几种图像分割算法在CT图像分割上的实现和比较
医学图像处理中的分割与分类算法研究
医学图像处理中的分割与分类算法研究随着医学成像技术的不断发展，医学图像处理在临床诊断中发挥越来越重要的作用。
而在医学图像处理中，分割和分类算法是非常重要的一部分。
分割算法可以帮助医生将图像中的不同组织和结构分开，从而更容易进行诊断。
而分类算法可以将不同的病例或者不同的病变分开，从而更容易进行病例分析和治疗方案的制定。
本文将重点讨论医学图像处理中的分割和分类算法。
一、分割算法医学图像中常见的分割算法包括阈值分割、区域生长分割、边缘检测分割、水平线分割、聚类分割、基于形状的分割等。
其中，阈值分割是最简单的一种分割方法，通过设置一个像素灰度值阈值，将像素点按照其灰度级别分为两部分，从而进行分割。
阈值分割方法的优点是比较快速和简单，常用于二值化的分割，如将背景分割出来等。
然而，阈值分割的缺点是，对于灰度级别变化比较复杂和不均匀的图像来说，效果并不理想。
区域生长分割是一种将像素点按照它们在图像中的相似度分为不同区域的分割方法。
该方法需要用户先选定一个种子像素，然后将相邻像素按照一定的相似度和位置分为同一区域内的像素。
区域生长分割算法优点是可以自动识别和合并不同的区域，并且有较高的准确性。
缺点是对于一些比较复杂的图像，需要大量的操作和调整才能获得最佳分割效果。
边缘检测分割通过检测图像中的边缘和轮廓，将图像分割成自然对象。
该方法通过检测灰度值变化的区域来找到边缘，然后对边缘进行滤波，从而进行分割。
边缘检测分割算法优点是可以比较准确地找到不同组织和结构之间的边界。
缺点是对于一些边界模糊或者变化较大的图像，效果不够理想。
水平线分割是一种将每一像素点到图像下沿的欧几里得距离近似使用边界值作为整幅图像分割的方法。
该方法适用于裸眼检查，如眼底拍照等。
水平线分割算法优点是速度快，因为对于每个像素点而言，距离计算只需要在横边对应的垂直线段判断即可获得距离，从而降低了计算的耗时。
缺点是不适用于所有的医学图像，如CT图像等。
聚类分割是一种通过计算像素点之间的相似度进行分割的方法。
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。
三种图像分割算法的对比及图像分割方法的改进
摘 要 通过研究 图像 分割算法的原理和实验对 比，可 以发现标记分水 岭分 割方 法是 以边缘特 性为基础 ，通过设置光谱特征标记 来分割 图像 ，其分 割结果边缘精度高 ，但 是仍然存 在较为严重的过分割和欠分割情况。而 ｍｅａｎ ｓｈｉｆｔ分 割方法和 ｅＣｏｇｎｉｔｉｏｎ分 割方法 是 以光谱特征为分割依据 的分 割方法 ，虽然它们分 割结果 的过分 割和 欠分 割情况较少 ，但是分 割对象 的边缘精度较差。分析 以上存 在 的问题后 ，通过 融合边缘特征和 区域特征 ，并且依据一定 的特征来选择种子 点，尽 量避 免种 子点选择在边 缘 区，从 而实现提高 图像 分 割的效果。通过实验取得 了好的分割效果 ，说 明改进 的图像分 割方 法是 可行 的。
ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ，ｂｕｔ ｔｈｅ ｅｄｇｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｓｅｇｍ ｅｎｔｉｎｇ ｏｂｊｅｃｔｓ ｉｓ ｐｏｏｒｅｒ．Ｗｉｔｈ ｔｈｅ ａｎａｌｙｓｉｓ ｏｎ ｔｈｅ ｐｒｏｂｌｅｍｓ ａｂｏｖｅ，ｉｎ ｔｈｉｓ ｐａｐｅｒ ｗｅ ｓｅｌｅｃｔ
ｔｈｅ ｓｅｅｄ ｐｏｉｎｔｓ ａｃｃｏｒｄｉｎｇ ｔｏ ｃｅｒｔａｉｎ ｆｅａｔｕｒｅｓ ｔｈｒｏｕｇｈ ｆｕｓｉｎｇ ｔｈｅ ｅｄｇｅ ｆｅａｌｕｒｅｓ ａｎｄ ｒｅｇｉｏｎａｌ ｆｅａｔｕｒｅｓ．ａｎｄ ｄｏ ｂｅｓｔ ｔｏ ａｖｏｉｄ ｔｈｅ ｓｅｅｄ ｐｏｉｎｔｓ ｔｏ ｂｅ ｃｈｏｓｅｎ ｎｅａｒ ｔｈｅ ｅｄｇｅｓ，ＳＯ ａｓ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｅｆｆｅｃｔｓ．Ｂｅｔｔｅｒ ｒｅｓｕｌｔ ｉｓ ａｌｓｏ ｏｂｔａｉｎｅｄ ｔｈｒｏｕｇｈ ｔｈｅ ｅｘｐｅｒ ｉｍｅｎｔ，ｔｈｉｓ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｅ ｉｍｐｒｏｖｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｉＳ ｆｅａｓｉｂｌｅ．
医学成像中的图像分割算法对比与评估
医学成像中的图像分割算法对比与评估图像分割在医学成像领域中扮演着重要的角色，它可以将图像中的结构或感兴趣区域从背景中分离出来，为医生提供更准确的诊断和治疗方案。
随着医学成像技术的不断发展，各种图像分割算法也在不断涌现。
本文将对医学成像中常用的图像分割算法进行对比与评估。
首先我们介绍一下几种常用的医学成像图像分割算法：阈值分割、区域生长、边缘检测和基于深度学习的分割算法。
阈值分割是一种简单而有效的图像分割方法。
它通过设置一个或多个阈值，将图像中亮度或颜色与指定阈值相似的像素分割为一个区域。
这种方法对于医学成像中明显的目标物体或特征分割效果较好，但对于比较复杂的图像，由于灰度或颜色分布不均匀，容易出现分割错误的情况。
区域生长是一种基于像素相似性的图像分割方法。
它从一个或多个种子点开始，将与种子点像素相似的像素逐步加入到同一个区域中。
这种方法对于医学成像中目标物体边缘清晰、像素相似性高的情况，分割效果较好。
但对于目标物体边缘模糊、像素相似性较低的情况，容易导致分割结果不准确。
边缘检测是一种常用的图像分割方法，它可以在图像中检测出物体的边界或边缘。
边缘检测算法通常基于图像的梯度值或边缘响应值来确定边缘的位置。
这种方法对于医学成像中目标物体边缘清晰、对比度高的情况，分割效果较好。
但对于目标物体边缘模糊、对比度较低的情况，容易导致分割结果缺失或不准确。
基于深度学习的图像分割算法是近年来快速发展的一种方法。
深度学习通过神经网络模型学习大量的医学图像数据，从而实现更准确的分割结果。
这种方法具有较好的鲁棒性和准确性，在医学成像领域取得了许多重要的研究成果。
针对以上几种常用的图像分割算法，我们可以从多个角度来评估它们的性能。
首先是分割的准确性，即算法能否准确地将目标物体从背景中分割出来。
其次是分割的鲁棒性，即算法对于图像质量、噪声干扰和其他异常情况的抗干扰能力。
