图像分割方法研究
收稿日期:2008-09-06;修回日期:2008-12-03基金项目:国家自然科学基金(60674100)
作者简介:黄长专(1984-),男,硕士研究生,研究方向为导航、制导与控制;王 彪,副教授,硕士生导师,研究方向为飞行控制、计算机视觉、精确制导。
图像分割方法研究
黄长专,王 彪,杨 忠
(南京航空航天大学自动化学院,江苏南京210016)
摘 要:图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一。文中对图像分割方法进行了系统研究论述,先对图像分割的定义、要求进行简单介绍,然后对阈值化、基于边缘方法、基于区域的方法、基于模型的方法和基于人工智能的方法等主要的图像分割方法进行研究论述,比较了它们的优缺点。在实际应用中,这些分割方法往往相互结合,以期达到单一图像分割方法所不能取得的效果,提高分割效率。关键词:图像分割;阈值化;边缘检测;人工智能
中图分类号:TN911.73 文献标识码:A 文章编号:1673-629X (2009)06-0076-04
A Study on Image Segmentation T echniques
HUAN G Chang 2zhuan ,WAN G Biao ,YAN G Zhong
(College of Automation Engineering ,Nanjing University of Aeronautics and Astronautics ,Nan jing 210016,China )
Abstract :Image segmentation is critical to image processing and pattern recognition.All the typical approaches are presented and dis 2cussed in this paper.First reviewed the definition of image segmentation ,then studied the major image segmentation approaches including thresholding ,edge -based method ,region -based method ,model -based method and artificial intelligence -based method.In this paper ,the merits and drawbacks of the methods were discussed too.In practice ,these methods often combine to achieve the effect and raise the efficiency of image segmentation ,which can not be obtained by single method.K ey w ords :image segmentation ;thresholding ;edge detection ;artificial intelligence
0 引 言
图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,决定图像的最终分析质量和模式识别的判别结果
[1]
。图像分割就是依据图像
的灰度、颜色、纹理和边缘等特征,把图像分成各自满足某种相似性准则或具有某种同质特征的连通区域的集合的过程[2]。
图像分割时,如果加强分割区域的同性质约束,分割区域很容易产生大量小空洞和不规整边缘;若强调不同区域间性质的差异,则极易造成非同质区域的合并和有意义的边界丢失。因此,虽然由于图像分割要求、图像性质和存储格式等的不同,而有很多种图像分割方法,但不同的图像分割方法总是在这样的约束条件下找到适当的平衡点。
1 图像分割方法
根据分割方法的不同特点可分为:阈值化、基于边缘的图像分割、基于区域的图像分割、基于模型的图像分割和基于人工智能的图像分割等。
1.1 阈值化
阈值化是最简单的分割处理。由于非常简单的图像也有可能存在物体和背景的灰度变化,所以只有在特殊情况下,对整个图像使用单个阈值分割才会成功[3]。
传统的阈值化分割方法大都是根据图像的1维灰度直方图来选择阈值[4],当图像的信噪比降低时,该方法选出的阈值就可能会产生很多分割错误[5,6]。文献
[7]提出了一种2维阈值分割方法,通过分析图像的边
缘直方图和阈值的关系来得到最优分割阈值。文献
[8]在每个子图像中分别计算局部阈值,并用该阈值分
割该子图像,保证得到平方误差最小意义下的最优阈
值。
阈值化的分割方法适用于物体与背景在灰度上有较大差异的情况,阈值化的缺陷在于忽略了图像的空间信息,对于不存在明显灰度差异或各物体的灰度值
