的阈值偏大使得所有孔裂隙连通㊂改进阈值后两煤样内部的孔裂隙结构能够清晰呈现出来,煤样1模型颜色更加复杂,不同形态㊁连通性的孔隙结构分布在煤体内部,与煤样1相似,改进阈值后煤样2的模型能够显示出更多不同连通性的孔裂隙㊂当煤样3的阈值为186时,模型中的所有裂隙颜色相同,即相同连通性的裂隙贯穿在煤体内部,改进后的模型中贯穿煤体的 Γ 型裂隙可以明显看出,另有1条裂隙仅出现在模型边缘,并未延伸到内部㊂且在3.1节对煤样3的分析中,MP-Otsu法分割出的 Γ 型裂隙由于矿物组分的嵌入导致不连通㊂为验证该分割效果的合理性,仅对煤体内 Γ 型裂隙采用半自动的分水岭算法进行提取并进行三维重建如图9所示㊂图9b中裂隙上方红色框内的区域即是因矿物组分导致的不连续㊂由此可知Otsu法能够克服分水岭算法操作的复杂性并取得理想的分割效果㊂为了进一步分析分割前后模型微观结构变化,提取模型的孔裂隙结构参数进行比较,见表2㊂以孔隙率为例,分别得到Otsu和MP-Otsu法的不同尺寸图像的孔隙率曲线如图10所示㊂图9㊀煤样3 Γ 型裂隙提取Fig.9㊀ Γ fractureextractionofcoalSample3利用Otsu法得到的煤样1㊁3㊁4模型的孔隙率可达60%以上,而MP-Otsu法得到的模型孔隙率多在3.6% 15.1%,可比改进前低70%㊂配位数是表征孔隙结构连通性的参数,配位数越大,代表孔隙的连通性越好㊂基于Otsu法得到的模型平均配位数㊁最大孔隙半径和最大喉道半径多大于改进阈值后的模型,表明Otsu法过分割增大了孔裂隙结构的连通性,但煤样2和煤样3中出现了MP-Otsu法得到的模型平均配位数更大的情况,出现该现象的原因主要有以下2方面:①阈值增大后模型新增了较多的孤立孔隙结构,它们不通过喉道与其他孔裂隙连通;9622021年第1期煤炭科学技术第49卷表2㊀基于Otsu和MP-Otsu法的模型参数Table2㊀ModelparametersbasedonOtsuandMP-Otsumethod煤样图像尺寸/(pixˑpix)孔隙率/%最大孔隙半径/μm最大喉道半径/μm平均配位数㊀㊀OtsuMP-OtsuOtsuMP-OtsuOtsuMP-OtsuOtsuMP-Otsu1100ˑ10074.7310.0248.3022.3146.461.111.30000.0782200ˑ20063.7710.37105.6521.0622.090.560.05970.0540300ˑ30066.1310.30161.8761.7038.942.910.02210.04352100ˑ10013.397.8834.6822.770.742.050.09880.0870200ˑ20014.177.8757.9221.440.660.480.04670.0583300ˑ30014.897.7692.7052.867.162.920.03020.03733100ˑ10097.835.5757.2624.7955.010.764.50000.0964200ˑ2008.452.2957.1018.551.020.290.02030.0243300ˑ30019.922.2688.1645.9764.581.000.05080.03044100ˑ10065.022.5656.5417.261.741.040.07740.0126200ˑ20076.774.3097.5041.4152.221.040.03310.0059300ˑ30075.592.69153.6752.69120.120.850.05420.0035图10㊀各煤样孔隙率分布Fig.10㊀Porositydistributionofeachcoalsample②2个连通的孔隙结构由于阈值过大被划分为1个孔隙结构,这也使得Otsu法得到的模型最大孔隙半径㊁最大喉道半径增大㊂改进后两者分别减小了99.29%和80.07%,有效改善了Otsu法的过分割现象㊂综上所述,与Otsu阈值分割法相比,利用MP-Otsu法对CT图像阈值分割后进行三维重建能够满足煤体孔裂隙模型真实性的要求,准确确定煤体微观孔裂隙参数㊂而孔隙率㊁最大孔隙半径和最大喉道半径等参数是合理表征煤体渗透率等的关键,因此MP-Otsu法的提出对探究煤体的物理力学性质具有重要意义㊂4㊀结㊀㊀论1)高亮度矿物组分的存在导致背景灰度方差较大,而孔裂隙结构灰度较为集中导致目标区域方差较小,且较小的煤体孔隙率不能提供足够的方差信息,使得Otsu阈值分割法确定的阈值偏向背景,从而对孔裂隙结构过分割㊂2)基于煤体内部孔裂隙结构和矿物组分确定3个权重因子α0㊁α1㊁和β0改进最佳阈值选择公式,其中,α0=2.404;α1为孔裂隙在煤体CT图像中所占的大致比例;当矿物含量在20% 30%时,β0取0.08 0.13,当矿物含量在5% 20%时,β0取0.05 0.08,对于矿物含量相对较少的煤样2㊁3㊁4,β0取0.001 0.050㊂3)MP-Otsu法建立的孔裂隙模性能真实反映煤体内部的孔裂隙结构及分布,准确分割CT图像内部的孔裂隙结构,提取的孔裂隙参数与实际更为贴近㊂参考文献(References):[1]㊀吕蓬勃.不同加载速率下煤样破坏力学特性及损伤规律研究[D].