基于水平集的醫(yī)學(xué)圖像快速分割方法研究.pdf

1、圖像分割技術(shù)在醫(yī)學(xué)圖像處理中起著重要的作用,準確的分割結(jié)果可以讓醫(yī)生了解病灶的大小、幾何形狀以及與周圍組織的空間關(guān)系,在臨床醫(yī)療診斷、術(shù)前計劃制定、醫(yī)療方案設(shè)計等方面有效的輔助醫(yī)生。Chan-Vese模型是經(jīng)典的基于輪廓的全局優(yōu)化分割算法,一直以來都是廣大學(xué)者研究的熱點。它的核心是能量曲線在最小化過程中向著目標邊界演化,其停止函數(shù)僅由圖像灰度值信息決定。C-V模型具有輪廓曲線拓撲結(jié)構(gòu)變化的自適應(yīng)能力,能夠自動檢測目標輪廓、初始輪廓可靈活

2、選取。但是,當分割目標的邊界內(nèi)外灰度值變化比較緩和時,由于過于依賴灰度值信息,C-V模型容易出現(xiàn)不完全分割問題。
　　本文對C-V模型原理進行分析,得到其不能完全分割圖像的原因是演化速度主要受輪廓線內(nèi)外灰度值差影響,所以在灰度值變化緩和的一類邊緣處過早停止演化。在此基礎(chǔ)上提出結(jié)合閾值分割方法的C-V模型,閾值分割能排除大部分背景區(qū)域,減少C-V模型分割時需要計算的像素點數(shù),從而獲得更快的分割速度;并且閾值分割后圖像的灰度值范圍縮小

3、,對其進行灰度值尺度變換后,拉伸灰度值區(qū)間,改善了C-V模型演化能力,使其能夠到達圖像真正的邊緣。
　　在對水平集算法的進一步研究下,提出了結(jié)合模糊C均值聚類方法的水平集算法,契合圖像模糊特征的模糊C均值聚類方法對圖像預(yù)處理能有效縮小水平集演化區(qū)域。模糊方法分割得到的初始化水平集已基本靠近目標區(qū)域邊緣,再用梯度矢量流改進水平集演化能力,使改進算法對窄細結(jié)構(gòu)邊緣的分割能力提升。
　　最后分析兩種改進算法特征,初步提出通過判斷待