还有分割的计算效率，即算法的运行时间和资源消耗是否合理。
图像处理中的图像分割算法比较分析
图像处理中的图像分割算法比较分析图像分割是图像处理中的一项重要任务，它旨在将图像划分为具有一定语义的区域。
图像分割在图像分析、计算机视觉和模式识别等领域有着广泛的应用。
随着技术的发展，越来越多的图像分割算法被提出，为了选择合适的算法进行应用，本文将对目前常用的图像分割算法进行比较分析，包括基于阈值、基于区域生长、基于边缘检测和基于深度学习的算法。
1. 基于阈值的图像分割算法基于阈值的图像分割算法是最简单和最常用的方法之一。
该方法根据像素点的灰度值与设定的阈值进行比较，将图像分割成两个或多个区域。
对于灰度较为均匀的图像，基于阈值的方法能够得到较好的分割效果。
然而，对于灰度不均匀或存在噪声的图像，这种方法的效果较差。
2. 基于区域生长的图像分割算法基于区域生长的图像分割算法是一种基于连通性的方法。
该方法从一组种子像素出发，根据一定的生长准则逐步增长区域，直到达到停止条件为止。
区域生长方法能够处理一些复杂的图像，但对于具有相似颜色或纹理特征的区域容易产生错误的连续性。
3. 基于边缘检测的图像分割算法基于边缘检测的图像分割算法把图像中的边缘看作是区域之间的分界线。
常用的边缘检测算法包括Sobel、Canny和Laplacian等。
这些算法通过检测图像中的灰度值变化或梯度变化，找到边缘的位置，并将图像分割成相应的区域。
基于边缘的方法对于边缘清晰的图像分割效果较好，但对于复杂的图像容易产生断裂或错误的边缘。
4. 基于深度学习的图像分割算法近年来，随着深度学习的兴起，基于深度学习的图像分割算法成为研究热点之一。
深度学习方法利用卷积神经网络（CNN）或全卷积网络（FCN）等模型进行端到端的图像分割。
这些方法能够学习图像中的语义信息，并输出像素级别的分割结果。
深度学习方法在许多图像分割任务上取得了显著的效果，但需要大量的标注数据和计算资源。
综上所述，不同的图像分割算法适用于不同的场景和任务需求。
基于阈值的图像分割算法简单易用，适用于灰度较均匀的图像；基于区域生长的算法能够处理复杂的图像，但容易产生错误的连续性；基于边缘检测的算法对于边缘清晰的图像效果较好；基于深度学习的算法具有较强的泛化能力，可应用于多种场景。
医学影像处理中的图像分割算法使用技巧
医学影像处理中的图像分割算法使用技巧医学影像处理是一门涉及医学图像采集、存储、处理和分析的学科。
医学图像中通常包含大量的信息，因此图像分割是医学影像处理中必不可少的一环。
图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程，它通常用于检测病变区域、提取感兴趣的解剖结构或组织等。
在医学影像处理的图像分割中，有许多算法可供选择，下面将介绍一些常用的图像分割算法以及它们的使用技巧。
1. 阈值分割阈值分割是最简单且常用的图像分割方法之一。
它基于像素的灰度值，将图像中大于或小于特定阈值的像素分离出来。
阈值分割适用于图像中目标和背景的灰度值存在明显差异的情况，例如CT扫描中的骨骼分割。
在使用阈值分割时，需要根据图像的特点选择适当的阈值，并进行阈值的优化和调整，以获得更好的分割效果。
2. 区域生长区域生长是一种逐像素地将图像分割为几个连通区域的方法。
它通过选择种子点和定义生长准则来实现图像的分割。
区域生长适用于图像中目标的灰度值相似的情况，例如MRI图像中的脑部分割。
在使用区域生长时，需要选择适当的种子点，并根据具体情况设置生长准则，以获得准确的分割结果。
3. 边缘检测边缘检测是通过寻找图像中不连续的灰度值变化来实现图像分割的方法。
它可以准确地检测出图像中的边缘信息，并将其作为分割结果。
边缘检测适用于图像中目标的边界清晰的情况，例如X射线图像中的器官分割。
在使用边缘检测进行图像分割时，需要选择适当的边缘检测算法，并进行参数调整以获得满意的分割效果。
4. 水平线剖分水平线剖分是一种基于灰度值水平变化的分割方法。
它通过对图像的水平方向进行剖分和分析，将图像中的区域分隔开。
水平线剖分适用于图像中存在明显的水平变化的情况，例如胸部X射线图像中的肺部分割。
在使用水平线剖分进行图像分割时，需要选择适当的剖分方法，并进行参数的调整以获得理想的分割效果。
5. 基于机器学习的分割基于机器学习的分割方法是近年来发展起来的一种分割方法。
医学图像处理的基本算法及实现方法
医学图像处理的基本算法及实现方法医学图像处理是指将医学图像进行数字化处理和分析，以获取更多有用信息，帮助医生做出准确的诊断和治疗决策。
在医学领域，图像处理的技术应用广泛，包括但不限于CT扫描、MRI、X光和超声图像等。
本文将介绍医学图像处理的基本算法及实现方法。
一、图像增强算法及实现方法图像增强是医学图像处理中最基本也是最常用的技术之一，它用于提高图像的质量，使人眼更容易观察和分析医学图像。
常用的图像增强算法包括线性和非线性滤波、直方图均衡化、空间滤波和频域滤波等。
1. 线性和非线性滤波线性滤波是将图像与一个滤波器进行卷积运算，通过滤波器的权值调整像素的亮度值，以达到图像增强的目的。
非线性滤波是根据像素与其周围像素的关系进行像素值的调整，例如中值滤波和最大最小滤波等。
2. 直方图均衡化直方图均衡化是通过调整图像的灰度分布，使其在整个灰度范围内达到均匀分布。
该方法能够增强图像的对比度，突出图像中的细节。
3. 空间滤波和频域滤波空间滤波是通过卷积运算对图像进行滤波处理，常用的空间滤波器有均值滤波器、高斯滤波器和锐化滤波器等。
而频域滤波是通过将图像转换到频域进行滤波处理，常用的频域滤波器有低通滤波器和高通滤波器等。
二、图像分割算法及实现方法图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程，它是图像分析和模式识别的基础。
常用的图像分割算法包括阈值分割、边缘检测和基于聚类的分割等。
1. 阈值分割阈值分割是根据图像的像素灰度值进行分类，与预先设置的阈值进行比较，从而实现图像的分割。
它简单易行且计算效率高，适用于对比较明显的目标进行分割。
2. 边缘检测边缘检测是通过分析图像中像素值的变化来找到图像中的边缘。
常用的边缘检测算法有Sobel、Prewitt和Canny算法等。
边缘检测可以帮助医生找到重要的结构边界，如器官边界和病变区域。
3. 基于聚类的分割基于聚类的分割是根据图像上的相似性对像素进行聚类，将图像分成不同的区域。
