基于水平集方法的醫(yī)學(xué)圖像分割算法研究.pdf

1、醫(yī)學(xué)圖像分割是病灶確定與診斷的重要基礎(chǔ)，在生物醫(yī)學(xué)領(lǐng)域有著極其重要的研究價值和實(shí)際意義。然而，由于個體的差異性以及醫(yī)學(xué)圖像本身的復(fù)雜性，使得圖像醫(yī)學(xué)的精確分割一直是一個難題。
　　 近些年來，水平集方法已經(jīng)成為圖像分割領(lǐng)域的一個研究熱點(diǎn)，并在處理圖像分割問題時顯示出了良好的性能，和傳統(tǒng)的圖像分割方法相比，基于水平集的新型圖像分割方法有著較大的優(yōu)勢。
　　 本文主要研究的是基于水平集方法的醫(yī)學(xué)圖像分割算法，首先，我們對水平

2、集的理論基礎(chǔ)和數(shù)值計(jì)算做了研究，接著重點(diǎn)闡述了兩種幾何活動輪廓模型：基于梯度信息的李純明模型和基于區(qū)域信息的C-V模型，在分析了兩種模型的優(yōu)缺點(diǎn)后，將李純明模型中的罰函數(shù)項(xiàng)引入到C-V模型中，提出了無需初始化的C-V模型。
　　 最后，提出了一種主要用于醫(yī)學(xué)圖像分割的新型模糊水平集方法。該方法使用模糊聚類作為初始水平集函數(shù)，較之傳統(tǒng)的FCM算法，該算法引入了圖像的空間信息，所以能夠更好的接近目標(biāo)區(qū)域的邊界并用可變的氣球力對水平集