局部二值擬合模型在醫(yī)學圖像分割中的應用.pdf

1、圖像分割是圖像理解與識別的前提。作為圖像處理的基礎環(huán)節(jié)，一直是圖像處理和計算機視覺領域的熱點和難點問題。利用水平集方法實現(xiàn)的活動輪廓模型近年來受到眾多學者的關注，先后提出了分段恒定(Piecewise Constant，PC)模型、局部二值擬合模型、局部圖像擬合(Local Image Fitting，LIF)等經(jīng)典模型。但這些模型在分割灰度不均勻或弱邊緣圖像時，效果并不理想。PC、LBF、LIF等經(jīng)典模型都只進行了兩相分割，但真實圖像

2、通常包含多個同質(zhì)目標區(qū)域，傳統(tǒng)的兩相水平集方法無法分割，所以多相水平集分割具有重要研究意義。本文主要進行了以下幾方面的工作:
　　(1)提出基于局部梯度的LBF模型。通過在LBF模型的數(shù)據(jù)項中加入局部梯度信息，實現(xiàn)對原始圖像更準確地近似。實驗證明基于局部梯度的LBF模型在分割灰度不均勻或弱邊緣圖像時能得到更好的分割結果。將基于局部梯度的LBF模型與N個水平集函數(shù)表示2的N次方個相的多相分割模型相結合，給出完整的公式推導過程，并與原

3、LBF模型結合N個水平集函數(shù)表示2的N次方個相的多相分割模型相比較。實驗證明基于局部梯度的LBF模型結合N個水平集函數(shù)表示2的N次方個相的多相分割模型能得到更好的分割結果。
　　(2)提出控制水平集函數(shù)定義順序的區(qū)域競爭模型，實現(xiàn)區(qū)域競爭模型在任何初始情況下都能保證對有完全重疊區(qū)域圖像的有效分割。每次影子圖更新后，通過對所有影子圖的正值區(qū)域的位置關系進行判斷。如果有定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內(nèi)

4、，則調(diào)換這兩個影子圖的定義順序。將提出的控制水平集函數(shù)定義順序的區(qū)域競爭模型與基于局部梯度的LBF模型相結合，給出完整的公式推導過程。實驗證明當定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內(nèi)時，改變水平集函數(shù)定義順序的分割結果比沒有改變水平集函數(shù)定義順序的分割結果更優(yōu)。
　　(3)原多層水平集方法中對水平線li和分層數(shù)m的值沒有明確定義，但li和m的取值對多層水平集方法的實現(xiàn)至關重要。針對這一情況，本文通過增加