几种图像分割算法在CT图像分割上的实现和比较
第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的实现和比较杨加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT图像分割上的实际应用提供了科学依据.关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割中图分类号2TN 911-73文献标识码2A 收稿日期220000625基金项目2国家自然科学基金资助项目(69 43001);国家 63计划项目作者简介2杨加9男91975年生9硕士生.图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据.1交互式分割算法1-1基本理论及算法描述动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H)则目标函数的优化问题就可以利用多阶段优化方法解决 由递推公式求解f 0(I 0)=0f k+1(I k+1)=miH 0SI k Sn k[V k (I k I k+1)+f k (I k ) 式中k =1 2 ~ n -1;f k+1(I k+1)是中间变量.显然当递推结束时有M =miH I n f n (I n )_获得目标函数的最优值后 可以通过反向递推获得最优变量 即I n =arg (miH I n f n (I n ))式中arg 表示递推结束时取参量操作.则I k =m k+1(I k+1)k =n -1 ~ 0.式中m k+1(I k+1)表示在I k+1确定后所获得的达到最优值时的I k 值.基于动态规划的边缘检测 以图像中某一起始点到某一目标点的累积代价作为目标函数 像素边的代价值作为变量 最优值就是使目标点的累积代价值最小.动态规划用于边缘检测 同时利用局部信息和全局边缘累积代价信息 因而可以获得全局最优解.作者将一幅图像定义成一个二维图 将图像中目标物体的边缘跟踪问题转换成二维图中最优路径搜索问题.用户首先在目标物体边缘上选择一个初始点 随后通过交互手段选择后续目标点 根据动态规划方法的图搜索策略实时显示出相应两点之间的最优路径.如果是最优路径匹配期望的物体边缘 则用户可确认此路径为物体的有效边缘段 并将目标点作为新的起始点做同样的最优路径搜索.用户只需在目标物体边缘上通过鼠标引导指定一系列的后续目标点 并以首先选择的初始点为最后的目标点便可获得连续~封闭的目标物体边缘.一幅图像被描述成具有4邻像素的像素阵列 每个像素被描述成一个正方形 相邻像素有一条公共边 则可将一幅图像定义为一个二维图G =<V E > 其中V 为图像的像素顶点集合;E 为像素边的集合.目标物体的边缘即由一系列连续的像素边组成.对于G 中的每一条像素边 根据一定的规则赋予其相应的特征值 用以描述该像素边属于物体边缘的可能性.像素t P U U G z t U P G U z 图1像素及像素边示意图边的特征值经过特征转换函数转变成一定的代价值.这里定义图中任意两个节点间的最优路径 由两个节点间累积代价和最小的连续像素边组成.如图1所示 相邻像素P 与G 之间的公共边J 它的特征值~特征转换函数分别作如下描述.特征值用平均梯度差表示为f (J )=14(g (P )-g (z )+g (t )-g (G )+g (U )-g (G )+g (P )-g (U )) 式中g (P )表示像素点P 的梯度值 其余类推.由于医学图像具有大量的噪音 部分期望的目标物体边缘的特征往往较弱 而在目标物体边缘的周围存在强特征的噪音干扰 所以这里不采用文献[4 中所提出的转换函数 而采用高斯函数的一种变体作为特征转换函数F =1-exp [(f -U )2/2o 2 .1.2实验结果文中用于实验的是512>512头部CT 切片 图2~图3~图4为3次分割结果.图中的小方框代表交互过程中用户用鼠标选择的点.图2和图3是对物体的外部轮廓进行分割.在图2中 由于物体的大部分外部轮廓比较平滑 所以运用上述算法时交互次数只需两次即可分割出物体的大致轮廓(但对于物体边缘变化剧烈或者是较不规则的部分不能做准确描绘).该结果可以满足一般医学研究 但如果要得到127第6期杨加等:几种图像分割算法在CT 图像分割上的实现和比较图2交互式分割结果1图3交互式分割结果2图4交互式分割结果3相对较为精确的结果~就必需增加交互次数~图3中的交互次数为9~可见~分割结果比图2有明显改进~但交互次数也大大增加了~图4是对物体内部的轮廓进行分割~内部轮廓与外部轮廓相比变化要复杂一些~为了较准确地分割出感兴趣的区域~需要进行7次交互操作~表1图2~图4交互式分割结果的比较图序图像分辨力/bit 交互次数计算时间/S 2512>512>162583512>512>1692464512>512>167197表1是图2~图4交互式分割结果比较~表中所指时间是指用户完成整个操作所需的总的计算时间~作者的全部实验是在P 机上完成的~软件环境为Windo S NT ~硬件配置为 PU ,PII -3OO~内存,128MB ~2区域生长分割算法2.1基本理论及算法描述区域生长是从一幅图像被分成许多小区域开始的~这些初始的区域可能是小的邻域或单个的像素~在图像的每个区域中~首先~对经过适当定义并能反映物体内成员隶属程度的性质进行计算~每个区域都被赋予能反映该区域与物体隶属关系的参数~然后~对相邻区域的所有边界进行考查~相邻区域的平均度量之间的差异是计算边界强度的一个尺度~如果给定边界两侧的度量差异明显~那么这个边界很强~反之则弱~强边界允许继续存在~而弱边界被消除~相应的区域被合并~对于整幅图像进行同样的处理~直到没有可以消除的弱边界时~区域合并过程结束~图像分割也随之完成~首先由用户在切片上选定代表这些区域的起始像素作为种子点~然后按照一定的测试准则在种子周围进行区域生长~本文选用区域合并的FiSher 距离作为相似性统计测试准则[5]~用以判定两个区域是否合并~对于两个相邻区域R 1和R 2~相应的像素数~灰度均值~灰度方差分别表示为n 1~n 2~u 1~u 2~O 1~O 2~则FiSher 距离c 定义为c 2=(n 1+n 2)(u 1-u 2)2/(n 1O 21+n 2O 22).