第19卷 第6期2009年6月 计算机技术与发展COMPU TER TECHNOLO GY AND DEV ELOPMEN T
Vol.19 No.6J une 2009
范围有较大重叠的图像难以得到准确的分割结果;同时,还可能将存在一定灰度差异的某一有意义的区域分割为不同的区域。
1.2 基于边缘的图像分割
基于边缘的图像分割依赖于由边缘检测算子找到的图像边缘,边缘检测得到的图像结果并不能用作分割结果,必须采用后续的处理将边缘合并为边缘链使它与图像中的边界对应的更好,最终的目标是至少达到部分分割[3]。
1.2.1 边缘检测算子
一般常用一阶和二阶导数来描述和检测图像边缘。一阶导数算子有Roberts、Sobel、Prewitt和Canny 等算子。Roberts算子检测精度比较高,但对噪声比较敏感。Sobel算子在较好获得边缘效果的同时,对噪声具有一定的平滑作用,但精度比较低。Prewitt算子计算比Sobel算子更为简单。Canny算子是一阶传统微分中检测阶跃型边缘效果较好的算子,去噪能力强,但它也容易平滑掉一些边缘信息。二阶微分边缘检测主要是利用拉普拉斯算子,拉普拉斯算子对图像中的噪声比较敏感,并且由于通常产生的是2像素宽的边缘,所以很少直接用于边缘检测,通常是在已知边缘像素后用于确定该像素是在图像的暗区还是在明区。
1.2.2 边缘松弛法
边缘松弛法可以根据给定的边缘上下文规则来定义,是一种迭代的方法,其中边缘的信度或者收敛到边缘终结或者收敛到边缘形成边界[3]。
文献[9]建立了一个评估在不同初始概率下松弛分割结果的准则函数。通过自动调整初始概率,获得该准则函数的最优或次优解,从而得到满意的分割结果。文献[10]先采用离散正交多项式曲面拟合技术探测边缘位置,然后运用松弛标定网突出有意义的边缘结构和压缩噪声边缘。
边缘松弛方法可以容易地用并行方法实现,可以极大地提高速度,但经过较大数目的迭代后常常会产生漂移,得到比预期差的结果。
1.2.3 边界跟踪
如果区域的边界未知,但区域本身在图像中已经定义了,那么边界可以唯一地被检测出来。含有区域的图像如果是二值的或者是区域已经被标注出来了,那么任务就是确定区域内边界和外边界。区域内边界是区域的一个子集,而外边界不是区域的一个子集。相邻区域的单一共同边界称为扩展边界,可以用标准的像素坐标来标识。
边界跟踪方法分为4邻域跟踪和8邻域跟踪。内边界可以使用4邻域或者8邻域方法跟踪,外边界使用4邻域方法跟踪,扩展边界是用8邻域定义的,使用8邻域方法跟踪,查找表法使跟踪效率比传统方法要高,且使并行实现成为可能。在文献[11]中给出了详细的伪代码,其中给出了解决跟踪图像中所有边界的有效方法,这种方法非常适合在较高层的分割方法中表示边界。
如果在没有定义区域的灰度图像中跟踪边界的话,就会更为困难[12],这种情况下,区域的边界可以用图像中高梯度像素的简单路径来表示。边界跟踪从作为边界元素概率高的像素开始,然后把在最可能方向上的下一个元素加入。为了找到后续的边界元素,通常要计算在可能边界延续像素处的边界梯度的幅度和方向[13]。
文献[14]提出了多目标边界追踪算法,利用八连通边界追踪得到的每个颗粒的唯一标志点及其边界的Freeman码。文献[15]提出了一种改进的边界追踪方法,根据水果外形来确定每个区域边界追踪方向的优先权,加快了处理速度。
1.3 基于区域的图像分割
基于区域的图像分割是根据图像灰度、纹理、颜色和图像像素统计的均匀性等图像的空间局部特征,把图像中的像素划归到各个物体或区域中,进而将图像分割成若干个不同区域的一种分割方法。基于区域的分割方法主要有区域生长法、分裂合并法和分水岭分割方法。
1.3.1 区域生长法、分裂合并法
区域生长法的基本思想是根据一定的相似性准则,将图像中满足相似性准则的像素或子区域合成更大的区域;分裂合并法是从整个图像出发,根据图像和各区域的不均匀性,把图像或区域分割成新的子区域,根据毗邻区域的均匀性,把毗邻的子区域合并成新的较大的区域。这两种方法通常相结合,以便把相似的子区域合并成尽可能大的区域。
针对光照变化和阴影对图像分割的不利影响问题,文献[16]提出了一种基于矢量量化和区域生长的彩色图像分割算法,基于矢量角相似性准则进行区域生长。文献[17]提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法,通过区域增长和合并来获得最后的分割结果。区域生长的固有缺点是分割效果依赖于种子的选择及生长顺序,区域分裂技术的缺点是可能破坏边界,所以它们常常与其他方法相结合,以期取得更好的分割效果。
1.3.2 分水岭分割方法
分水岭算法实际上是基于数学形态学的分割算子,Vincent和Soille提出的浸没模拟分水岭算法包含
?
7
7
?
