[图文]图像分割技术在医学中的应用

火端文库

[图文]图像分割技术在医学中的应用

《医疗卫生装备》2005年12期 图像分割在医学图像中的研究方法及应用
《医疗卫生装备》2005年12期 图像分割在医学图像中的研究方法及应用

数字图像处理 课程论文班级: 姓名: 学号:图像分割技术在医学中的应用

摘要:图像分割是图像处理和分析领域的经典难题,医学图像分 割是图像分割中一个重要方面和应用领域,同时也是病变区域提取、 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 学研究中具有重要的研究意义。

本文整体上对基于阈值选取、基于区 域、基于边缘检测的图像分割三种方法进行了分析、研究和实验,总 结出各个方法的优缺点,从而可以达到更好的分割医学图像的目的。

本文对现有的各种图像阈值分割方法进行综述 , 重点介绍了基于图 像灰度直方图的阈值分割方法。

关键词:医学图像;图像分割;阈值;边缘检测;Hough 变换医学图像的组织结构复杂位置重叠,一般情况下,将一幅医学图像分为目标 区域和背景区域, 其中目标区域就是指病变区域或者含重要诊断信息的区域,是 临床治疗的重要对象; 背景区域是指医学上面认为正常的区域。

医学图像分割的 目的是把图像中具有特殊涵义的区域与背景区域分割开来,为后续的定量、定性 的分析和处理工作打下基础。

图像分割对于医学图像处理非常重要,只有准确地 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。

目前的图像分割方法有多种,为了达到更好的分割,对不同的分割任务,可采用 了不同的分割方法。

主要方法有基于阈值选取的图像分割、基于区域生长的图像 分割和基于边缘检测的图像分割三种方法。

其次阈值法是最基本的图像分割方法 之一, 被应用于很多领域, 特别是在图像相对简单的生物图像处理方面得到了 广泛使用,基于阈值选取的图像分割包括:灰度阈值分割、直方图阈值分割、最 大熵阈值分割、二维最大熵阈值分割、局部阈值分割等方法等。

1.基于阈值选取的图像分割基于阈值的方法的主要思想是通过设置某一阀值, 将图像中的像素点分为不 同的类,从而完成图像分割,根据使用的是图像的整体信息还是局部信息,还可 以将分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 何选取合适的阈值, 简单的阈值选取方法是以图像的灰度直方图为对象,以得到 的各个灰度级的概率分布密度为基础,依据某一准则选取合适的阈值,最终确定 像素点的归属。

选择不同的准则,将得到不同的阈值化算法。

常见的阈值分割方 法有最小误差法、otsu 方法、迭代法、模糊阈值、最大熵法等。

1.1 阈值分割的基本概念

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; 由原始灰度或彩色值变换得到的特征。

设原始图像 f ( x, y) 按 照一定的准则在 f ( x, y) 中找到若干个特征值, T1, T 2, , TN (其中 N  1 ),将图像 分割为几部分,分割后的图像为 LN 如果f(x,y) TN   LN 1 如果TN 1  f(x,y)

根据 对 T 的不同约束,可以得到 3 种不同类型的阈值, 即 全局阈值 T= T ( f ( x, y )) 局部阈值 T= T ( N ( x, y), f ( x, y)) 征有关) 动态阈值 T= T ( x, y, N ( x, y), f ( x, y)) (与点的位置、该点的灰度值和该点 (只与点的灰度值有关) (与点的灰度值和该点的局部邻域特邻域特征有关) 图像中区域的范围常常是模糊的, 因此如何选取阈值便成为区域分割中的最 关键的问题。

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区域。

如下图 1.1.1 中的“原始图像”所示:这时只需设置一个阈值,就能完成分割处 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 根据上面图像中的直方图可以看出该 cell 图像有双峰现象,并且其两峰的 谷点在 50-100 之间,并且接近 50。

我们选取 T=30,T=60,T=90 时分别做出这时 的图像分割结果。

如下图 1.1.2 所示

图 1.1.2 不同阈值选取下的 cell 图像分割 1.2 基于一维直方图的阈值分割方法 直方图是一幅图像中各像素灰度值的最基本的统计形式,而且常见的阈值分 割方法基本上都是基于灰度直方图统计的搜索方法 ,这些方法主要可分为两类, 一类是谷点搜索法,另一类是指标最优搜索法。

若对应于图像中每一个灰度值,统计出具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。

传统的阈值分割 法常直接利用图像的一维灰度直方图进行图像分割,适用于内容不复杂、灰度分 布较集中的图像这类待分割的图像通常由两个区域组成 ,一个区域以亮色为主, 另一区域以暗色为主,相应的一维直方图呈现双峰,一峰表示物体的灰度值,另一 峰表示背景的灰度值。

在这类图像的分割方法中,Prewitt 等人 20 世纪 60 年代 提出的最频值法,至今仍在使用。

该方法选择两峰之间谷点的灰度值作为阈值 , 这样可以把由于阈值选择的误差造成错误分割的影响降到最低。

N. Papamar kos 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区域,然后求出有理多项式的极小值, 从而决定阈值。

(1) 迭代法: 通过迭代方式也可以选取阈值,该方法是利用程序自动搜寻比较合适的阈 值。

此阈值选取方法首先选取图像灰度范围的中值作为初始值 T0 , 把原始图像中 的全部像素分为前景和背景两大类, 然后分别对其进行积分并将结果取平均获取 新的阈值,并按此阈值再将图像分为前景、背景两大类。

如此反复迭代下去,当 阈值不再发生变化, 即迭代已经收敛与某个稳定的阈值时,此刻的阈值即作为最 终的结果并用于对图像的分割。

下面是对上述文字的数学描述:L 1  Ti    hk  k  hk  k  1 k Ti1  Ti 1   k 0  L Ti 1  2 hk     hk k Ti1  k 0 式中, L 为灰度级的个数; hk 为灰度值为 k 的像素点的个数。

迭代一直进行 到 Ti 1  Ti 时结束,结束时的 Ti 为阈值。

在进行具体的程序设计时,由于阈值 的迭代运算是以图像的灰度统计作为基础的, 因此须首先获取图像的灰度统计分