如果该测量值小于一定的阈值T ~则将R 1和R 2合并~因为区域生长可视为区域合并的特例~R 1为正在生长的区域~R 2仅为R 1边缘的单个像素点p ~相应的n 2=1~u 2=1(I ~y )为像素点p 的灰度值~O 2=O~FiSher 距离变为c 2=(n 1+1) (u 1-1)2/n 1O 21~O 1#O~否则即为两相邻像素的合并~227北京理工大学学报第2O 卷如果该测量值小于一定的阈值T *则将像素p 并入区域R 1.2.2实验结果图5原始切片示意图图6区域生长分割结果图5为原始切片示意图*区域1*2*3*4均为骨组织.图中的小方框代表鼠标选择的种子点*种子点在区域1内.图6为分割结果(即骨组织)*分割计算时间为5S *交互次数为1次.分割的区域面积越大*区域生长分割的计算时间也越长.还应指出*如果要把原始切片中的全部骨组织分割出来*应分别在区域2*3*4选择种子点进行分割*总的交互次数为4次.3交互式阈值分割算法3.1基本理论及算法描述阈值分割方法是一种古老的分割方法[6*7]*特点是计算简单*而且总能用封闭且连通的边界定义不交叠的区域*可以简单地用一个或几个阈值将图像的灰度直方图分成几个类*认为图像中灰度值在同一个灰度类内的像素属于同一个物体*反之则被排除在物体之外.图7阈值分割结果1图8阈值分割结果23.2实验结果图7所示为软组织.所选择的 值范围为 144~245.在本实验中所用切片 值范围为 1O24~3O72.图8所示为骨组织.所选择的 值范围为358~2764.以上每次分割操作计算时间小于1S .交互次数为1次(用户具备经验的情况下)或多次.4结论由以上的实验结果可以得出如下结论,D 阈值分割对于 切片的效果最好*而且算法简单~计算速度快.但在选择阈值时需要用户依据经验判断*或者先做多次尝试性分割*然后再对阈值进行调整.@区域生长分割对面积不大的区域进行分割效果较好*如果对面积较大的区域进行分割*则计算速度会较慢.区域生长分割的另一个缺点是*对于切片中不相邻而灰度值相同或相近的区域*不能一次分割出来*只能1次分割1个区域.基于动态规划的交互式分割算法比较复杂*计算时间较长.对于边缘较平滑的区域只需较少的交互次数就可完成分割*而如果边缘平滑度较差时*为了较为准确地进行分割*就必须增加交互次数*同时分割的总时间也随之增加.327第6期杨加等,几种图像分割算法在 图像分割上的实现和比较427北京理工大学学报第20卷参考文献:[1]杨加,吴祈耀.医学图形图像技术及图像分割[J].世界医疗器械,2000,6(4):24-28.[2]Chien Y P,Fu K S.A decision function method for boundary detection[J].ComputerGraphics and Image Processing,1974,3(2):125-140.[3]张有为.动态规划[M].长沙:湖南科学技术出版社,1991.[4]Falcao A X,Udapa J K,Samarasekera S,et er-steered image segmentation paradigms:Live Wire and live lane[J].Graphical Model and Image Processing,1998,60:233-260.[5]Philips T Y,Rosenfeld A,Sher A C.O(log n)bimodality analysis[J].Pattern Recognition,1994,13(2):210-216.[6]PikaZ A,Averbuch A.Digital image thresholding based on topological stable state[J].Pattern Recognition,1996,29(5):829-843.[7]Corneloup G,Moysan J,Maynin I E.BSCAN image segmentation by thresholding usingcooccurrence matrix analysis[J].Pattern Recognition,1996,29(2):281-296.The lmplementation and Evaluation of several CTlmage segmentation algorithmsYANG Jia1,WU Oi-yao1,TIAN Jie2,YANG~ua2(1.Department of Electronics Engineering,Beijing Institute of Technology,Beijing100081;2.Institute of Automation Chinese Academy of Science,Beijing100080)a b stra c t:Interactive segmentation,region groWing segmentation and thresholding segmentation are studied,Which are used Widely in image segmentation.These algorithms are applied in some experiments to deal With CT image and the satisfactory results are gotten.The results shoW that among these algorithms, thresholding segmentation does best in CT image segmentation;in dealing With relatively small images,satisfactory results can be got by using region groWing segmentation;although more time Will be needed in using interactive segmentation Which is the most complex,it dose fairly Well With images Whose edges are relatively smooth.The evaluation of the three algorithms provides a scientific basis of the application of these algorithms.K