第6期 黄长专等:图像分割方法研究
两步,先将图像中的像素按灰度值大小的升序排列;然后对像素排序进行扫描,构造“集水盆地”,在不同标记的“集水盆地”的边缘处构造“防水堤坝”,完成对图像区域的初始划分[18]。
为了抑制传统算法中的过分割,文献[19]通过给定尺度的非线性划分和改进的分水岭标记算法实现图像分割,文献[20]通过分水岭算法分割变换图像,避免了提取分水岭标记点过分依赖于图像先验知识的缺陷。
分水岭分割方法能够准确定位边缘,具有运算简单、易于并行化处理等优点,但同时也存在一些缺点[21,22]:对图像中的噪声极为敏感;易于产生过分割;对低对比度图像易丢失重要轮廓。
1.4 基于模型的图像分割
基于模型的图像分割都是基于一定的模型,将图像分割问题转换成目标函数的求解问题,其中目标函数的设计和求解是问题的难点。基于模型的图像分割方法中应用广泛的主要是马尔可夫随机场模型和活动轮廓模型。
1.4.1 基于马尔可夫随机场模型的图像分割
马尔可夫随机场方法建立在马尔可夫模型和Bayes理论的基础上,根据统计决策和估计理论中的最优准则确定分割问题的目标函数,求解满足这些条件或消费函数的最大可能分布,从而将分割问题转化为最优化问题[23]。
文献[24]根据卫星遥感图像的特点,建立了相应的基于马尔可夫随机场的图像分割模型。文献[25]通过离散小波变换分解图像提取图像分割特征,利用矢量量化聚类和马尔可夫随机场建立分割模型。
马尔可夫随机场方法仍有一些缺陷,如图像的上下文信息没有得到充分的利用,文献[26]提出了一种基于马尔可夫随机场(MRF)的合成孔径雷达(SAR)图像分割新方法,在传统MRF的邻域基团势函数基础上,引入了图像邻域中各个像素的强度差值以及像素之间的距离因子,使SAR图像中空间上下文信息得到了更加充分的利用。
1.4.2 基于活动轮廓模型的图像分割
活动轮廓模型主要分为两类,一类是Kass等人[27]提出的以能量函数极小化为基础的参数活动轮廓模,又称为Snake模型;另一类是Osher等人[28]提出的基于水平集(Level Set)方法和曲线演化的几何活动轮廓模型。
文献[29]对活动轮廓模型的外部能量项进行改进,提出了一种新的自适应图像分割模型,耦合了快速边缘积分方法和简化统计方法。文献[30]提出了一种改进的快速活动轮廓分割法,给出了不同于原来算法的内部能量函数,并增加了自适应的约束力,扩大了算法捕捉图像特征的范围。
一般而言,参数活动轮廓模型中的平滑基函数比不连续的点需要的参数要少,可以产生更优的算法;同时很容易对Snake框架引入一个先验的形状约束,也很容易用户交互。但是这类模型通常只具备单目标轮廓分割能力,缺少应付拓扑变化的灵活性。几何活动轮廓模型由于采用了水平集方法而隐含有拓扑变化的能力,因而使得更为复杂结构的图像分割成为可能,但是计算比较复杂,很难给框架引入一个先验的形状约束,可见两类模型各有千秋[31]。
1.5 基于人工智能的图像分割
在图像分割领域应用广泛的人工智能技术主要包括模糊聚类和神经网络,主要是利用人工智能方法得到图像分割的某一参数,然后基于这一参数采用图像分割方法来分割图像。
1.5.1 特征空间聚类
很多图像因为光照不均,会使目标具有缓变的边界,甚至出现亮度或色彩不一致的情况,而模糊方法则能够克服这些不确定性,并能得到可接受的分割结果。模糊聚类就是其中的重要方法之一,其主要有模糊C 均值聚类和K均值聚类。
模糊C均值算法的基本思想就是要使价值函数或目标函数最小,由Bezdek于1981年提出[32],利用初始化方法确定若干初始聚类中心,通过多次迭代循环,不断调整和优化聚类中心,最终使类内方差达到最小,从而实现聚类。
传统的模糊聚类算法不考虑像素之间的空间分布,文献[33]重新定义了像素之间以及像素与区域之间的空间关系,同时构造了像素与区域之间近邻关系的隶属度矩阵并约束到传统的FCM算法中。文献[34]利用云变换解决模糊C均值聚类算法的初始化中心选择问题,提高了模糊C均值遥感图像分割方法的效率,具有较好的稳定性和鲁棒性K均值算法是一种基于目标函数的聚类方法,它把聚类归结成一个带约束的非线性规划问题,通过优化求解获得数据集的划分和聚类。K均值聚类算法随机选取K个点作为初始聚类中心,计算各个样本到聚类中心的距离,把样本归到离它最近的那个聚类中心所在的类,对调整后的新类计算新的聚类中心。如果相邻两次的聚类中心没有任何变化,说明样本调整结束,聚类准则函数已经收敛[35]。
文献[36]结合粗糙集理论和K—均值聚类算法,提出了一种图像的粗糙聚类分割方法,提高了分类精
?
