本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。
1阈值法分割
1-1 简单阈值分割
简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 韩文虹
图1.1原始脑部图像
图1.2 使用不同阈值分割后的结果
从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。
1-2 otsu阈值分割法
Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素范围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。
原理：
对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：
ω0=N0/ M×N (1)
ω1=N1/ M×N (2)
N0+N1=M×N (3)
产出缺口ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
将式(5)代入式(6),得到等价公式:
g= ω0ω1(μ0-μ1)^2 (7)这就是类间方差
出使得g(类方差)的值到达最大的T(值)，就是我们需要的结果。
下图1.3是使用otsu阈值分割法对图1.1脑部图像的分割结果。
图1.3 使用ostu阈值分割得到的结果
区域生长方法是从被分割对象的种子区域（通常是一个或者多个像素点）开始，在种子区域的相邻像素中寻与种子区域具有某种给定的相似特征（通常是灰度值）的像素加入种子区域。并利用新的种子区域重复上述过程，直到种子区域不再扩大。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终
止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。
简单来说下三个法则，对出需要分割的图像：1、选取图像中的一点（或者一组点）为种子点（种子点的选取需要具体情况具体分析）。2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。3、当不再有像素满足加入这个区域的准则时，区域生长停止。
2-1 经典区域生长算法
本算法使用的是一组种子点，种子点的选取一般遵循选取图像中较为明亮的部分，可以使用im2bw函数来选取种子点，通过调整二值化的参数来调整种子点的数目。然后对种子点的4领域的像素进行判断，符合要求的加入种子点。重复上述过程知道种子点数目不再变化为止。
实验仍然使用图1.1的脑部图像为样本。选取两组种子点和两个不同的生长条件。实验结果如下：
表2-1使用经典区域生长算法使用的参数
三氧化钼
种子点 生长准则 | 4邻域的像素点和种子点绝对值小于10 | 4邻域的像素点和种子点绝对值小于15 |
使用otsu得到的种子点 | 图2-1从左到右从上到下第一幅图 | 图2-1从左到右从上到下第二幅图 |
设置像素值大于200为种子点 | 当心生活中的核辐射图2-1从左到右从上到下第三幅图 | 金币辉煌图2-1从左到右从上到下第四幅图 |
设置像素大于220的为种子点 | 图2-1从左到右从上到下第五幅图 | 图2-1从左到右从上到下第六幅图 |
| | |
>樱花舞教学
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议