e yw ords:image segmentation algorithms;CT image segmentation;interactive segmentation;thresholding segmentation;region groWing segmenta-tion几种图像分割算法在CT图像分割上的实现和比较作者：杨加， 吴祈耀， 田捷， 杨骅， YANG Jia， WU Qi-yao， TIAN Jie，YANG Hua作者单位：杨加,吴祈耀,YANG Jia,WU Qi-yao(北京理工大学,电子工程系,北京,100081)， 田捷,杨骅,TIAN Jie,YANG Hua(中国科学院,自动化研究所,北京,100080)刊名：北京理工大学学报英文刊名：TRANSACTIONS OF BEIJING INSTITUTE OF TECHNOLOGY年，卷(期)：2000,20(6)被引用次数：36次1.杨加;吴祈耀医学图形图像技术及图像分割 2000(04)2.Corneloup G;Moysan J;Maynin I E BSCAN image segmentation by thresholding using cooccurrence matrix analysis[外文期刊] 1996(02)3.Pikaz A;Averbuch A Digital image thresholding based on topological stable state 1996(05)4.Philips T Y;Rosenfeld A;Sher A C O log n bimodality analysis 1994(02)5.Falcao A X;Udapa J K;Samarasekera S User-steered image segmentation paradigms:Live wire and live lane 19986.张有为动态规划 19917.Chien Y P;Fu K S A decision function method for boundary detection 1974(02)1.王辅之.沈龙山一种改进的动态阈值CT图像分割算法[期刊论文]-医学信息（上旬刊） 2010(12)2.孙涛.李传富.刘伟.冯焕清基于特征向量的颅脑CT图像分割方法[期刊论文]-数据采集与处理2010(5)3.卞晓月.武妍基于CT图像的肺实质细分割综合方法[期刊论文]-重庆邮电大学学报（自然科学版） 2010(5)4.游嘉.姜献峰.吴海平基于逆向工程与快速成型技术的个体化钛网塑形研究[期刊论文]-轻工机械 2009(6)5.林传佳.钱云平.顾敏芬.梁忠诚波导多层光卡数据页的图像截取算法研究[期刊论文]-光学与光电技术 2009(1)6.陈坚.郭圣文.吴效明胸部CT图像中感兴趣区域的提取与量化分析[期刊论文]-中国医学物理学杂志 2008(6)7.赵杉基于胸部CT图像的肺部自动分割[期刊论文]-科学技术与工程 2008(24)8.郭圣文.曾庆思.陈坚胸部CT中肺实质的提取与辅助诊断[期刊论文]-中国生物医学工程学报2008(5)9.张建宏基于CT图像的人工膝关节三维有限元模型构建[期刊论文]-扬州职业大学学报 2008(3)10.郭圣文.陈坚.曾庆思胸部CT中肺实质的自动分割与计算机辅助诊断[期刊论文]-华南理工大学学报（自然科学版） 2008(1)11.向新程.丛鹏.陈景运二维直方图阈值法分割工业CT图像的研究[期刊论文]-原子能科学技术2007(3)12.吕菲.刘建立孔隙网络模型在土壤水文学中的应用研究进展[期刊论文]-水科学进展 2007(6)13.张建宏.卢章平基于CT图像的个性化人工膝关节设计与制造研究[期刊论文]-机械设计与制造2007(3)14.彭丰平.鲍苏苏一种基于区域生长的CT序列图像分割算法[期刊论文]-计算机与数字工程2007(5)15.周娇.徐向民.吕华琳基于医学图像分割的半自动ROI提取[期刊论文]-电视技术 2007(2)16.唐伟力.龙建忠一种基于降雨模型的图像分割方法在砾岩图像分割中的应用[期刊论文]-成都信息工程学院学报 2007(2)17.蒋平.张建州.朱建峰.周林基于胸部CT图象的肺区自动分割[期刊论文]-计算机工程与应用2006(24)18.张春玲图像的阈值分割及其应用[期刊论文]-泰山医学院学报 2006(3)19.栾志强脉冲耦合神经网络在指纹图像处理中的研究与应用[学位论文]硕士 200620.吴清基于锥束CT的空心涡轮叶片缺陷检测技术研究[学位论文]硕士 200621.武记超由工业CT切片图像生成NC代码的方法研究[学位论文]硕士 200622.卫阿盈.杨磊图像分割在医学图像处理中的应用[期刊论文]-医学信息 2005(12)23.苏佳.庞全基于灰-梯散射图的串行图像分割技术[期刊论文]-杭州电子科技大学学报 2005(1)24.林晓.邱晓嘉图像分析技术在医学上的应用[期刊论文]-包头医学院学报 2005(3)25.王彦荣指纹图像分割与匹配算法研究[学位论文]硕士 200526.彭社欣人体寄生虫虫卵图像特征提取与识别技术研究[学位论文]硕士 200527.张景涛基于逆向工程的缺损颅骨曲面模型重建技术研究[学位论文]硕士 200528.张景涛基于逆向工程的缺损颅骨曲面模型重建技术研究[学位论文]硕士 200529.王贤刚高分辨X-CT辅助仿骨人工骨设计与制备研究[学位论文]博士 200530.郭水平基于SBB的机器视觉算法研究与系统开发[学位论文]硕士 200531.李名庆医学图像多尺度增强与病灶分层检测算法研究[学位论文]硕士 200532.任国成.王广春面向RP骨骼CT图像的轮廓提取与精简[期刊论文]-山东大学学报(工学版)2004(3)33.刘喜英.吴淑泉.徐向民基于区域生长法的医学图像分割研究[期刊论文]-重庆邮电学院学报(自然科学版) 2004(2)34.王静面向复杂产品的工业CT图像重建与分析技术[学位论文]博士 200435.刘喜英.吴淑泉.徐向民基于改进分水岭算法的医学图像分割的研究[期刊论文]-微电子技术2003(4)36.刘喜英.吴淑泉.徐向民基于区域生长法的医学图像分割研究[期刊论文]-电视技术 2003(9)本文链接：/Periodical_bjlgdxxb200006015.aspx。