焦作:河南理工大学,2018.LYUPengbo.Studyonmechanicalcharacteristicsanddamagelawsofcoalsamplesunderdifferentloading[D].Jiaozuo:HenanPoly⁃technicUniversity,2018.[2]㊀李波波,成巧耘,李建华,等.含水煤岩裂隙压缩特征及渗透特性研究[J].岩石力学与工程学报,2020,39(10):2069-2078.㊀LIBobo,CHENGQiaoyun,LIJianhua,etal.Studyonfracturecompressionandpermeabilityofcoalwithdifferentmoisturecontents[J].ChineseJournalofRockMechanicsandEngineering,2020,39(10):2069-2078.[3]㊀高㊀正,马东民,陈㊀跃,等.含水率对不同宏观煤岩类型甲烷吸附/解吸特征的影响[J].煤炭科学技术,2020,48(8):97-105.㊀GAOZheng,MADongmin,CHENYue,etal.Effectofwatercon⁃072王㊀刚等:基于改进Otsu的煤体CT图像阈值分割算法的研究2021年第1期tentonadsorption/desorptionofmethaneofdifferentmacroscopiclithotypes[J].CoalScienceandTechnology,2020,48(8):97-105.㊀[4]㊀姜爱伟,胡㊀皓,芮㊀君.煤层分区高压注水抑尘技术的应用试验研究[J].矿业研究与开发,2020,40(1):90-94.JIANGAiwei,HUHao,RUIJun.Applicationteststudyonhigh-pressurewaterinjectionanddustsuppressiontechnologyincoalseamarea[J].MiningResearchandDevelopment,2020,40(1):90-94.[5]㊀王㊀刚,沈俊男,褚翔宇,等.基于CT三维重建的高阶煤孔裂隙结构综合表征和分析[J].煤炭学报,2017,42(8):2074-2080.㊀WANGGang,SHENJunnan,CHUXiangyu,etal.Characteriza⁃tionandanalysisofporesandfissuresofhigh-rankcoalbasedonCTthree-dimensionalreconstruction[J].JournalofChinaCoalSociety,2017,42(8):2074-2080.[6]㊀JUYang,XIChaodong,ZHANGYang,etal.LaboratoryInsituctobservationoftheevolutionof3dfracturenetworksincoalsubjecttoconfiningpressuresandaxialcompressiveloads:anovelapproach[J].RockMechanicsandRockEngineering,2018,51:3361-3375.[7]㊀冯子军,赵阳升.煤的热解破裂过程:孔裂隙演化的显微CT细观特征[J].煤炭学报,2015,40(1):103-108.FENGZijun,ZHAOYangsheng.Pyrolyticcrackingincoal:Meso-characteristicsofporeandfissureevolutionobservedbymicro-CT[J].JournalofChinaCoalSociety,2015,40(1):103-108.[8]㊀张青成,左建民,毛灵涛.基于体视学原理的煤岩裂隙三维表征试验研究[J].岩石力学与工程学报,2014,33(6):1227-1232.㊀ZHANGQingcheng,ZUOJianmin,MAOLingtao.Experimentalstudyofthree-dimensionalcharacterizationofcoalfracturesbasedonstereology[J].ChineseJournalofRockMechanicsandEngi⁃neering,2014,33(6):1227-1232.[9]㊀刘向军,朱洪林,梁利喜.基于微CT技术的砂岩数字岩石物理实验[J].地球物理学报,2014,57(4):1133-1140.LIUXiangjun,ZHUHonglin,LIANGLixi.Pyrolyticcrackingincoal:Meso-characteristicsofporeandfissureevolutionobservedbymicro-CT[J].ChineseJournalofGeophysics,2014,57(4):1133-1140.[10]㊀JUYang,WANGJinbo,GAOFeng,etal.Heping.Lattice-Bolt⁃zmannsimulationofmicroscaleCH4flowinporousrocksubjecttoforce-induceddeformation[J].ChineseScienceBulletin,2014,59(22):2127-2136.