8
7
? 计算机技术与发展 第19卷
度和准确性。文献[37]利用SOM网络将具有相似特征的像素S点映射到一个2D神经网上,再根据神经元间的相似性,利用K—均值算法将神经元聚类。
虽然聚类方法不需要训练集,但需要事先确定分类个数,且初始参数对分类结果影响较大;另一方面,由于聚类也没有考虑空间信息,因而对噪声敏感。
1.5.2 基于神经网络的图像分割
人工神经网络(Artificial Neural Networks,ANN)因其具有并行处理能力和非线性的特点而特别适合于解决分类问题。神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题,即先利用训练样本集对ANN进行训练,再用训练好的ANN去分割新的图像。文献[38]将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案。文献[39]采用一种基于神经网络的线性搜索方法来确定直方图的谷值,可以得到最优的阈值来分割图像。
ANN的不足是需要大量的训练样本集,计算速度往往难以达到要求。
2 结束语
文中研究论述了主要的图像分割方法,包括阈值化、基于边缘检测的图像分割、基于区域的图像分割、基于模型的图像分割和基于人工智能的图像分割。目前,还没有一个通用的分割算法可以胜任所有的图像分割,这些分割方法往往相互结合,以期达到单一图像分割方法所不能取得的效果,提高分割效率。
参考文献:
[1] 林开颜,吴军辉,徐立鸿.彩色图像分割方法综述[J].中国
图象图形学报,2005,10(1):1-10.
[2] 李俊山,李旭辉.数字图像处理[M].北京:清华大学出版
社,2007.
[3] Sonka M,Hlavac V,Boyle R.图像处理、分析与机器视觉
[M].第2版.艾海舟,武 勃等译.北京:人民邮电出版社,
2002.
[4] Sahoo P K,Soltani S,WongA K C,et al.A survey of
threshold in techniques[J].Computer Vision,Graphics,and
Image Processing,1988,41(2):233-260.
[5] Brink A D.Tresholding of digital images using two dimension2
al entropies[J].Pattern Recognition,1992,25(8):803-808.
[6] 章毓晋.图象分割[M].北京:科学出版社,2001.
[7] 王王月王月,王秋光.基于图像边缘信息的2维阈值分割方法
[J].中国图象图形学报,2007,12(1):78-81.
[8] 潘立丰,王利生.一种视网膜血管自适应提取方法[J].中
国图象图形学报,2006,11(3):310-316.[9] 桑 农,张天序,曹治国.基于边缘约束的红外目标图像松
弛分割技术[J].电子学报2002,30(7):1027-1031. [10]崔旭东,邱春蓉,刘瑞根.用标记松弛方法检测闪光图像
边缘[J].光电工程,2001,28(4):42-45.
[11]Liow Y T.A contour tracing algorithm that preserves common
boundaries between regions[J].Image Understanding,1991, 53(3):313-321.
[12]Dudani S A.Region extraction using boundary following[M].
New Y ork:Academic Press,1976.
[13]Ballard D H,Brown C https://www.wendangku.net/doc/516336702.html,puter Vision[M].Englewood
Cliff,NJ:Prentice-Hall,1982.
[14]于 洋,刘二莉,周铁涛,等.边界追踪及Freeman码在定量
金相中的应用[J].北京航空航天大学学报,2004,30(8): 767-770.
[15]邓继忠,张泰岭.水果检测中的边界追踪法[J].华南农业
大学学报,2001,22(3):80-82.
[16]范静辉,吴建华,刘 晔.基于矢量量化和区域生长的彩色
图像分割新算法[J].中国图象图形学报,2005,10(9):1079
-1081.
[17]赵钦佩,姚莉秀,程 建,等.基于颜色信息与区域生长的
图像分割新算法[J].上海交通大学学报,2007,41(5):802
-812.
[18]Vincent L,Soille P.Watersheds in di gital spaces:an efficient
algorithm based on immersion simulations[J].IEEE Transac2 tions on Pattern Analysis and Machine Intelligence,1991,13
(6):583-598.
[19]杨文明,陈国斌,沈晔湖,等.一种基于分水岭变换的图像
分割方案[J].浙江大学学报,2006,40(9):1503-1510. [20]丛培盛,孙建忠.分水岭算法分割显微图像中重叠细胞
[J].中国图象图形学报,2006,11(12):1781-1783. [21]Grau V,Mewes A U J,Alcaniz M.Improved watershed trans2
form for medical image segmentation using prior information [J].IEEE Transaction on Medical Imaging,2004,23(4):447
-458.