- 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、"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、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)。
第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的实现和比较杨加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT图像分割上的实际应用提供了科学依据.关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割中图分类号2TN 911-73文献标识码2A 收稿日期220000625基金项目2国家自然科学基金资助项目(69 43001);国家 63计划项目作者简介2杨加9男91975年生9硕士生.图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据.1交互式分割算法1-1基本理论及算法描述动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H)则目标函数的优化问题就可以利用多阶段优化方法解决 由递推公式求解f 0(I 0)=0f k+1(I k+1)=miH 0SI k Sn k[V k (I k I k+1)+f k (I k ) 式中k =1 2 ~ n -1;f k+1(I k+1)是中间变量.显然当递推结束时有M =miH I n f n (I n )_获得目标函数的最优值后 可以通过反向递推获得最优变量 即I n =arg (miH I n f n (I n ))式中arg 表示递推结束时取参量操作.则I k =m k+1(I k+1)k =n -1 ~ 0.式中m k+1(I k+1)表示在I k+1确定后所获得的达到最优值时的I k 值.基于动态规划的边缘检测 以图像中某一起始点到某一目标点的累积代价作为目标函数 像素边的代价值作为变量 最优值就是使目标点的累积代价值最小.动态规划用于边缘检测 同时利用局部信息和全局边缘累积代价信息 因而可以获得全局最优解.作者将一幅图像定义成一个二维图 将图像中目标物体的边缘跟踪问题转换成二维图中最优路径搜索问题.用户首先在目标物体边缘上选择一个初始点 随后通过交互手段选择后续目标点 根据动态规划方法的图搜索策略实时显示出相应两点之间的最优路径.如果是最优路径匹配期望的物体边缘 则用户可确认此路径为物体的有效边缘段 并将目标点作为新的起始点做同样的最优路径搜索.用户只需在目标物体边缘上通过鼠标引导指定一系列的后续目标点 并以首先选择的初始点为最后的目标点便可获得连续~封闭的目标物体边缘.一幅图像被描述成具有4邻像素的像素阵列 每个像素被描述成一个正方形 相邻像素有一条公共边 则可将一幅图像定义为一个二维图G =<V E > 其中V 为图像的像素顶点集合;E 为像素边的集合.目标物体的边缘即由一系列连续的像素边组成.对于G 中的每一条像素边 根据一定的规则赋予其相应的特征值 用以描述该像素边属于物体边缘的可能性.像素t P U U G z t U P G U z 图1像素及像素边示意图边的特征值经过特征转换函数转变成一定的代价值.这里定义图中任意两个节点间的最优路径 由两个节点间累积代价和最小的连续像素边组成.如图1所示 相邻像素P 与G 之间的公共边J 它的特征值~特征转换函数分别作如下描述.特征值用平均梯度差表示为f (J )=14(g (P )-g (z )+g (t )-g (G )+g (U )-g (G )+g (P )-g (U )) 式中g (P )表示像素点P 的梯度值 其余类推.由于医学图像具有大量的噪音 部分期望的目标物体边缘的特征往往较弱 而在目标物体边缘的周围存在强特征的噪音干扰 所以这里不采用文献[4 中所提出的转换函数 而采用高斯函数的一种变体作为特征转换函数F =1-exp [(f -U )2/2o 2 .1.2实验结果文中用于实验的是512>512头部CT 切片 图2~图3~图4为3次分割结果.图中的小方框代表交互过程中用户用鼠标选择的点.图2和图3是对物体的外部轮廓进行分割.在图2中 由于物体的大部分外部轮廓比较平滑 所以运用上述算法时交互次数只需两次即可分割出物体的大致轮廓(但对于物体边缘变化剧烈或者是较不规则的部分不能做准确描绘).该结果可以满足一般医学研究 但如果要得到127第6期杨加等:几种图像分割算法在CT 图像分割上的实现和比较图2交互式分割结果1图3交互式分割结果2图4交互式分割结果3相对较为精确的结果~就必需增加交互次数~图3中的交互次数为9~可见~分割结果比图2有明显改进~但交互次数也大大增加了~图4是对物体内部的轮廓进行分割~内部轮廓与外部轮廓相比变化要复杂一些~为了较准确地分割出感兴趣的区域~需要进行7次交互操作~表1图2~图4交互式分割结果的比较图序图像分辨力/bit 交互次数计算时间/S 2512>512>162583512>512>1692464512>512>167197表1是图2~图4交互式分割结果比较~表中所指时间是指用户完成整个操作所需的总的计算时间~作者的全部实验是在P 机上完成的~软件环境为Windo S NT ~硬件配置为 PU ,PII -3OO~内存,128MB ~2区域生长分割算法2.1基本理论及算法描述区域生长是从一幅图像被分成许多小区域开始的~这些初始的区域可能是小的邻域或单个的像素~在图像的每个区域中~首先~对经过适当定义并能反映物体内成员隶属程度的性质进行计算~每个区域都被赋予能反映该区域与物体隶属关系的参数~然后~对相邻区域的所有边界进行考查~相邻区域的平均度量之间的差异是计算边界强度的一个尺度~如果给定边界两侧的度量差异明显~那么这个边界很强~反之则弱~强边界允许继续存在~而弱边界被消除~相应的区域被合并~对于整幅图像进行同样的处理~直到没有可以消除的弱边界时~区域合并过程结束~图像分割也随之完成~首先由用户在切片上选定代表这些区域的起始像素作为种子点~然后按照一定的测试准则在种子周围进行区域生长~本文选用区域合并的FiSher 距离作为相似性统计测试准则[5]~用以判定两个区域是否合并~对于两个相邻区域R 1和R 2~相应的像素数~灰度均值~灰度方差分别表示为n 1~n 2~u 1~u 2~O 1~O 2~则FiSher 距离c 定义为c 2=(n 1+n 2)(u 1-u 2)2/(n 1O 21+n 2O 22).