[11]㊀张日升,袁明亭,丁军航,等.基于图像阀值分割的浒苔图像提取[J].自动化技术与应用,2020,39(2),83-86.ZHANGRisheng,YUANMingting,DINGJunhang,etal.Enter⁃omorphaimageextractionbasedonimagethresholdsegmentation[J].TechniquesofAutomationandApplications,2020,39(2):83-86.[12]㊀宋党育,何凯凯,吉小峰,等.基于CT扫描的煤中孔裂隙精细表征[J].天然气工业,2018,38(3):41-49.SONGDangyu,HEKaikai,JIXiaofeng,etal.Finecharacteriza⁃tionofporesandfracturesincoalbasedonaCTscan[J].NaturalGasIndustry,2018,38(3):41-49.[13]㊀NIEBaisheng,FANPenghong,LIXiangchun.Quantitativein⁃vestigationofanisotropiccharacteristicsofmethane-inducedstrainincoalbasedoncoalparticletrackingmethodwithX-ray⁃computertomography[J].Fuel,2018,15:272-284.[14]㊀刘㊀敏.基于煤岩体CT图像裂隙三维重建及其特性研究[D].徐州:中国矿业大学,2017.LIUMin.Studyon3DReconstructionoffracturebasedoncoalCTimageanditscharacteristics[D].Xuzhou:ChinaUniversityofMiningandTechnology,2017.[15]㊀张㊀飞,周海东,姜军周.岩石CT断层序列图像裂纹三维重建及其损伤特性的研究[J].黄金,2010,31(7):25-29.ZHANGFei,ZHOUHaidong,JIANGJunzhou.Researchonthecrack3DreconstructionofrockCTfaultseriesimagesandrockdamagecharacters[J].Gold,2010,31(7):25-29.[16]㊀MUTHUKUMARANMalarvel,GOPALAKRISHNANSethumad⁃havan,PURNAChandraRaoBhagi,etal.AnimprovedversionofOtsu smethodforsegmentationofwelddefectsonX-radiographyimages[J].Optik,2017,142:109-118.[17]㊀FANJiulun,LEIBo.Amodifiedvalley-emphasismethodforau⁃tomaticthresholding[J].PatternRecognitionLetters,2012,33(6):703-708.[18]㊀周㊀迪,夏哲雷.一种改进的Otsu阈值分割算法[J].中国计量大学学报,2016,27(3):319-323,344.ZHOUDi,XIAZhelei.AnimprovedOtsuthresholdsegmentationalgorithm[J].JournalofChinaUniversityofMetrology,2016,27(3):319-323,344.[19]㊀YUANXiaocui,WULushen,PENGQingjin.AnimprovedOtsumethodbytheweightedobjectvariancefordefectdetection[J].AppliedSurfaceScience,2015,349(15):472-484.[20]㊀WANGGang,CHUXiangyu,YANGXinxiang.Numericalsimu⁃lationofgasflowinartificialfracturecoalbythree-dimensionalreconstructionbasedoncomputedtomography[J].JournalofNat⁃uralGasScienceandEngineering,2016,34:823-831.[21]㊀OTSUN.Athresholdselectionmethodfromgraylevelhistograms[J].IEEETransactionsonSystrems,Man,andCybernetics,1979,9:62-66.[22]㊀何选明.煤化学[M].北京:冶金工业出版社:2010.[23]㊀马丕梁.煤矿瓦斯灾害防治技术手册[M].北京:化学工业出版社,2007.[24]㊀王茂林.井下瓦斯抽采实用技术[M].北京:煤炭工业出版社,2015.172。

