基于主動(dòng)輪廓模型顱內(nèi)腦干圖像分割方法研究.pdf

1、隨著信息與科學(xué)技術(shù)的迅速發(fā)展，在各個(gè)工程技術(shù)領(lǐng)域（如軍事、醫(yī)學(xué)等）中出現(xiàn)了大量的數(shù)字圖像（如造影圖像、遙感圖像等），如何從大量的圖像信息中提取出有用信息成為了圖像處理技術(shù)的一個(gè)重要研究熱點(diǎn)。
　　大腦是人體的重要器官，其中顱內(nèi)腦干的功能主要是維持個(gè)體生命，包括心跳、呼吸、消化等重要生理功能，均與腦干的功能有關(guān)。因此研究顱內(nèi)腦干區(qū)域的分割技術(shù)對(duì)于顱內(nèi)腦干三維重建、腦干毗鄰血管、神經(jīng)的研究以及臨床腦部疾病的診斷均有著重要意義。

2、　　水平集方法是一種重要的基于偏微分方程的圖像分割方法，其主要思想是采用更高維的空間進(jìn)行曲線演化，可以很好的處理曲線的分裂和合并，可以通過能量泛函最小化來獲得水平集函數(shù)的演化偏微分方程，此方法也稱為變分水平集法。本文以水平集理論為基礎(chǔ)，首先介紹圖像分割的經(jīng)典方法及水平集的相關(guān)數(shù)學(xué)理論，重點(diǎn)研究了幾個(gè)比較經(jīng)典的主動(dòng)輪廓模型，分析了各個(gè)模型的適用場(chǎng)合及優(yōu)缺點(diǎn)。
　　本文針對(duì)Li模型的邊界指示函數(shù)進(jìn)行了相應(yīng)的改進(jìn)，提高了模型的演化速度。

3、通過大量試驗(yàn)研究邊界水平集模型和區(qū)域水平集模型，發(fā)現(xiàn)僅僅利用區(qū)域信息，不能精確定位圖像目標(biāo)的邊界，僅僅利用邊界信息，模型的抗噪性能和速度有一定的欠缺，因此充分利用邊界信息和區(qū)域信息不但可以更準(zhǔn)確的定位邊界，還可以提高模型的速度和抗噪性能。因此本文融合了基于邊界和區(qū)域的水平集模型的優(yōu)點(diǎn)，提出了一種基于邊界和區(qū)域的混合模型（簡(jiǎn)稱DR-CV模型）。DR-CV模型充分利用了圖像的邊界信息和區(qū)域信息，具有對(duì)初始輪廓位置不敏感、抗噪能力強(qiáng)、分割速度