如果该测量值小于一定的阈值T ~则将R 1和R 2合并~因为区域生长可视为区域合并的特例~R 1为正在生长的区域~R 2仅为R 1边缘的单个像素点p ~相应的n 2=1~u 2=1(I ~y )为像素点p 的灰度值~O 2=O~FiSher 距离变为c 2=(n 1+1) (u 1-1)2/n 1O 21~O 1#O~否则即为两相邻像素的合并~227北京理工大学学报第2O 卷如果该测量值小于一定的阈值T *则将像素p 并入区域R 1.2.2实验结果图5原始切片示意图图6区域生长分割结果图5为原始切片示意图*区域1*2*3*4均为骨组织.图中的小方框代表鼠标选择的种子点*种子点在区域1内.图6为分割结果(即骨组织)*分割计算时间为5S *交互次数为1次.分割的区域面积越大*区域生长分割的计算时间也越长.还应指出*如果要把原始切片中的全部骨组织分割出来*应分别在区域2*3*4选择种子点进行分割*总的交互次数为4次.3交互式阈值分割算法3.1基本理论及算法描述阈值分割方法是一种古老的分割方法[6*7]*特点是计算简单*而且总能用封闭且连通的边界定义不交叠的区域*可以简单地用一个或几个阈值将图像的灰度直方图分成几个类*认为图像中灰度值在同一个灰度类内的像素属于同一个物体*反之则被排除在物体之外.图7阈值分割结果1图8阈值分割结果23.2实验结果图7所示为软组织.所选择的 值范围为 144~245.在本实验中所用切片 值范围为 1O24~3O72.图8所示为骨组织.所选择的 值范围为358~2764.以上每次分割操作计算时间小于1S .交互次数为1次(用户具备经验的情况下)或多次.4结论由以上的实验结果可以得出如下结论,D 阈值分割对于 切片的效果最好*而且算法简单~计算速度快.但在选择阈值时需要用户依据经验判断*或者先做多次尝试性分割*然后再对阈值进行调整.@区域生长分割对面积不大的区域进行分割效果较好*如果对面积较大的区域进行分割*则计算速度会较慢.区域生长分割的另一个缺点是*对于切片中不相邻而灰度值相同或相近的区域*不能一次分割出来*只能1次分割1个区域.基于动态规划的交互式分割算法比较复杂*计算时间较长.对于边缘较平滑的区域只需较少的交互次数就可完成分割*而如果边缘平滑度较差时*为了较为准确地进行分割*就必须增加交互次数*同时分割的总时间也随之增加.327第6期杨加等,几种图像分割算法在 图像分割上的实现和比较427北京理工大学学报第20卷参考文献:[1]杨加,吴祈耀.医学图形图像技术及图像分割[J].世界医疗器械,2000,6(4):24-28.[2]Chien Y P,Fu K S.A decision function method for boundary detection[J].ComputerGraphics and Image Processing,1974,3(2):125-140.[3]张有为.动态规划[M].长沙:湖南科学技术出版社,1991.[4]Falcao A X,Udapa J K,Samarasekera S,et er-steered image segmentation paradigms:Live Wire and live lane[J].Graphical Model and Image Processing,1998,60:233-260.[5]Philips T Y,Rosenfeld A,Sher A C.O(log n)bimodality analysis[J].Pattern Recognition,1994,13(2):210-216.[6]PikaZ A,Averbuch A.Digital image thresholding based on topological stable state[J].Pattern Recognition,1996,29(5):829-843.[7]Corneloup G,Moysan J,Maynin I E.BSCAN image segmentation by thresholding usingcooccurrence matrix analysis[J].Pattern Recognition,1996,29(2):281-296.The lmplementation and Evaluation of several CTlmage segmentation algorithmsYANG Jia1,WU Oi-yao1,TIAN Jie2,YANG~ua2(1.Department of Electronics Engineering,Beijing Institute of Technology,Beijing100081;2.Institute of Automation Chinese Academy of Science,Beijing100080)a b stra c t:Interactive segmentation,region groWing segmentation and thresholding segmentation are studied,Which are used Widely in image segmentation.These algorithms are applied in some experiments to deal With CT image and the satisfactory results are gotten.The results shoW that among these algorithms, thresholding segmentation does best in CT image segmentation;in dealing With relatively small images,satisfactory results can be got by using region groWing segmentation;although more time Will be needed in using interactive segmentation Which is the most complex,it dose fairly Well With images Whose edges are relatively smooth.The evaluation of the three algorithms