Snake 模型的学习

Snake 模型的学习

Snake 模型的学习一、Snake 模型的理论概念介绍1.基本思想:它以构成一定形状的一些控制点为模板(轮廓线),通过模板自身的弹性形变,与图像局部特征相匹配达到调和,即某种能量函数极小化,完成图像的分割。

再通过对模板的进一步分析而实现图像的理解和识别。

蛇模型是在曲线本身的内力和图像数据的外部约束力的作用下的移动变形轮廓线。

作用在蛇模型上的力依据轮廓的形状和位置决定在局部空间的移动。

内力起到平滑约束作用,外力引导曲线向图像轮廓所在位置移动。

2.构造Snake模型的目的:调和上层知识和底层图像特征这一对矛盾,Snake模型的轮廓线承载了上层知识(人们对物体的认识主要来源于外形轮廓),而轮廓线与图像的匹配又融合了底层特征。

这两项分别表示Snake模型中能量函数的内部力和图像力。

3.Snake模型的初始轮廓的选择:由于snake模型对初始位置比较敏感,因此要求初始轮廓尽可能的靠近真实轮廓,而当图像比较模糊或者目标比较复杂或者其他物体靠近时,其初始轮廓更不易确定。

现在的初始轮廓选择的方法:a.人工勾勒图像的边缘b.序列图像差分边界c. 基于序列图像的前一帧图像边界进行预测d.基于传统图像分割结果进行边界选取。

二、基本的Snake模型Kass 等提出的原始Snake模型由一组控制点组成v ( s ) = [x ( s ), y ( s ) ] s ∈[0,1] (1)这些点以首尾以直线相连构成轮廓线,x(s)、y(s) 分别表示每个控制点在图像中的坐标位置,s(s是归一化的曲线长度)是以傅里叶变换形式描述边界的自变量,在Snake控制点上定义能量函数第一项称为弹性能量,是v的一阶导数的模,第二项称为弯曲能量,是v的二阶导数的模,第三项为外部能量(外部力),αβ分别是控制Snake模型的弹性和刚性。

Snake模型对轮廓的灵活性依赖于这两个系数。

在基本Snake模型中,一般只取控制点或连线所在位置的图像局部特征,例如梯度也称图像力。

一种基于遗传算法的FFT Snake模型图像分割方法

一种基于遗传算法的FFT Snake模型图像分割方法
明 , 方 法 分 割效 果 十 分 理 想 。 该
Ab ta t Th s p p r p e e t e FFT S a e mo e b mp o ig t e e e g ft e S a e M o e ,a d s l e h s r c : i a e r s n s a n w n k d l y i rvn h n r y o h n k d l n ov st e p o lm fS a eM o e ih h sa b d a t n ie a i t n e d O o e fo fo t e we k e g s wh n a p id t o — r be o n k d l wh c a a n i o s b l y a d tn st v rl w r m h a d e e p l o c n - i e t u r c i g o r ta k n 。Th n i c n i e st e s l t n o h T n k o e s a s a c i g s a e a d a o d o a n ma b k e t o sd r h o u i ft eFF S a eM d la e r hn p c n v is l c lmi i y ma — o
陈 勤, 刘 茵, 王 涛
C EN Q n L U Y n WA G T o H i, I i, N a
( 杭州电子科技 大学计算机学院 , 浙江 杭州 3 0 1 ) 1 0 8
(col f o ue i c , n zo ini i ri , a gh u3 0 1 , hn ) Sho o mp t S e eHagh uD az Unv s y H n zo 10 8 C ia C rc n e t
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

152 20l5.51(9) Computer Engineering andApplications计算机工程与应用 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 3 50002,China 

WANG Jiexiong,CHEN Guodong,CHEN Yi.Improved B—Snake segmentation method for liver CT images.Computer Engineering and Applications,2015,51(9):152—157. 

Abstract:The personalization of liver models,which is premised Oil the 3 d 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 巾图分类号:TP317.4 doi:10.3778/j.issn.1002.8331.1306.0111 

l 引青 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Ⅲ。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 。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 。 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Ⅲ。 

