水平集图像分割方法研究报告.docVIP

生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。 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。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。 3、基于区域的分割方法  此类方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。区域生长的基本思想是集合所有具有相同性质的点来组成区域。首先需根据需要分割的区域确定生长起点， 称之为种子点。然后有哪些信誉好的足球投注网站种子点的周围邻域中满足生长法则的点并将之合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。 在工业图像处理领域，针对特殊的任务可以设计合理的光学成像系统，使得所处理的图像具有近乎完美的视觉效果，且分割标准明确，因此工业图像分割往往是使用阈值处理的简单方法。由于其时效性和准确性的要求，一些基于经验和学习的图像分割算法在工业图像领域或许并不适用。 但在医学图像处理领域中，由于成像方式的独特性，图像本身所包含的信息量巨大，不同疾病的诊断或许会用到图像中不同的信息。常见的医学影像图下图1所示近二十年来，医学图像分割是图像处理领域中广受关注的、极富挑战性的一个课题。随着各学科的新理论和新方法的陆续提出，研究者提出了大量的医学图像分割方法。现代医学图像分割充分表现出多学科交叉的特点，和数学、物理，光学、计算机等学科的发展密切相关。依据传统的图像分割方法的分类，可以将医学图像分割方法简单的分为基于区域的和基于边界的两类[1]。常见的基于边界的方法如各种微分算子，但这些方法对噪声敏感，通常要和其他方法一起使用。从技术特点上来讲可以将医学图像分割方法分为八种类型，包括阈值法、区域生长法、分类器方法、聚类方法、马尔可夫模型、人工神经网络、形变模型（Deformable Model）、模型引导方法，涉及到了绝大多数的分割方法。本文将针对图像图像分割中常用的活动模型方法和水平集方法进行学习和介绍。 图 1 彩色眼底视网膜和视乳头图像 图 2 胸腔冠状面CT图像 图 3 胸腔矢状面CT图像 2、基于活动轮廓模型的医学图像分割方法 活动轮廓模型，又称Snake模型，由Kass在1987年提出。其基本思想来源于物理变形模型。该模型是在图像目标区域周围定义一条初始演化曲线，该演化曲线在自身内力和图像信息产生的外力的共同作用下，使演化曲线沿着法线方向扩张或收缩，当运动到目标边界时停止，此时即检测出图像中目标的边缘。通过该模型不但能得到目标的边缘，还能保持边缘的光滑性。但是它也有一些不足：不仅依赖初始曲线的几何形状和位置，而且还依赖曲线的参数；该能量泛函的非凸性会使得曲线在演化过程中极易陷入局部极小点；而且对噪声比较敏感。 由于Snake模型有着高效的数值方案以及严谨的数学基础，且应用广泛，提出后即成为图像分割领域所研究的热点。原始的Snake模型其基本思想是通过能量最小化，将一条带有能量函数的初始曲线朝着待检测的目标轮廓方向