provides a scientific basis of the application of these algorithms.K e yw ords:image segmentation algorithms;CT image segmentation;interactive segmentation;thresholding segmentation;region groWing segmenta-tion几种图像分割算法在CT图像分割上的实现和比较作者：杨加， 吴祈耀， 田捷， 杨骅， YANG Jia， WU Qi-yao， TIAN Jie，YANG Hua作者单位：杨加,吴祈耀,YANG Jia,WU Qi-yao(北京理工大学,电子工程系,北京,100081)， 田捷,杨骅,TIAN Jie,YANG Hua(中国科学院,自动化研究所,北京,100080)刊名：北京理工大学学报英文刊名：TRANSACTIONS OF BEIJING INSTITUTE OF TECHNOLOGY年，卷(期)：2000,20(6)被引用次数：36次1.杨加;吴祈耀医学图形图像技术及图像分割 2000(04)2.Corneloup G;Moysan J;Maynin I E BSCAN image segmentation by thresholding using cooccurrence matrix analysis[外文期刊] 1996(02)3.Pikaz A;Averbuch A Digital image thresholding based on topological stable state 1996(05)4.Philips T Y;Rosenfeld A;Sher A C O log n bimodality analysis 1994(02)5.Falcao A X;Udapa J K;Samarasekera S User-steered image segmentation paradigms:Live wire and live lane 19986.张有为动态规划 19917.Chien Y P;Fu K S A decision function method for boundary detection 1974(02)1.王辅之.沈龙山一种改进的动态阈值CT图像分割算法[期刊论文]-医学信息（上旬刊） 2010(12)2.孙涛.李传富.刘伟.冯焕清基于特征向量的颅脑CT图像分割方法[期刊论文]-数据采集与处理2010(5)3.卞晓月.武妍基于CT图像的肺实质细分割综合方法[期刊论文]-重庆邮电大学学报（自然科学版） 2010(5)4.游嘉.姜献峰.吴海平基于逆向工程与快速成型技术的个体化钛网塑形研究[期刊论文]-轻工机械 2009(6)5.林传佳.钱云平.顾敏芬.梁忠诚波导多层光卡数据页的图像截取算法研究[期刊论文]-光学与光电技术 2009(1)6.陈坚.郭圣文.吴效明胸部CT图像中感兴趣区域的提取与量化分析[期刊论文]-中国医学物理学杂志 2008(6)7.赵杉基于胸部CT图像的肺部自动分割[期刊论文]-科学技术与工程 2008(24)8.郭圣文.曾庆思.陈坚胸部CT中肺实质的提取与辅助诊断[期刊论文]-中国生物医学工程学报2008(5)9.张建宏基于CT图像的人工膝关节三维有限元模型构建[期刊论文]-扬州职业大学学报 2008(3)10.郭圣文.陈坚.曾庆思胸部CT中肺实质的自动分割与计算机辅助诊断[期刊论文]-华南理工大学学报（自然科学版） 2008(1)11.向新程.丛鹏.陈景运二维直方图阈值法分割工业CT图像的研究[期刊论文]-原子能科学技术2007(3)12.吕菲.刘建立孔隙网络模型在土壤水文学中的应用研究进展[期刊论文]-水科学进展 2007(6)13.张建宏.卢章平基于CT图像的个性化人工膝关节设计与制造研究[期刊论文]-机械设计与制造2007(3)14.彭丰平.鲍苏苏一种基于区域生长的CT序列图像分割算法[期刊论文]-计算机与数字工程2007(5)15.周娇.徐向民.吕华琳基于医学图像分割的半自动ROI提取[期刊论文]-电视技术 2007(2)16.唐伟力.龙建忠一种基于降雨模型的图像分割方法在砾岩图像分割中的应用[期刊论文]-成都信息工程学院学报 2007(2)17.蒋平.张建州.朱建峰.周林基于胸部CT图象的肺区自动分割[期刊论文]-计算机工程与应用2006(24)18.张春玲图像的阈值分割及其应用[期刊论文]-泰山医学院学报 2006(3)19.栾志强脉冲耦合神经网络在指纹图像处理中的研究与应用[学位论文]硕士 200620.吴清基于锥束CT的空心涡轮叶片缺陷检测技术研究[学位论文]硕士 200621.武记超由工业CT切片图像生成NC代码的方法研究[学位论文]硕士 200622.卫阿盈.杨磊图像分割在医学图像处理中的应用[期刊论文]-医学信息 2005(12)23.苏佳.庞全基于灰-梯散射图的串行图像分割技术[期刊论文]-杭州电子科技大学学报 2005(1)24.林晓.邱晓嘉图像分析技术在医学上的应用[期刊论文]-包头医学院学报 2005(3)25.王彦荣指纹图像分割与匹配算法研究[学位论文]硕士 200526.彭社欣人体寄生虫虫卵图像特征提取与识别技术研究[学位论文]硕士 200527.张景涛基于逆向工程的缺损颅骨曲面模型重建技术研究[学位论文]硕士 200528.张景涛基于逆向工程的缺损颅骨曲面模型重建技术研究[学位论文]硕士 200529.王贤刚高分辨X-CT辅助仿骨人工骨设计与制备研究[学位论文]博士 200530.郭水平基于SBB的机器视觉算法研究与系统开发[学位论文]硕士 200531.李名庆医学图像多尺度增强与病灶分层检测算法研究[学位论文]硕士 200532.任国成.王广春面向RP骨骼CT图像的轮廓提取与精简[期刊论文]-山东大学学报(工学版)2004(3)33.刘喜英.吴淑泉.徐向民基于区域生长法的医学图像分割研究[期刊论文]-重庆邮电学院学报(自然科学版) 2004(2)34.王静面向复杂产品的工业CT图像重建与分析技术[学位论文]博士 200435.刘喜英.吴淑泉.徐向民基于改进分水岭算法的医学图像分割的研究[期刊论文]-微电子技术2003(4)36.刘喜英.吴淑泉.徐向民基于区域生长法的医学图像分割研究[期刊论文]-电视技术 2003(9)本文链接：/Periodical_bjlgdxxb200006015.aspx。