基金项目:福建省科技计划重点项目(No.2011H0027)。 作者简介:王杰雄(1989一),男,硕士研究生,研究领域为图像处理与通信;陈国栋(1979一),男,博士研究生,助理研究员,研究领域 为计算机图形学;陈怡(1990一),男,硕士研究生,研究领域为图像处理与通信。E—mail ̄wang ̄iexiong一1989@126.com 收稿口期: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,http://www.cnki.net/kcms/detail/11.2127.TP.20131112.1119.011.html 王杰雄,陈国栋,陈怡:改进的B.Snake模型肝脏CT图像分割算法 Kass r 在1987年提出的Snake模型是图像分割领域的一 大突破,开创了一类新形式的图像分割算法。针对该模 型在轮廓线的表示、轮廓线的拓扑变化和能量项的选择 等方面存在的不足,后来又出现了一些改进的模型算法: 用B样条曲线表示轮廓线的B.Snake模型 算法,解决 了Snake模型参数化后计算精度不高的问题;McInerney 和Terzopoulos等人 于1995年提出的T-Snake模型,在 图像区域上建立了一个三角形网格;Cohen 提出了著 名的气球力,还有Xu和Prince等人 提出的GVF外场 力,扩大了参数活动轮廓模型外力的作用范围,等等。 参数活动轮廓模型由于其在轮廓线表示、克服噪声 和交互控制等方面的优越性,已经被广泛运用于医学图 像的分割。文献[101提出了一种改进的GVF模型,在原 始GVF模型中加入了一个外力场,成功解决了GVF模 型在肝脏分割过程中无法正确收敛到边界凹陷处的问 题。Hong Lan等人 ”针对Snake模型对初始轮廓很敏 感以及缺少曲率约束等问题,对Snake模型进行改进, 用分水岭算法来获取初始轮廓并且在能量方程中加入 了与曲线形状相关的外力,实现肝脏图像的准确分割。 Marsousi M等人” 1提出一种怏速自适应的B.Snake模 型,把外力、自适应的节点插入和多分辨率策略相结合, 将面积和体积的估计作为B—Snake模型的辅助工具,实 现左心室超声心动图像中心脏边界的分割。 然而,大部分已有的研究成果都是对整条初始轮廓 曲线进行演化,对于一些无需进行演化的曲线段,仍然 对其进行能量函数的计算,时间效率比较低。例如文 献[3]中阐述的结合变分法的GVF模型,处理200张切 片需要30 min,虽然分割的精度很高,但是效率太低。 区域填充算法” 的算法简单,容易实现,对小区域的物 体效果较好,但是对于区域较大的物体容易出现过分割 和漏分割现象。 本文结合B—Snake模型的特点,充分利用相邻切片 间的相似性来弥补区域填充算法处理后可能出现过分 割和漏分割的缺陷,而且,相邻切片分割结果的小偏差 不会互相影响。初步处理后得到接近目标边界的轮廓 线,作为B-Snake模型的初始轮廓,结合文献[14]中提到 的灰度模型,只需对曲线的部分控制点进行迭代,效率 较高,可以得到较准确的分割结果。 2算法原理与步骤 本文算法分为初步分割和改进的B—Snake模型优 化两个部分,框架图如图l所示。考虑到相邻切片之间 肝脏区域的面积和形状的变化很小,首先选取一张肝脏 区域较大,轮廓较清晰的切片图,通过手动确定轮廓点 和样条曲线拟合得到第一张切片的分割结果,将该分割 结果映射到相邻的切片,通过区域内的灰度统计特性确 定种子点和填充的灰度范围,进行漫水填充,结合形态 学操作,并将结果与上一张切片的分割结果按一定的算 法进行比较,优化后的结果作为初步分割的结果。将初 步分割的结果作为第二部分中改进的B.Snake模型算 法的初始轮廓,自动进行调整。由于初步分割后的结果 已经很接近目标真实边界,很大一部分曲线已经在肝脏 的边界上,将其作为活动轮廓模型的初始轮廓,利用文 献[141中的灰度模型对轮廓线上的控制点进行分类,对 不在边界上的控制点进行小范围的调整即可实现准确 的目标提取。 

图1整体框架图 选取一张肝脏区域较大而且轮廓比较清晰的切片 图作为第一张处理的切片图,如图2所示,对于一套按 顺序扫描的切片,这样的切片图一般在肝脏CT序列的 中间部分可以找到。由于这样的切片图中肝脏区域较 大,得到的区域内部的灰度值统计特性能比较准确地反 应真实肝脏区域的特性。 手动确定了第一张切片的轮廓点之后,采用三次B 样条曲线对轮廓点进行拟合,如图2所示。 

图2三次B样条曲线拟合 2.1 Snake原始模型 Kass等人 提出的参数活动轮廓模型是典型的变分 求解问题,将弹性力学中的弹性势能及弯曲势能引入模 型,将其作为该模型的内部能量,并与来自图像信息的 外部能量结合在一起。内部能量是为了保持曲线的连 续性和平滑性,外部能量引导曲线向目标边界演化,当 模型能量取得最小值时,演化结束。

相关文档
最新文档