[22]Haris K,E fstratiadis S.Hybrid image segmentation using wa2
tersheds and fast region merging[J].IEEE Transaction on Im2 age Processing,1998,7(12):1684-1699.
[23]李旭超,朱善安.图像分割中的马尔可夫随机场方法综述
[J].中国图象图形学报,2007,12(5):789-798.
[24]刘伟强,陈 鸿,夏德深.基于马尔可夫随机场的遥感图像
分割和描述[J].东南大学学报,1999,29(增刊):11-15. [25]陈 明,陈武凡.基于小波分解与马尔可夫随机场的医学
图像矢量量化分割[J].中国生物医学工程学报,2001,20
(6):489-493.
[26]侯一民,郭 雷.一种基于马尔可夫随机场的SAR图像分
割新方法[J].电子与信息学报,2007,29(5):1069-1072.
[27]K ass M,Witkin A,Terzopoulos D.Snakes:active contour
models[J].International Journal of Computer Vision,1988,1
(4):321-331.
(下转第83页)
?
9
7
?
第6期 黄长专等:图像分割方法研究
for each L
b ∈L
k-1
if L
a {if(L a [i]=L b[i])then {L a ∈L k-1 ;break;} else if(L a [i]>L b[i])then continue; else break; } if L a|L k-1then return true;return false; 5 举 例 下面举例说明[8,9]。 (1)连接步:假设有6个2-项频繁集:L1={1, 2},L2={1,3},L3={1,5},L4={2,3},L5={2, 4},L6={2,5}。L1和L2、L1和L3满足连接条件,可以连接。L1和L4不满足连接条件,不能连接。依照改进的算法,L1和L4之后的所有频繁项集都不满足连接条件,从而减少了L1和L5、L1和L6的判断。 (2)剪枝步:假设有一个3-项候选项集:C={1, 3,5},4个2-项频繁集:L1={1,3},L2={2,3},L3 ={2,5},L4={3,5}。C的2-项子集为:C1={1,3}, C2={1,5},C3={3,5}。第一步在2-项频繁集中寻找C1,首先C1和L1比较:C1[1]=L1[1],C1[2]= L1[2],所以C1=L1。第二步在2-项频繁集中寻找C2,首先C2和L1比较:C2[1]=L1[1],C2[2]> L1[2],接着C2和L2比较:C2[1] 以上的改进方法用VFP6.0已进行了验证。关联规则的应用很广泛,而它的经典算法Apriori算法中的频繁项集求解是耗时最多的工作,那么提高了频繁项集的求解速度,也就加快了关联规则的求解速度。 参考文献: [1] 陈文伟,黄金才.数据仓库与数据挖掘[M].北京:人民邮 电出版社,2004. [2] Agrawal R,Imielinski T,Swami A.Mining association rules between sets of items in large databases[C]//Proceedings of the ACM SIGMOD Conference on Management of data(ACM SIGMOD’93).Washington,USA:[s.n.],1993:207-216. [3] 袁万莲,郑 诚,翟明清.一种改进的Apriori算法[J].计算 机技术与发展,2008,18(5):52-53. [4] 何中胜,庄燕滨.基于Apriori&Fp-growth的频繁项集发 现算法[J].计算机技术与发展,2008,18(7):46-47. [5] 吴志丹,赵大宇,唐恒永.一种改进的关联规则挖掘算法 [J].沈阳师范大学学报:自然科学版,2006(3):258-259. [6] Agrawal R,Srikant R.Fast Algorithms for Mining Association Rules in Large Database[C]//Proceeding of the20th Interna2 tional Conference on Very Large Databases.Santiago,Chile: [s.n.],1994:487-499. [7] 胡吉明,鲜学丰.挖掘关联规则中Apriori算法的研究与改 进[J].计算机技术与发展,2006,16(4):99-101. [8] Cheung D W,Han J,Ng V,et al.A fast distributed Algorithm for mining association rules[C]//In:Proc1996Int Conf Par2 allel and Distributed Information Systems.Miami Beach,FL: [s.n.],1996:31-44. [9] 郭有强.一种高效的关联规则维护算法研究与实现[J].计 算机技术与发展,2007,17(10):123-126. (上接第79页) [28]Osher S,Sethian J.Fronts propagating with curvaturede2 pendenspeed:algorithms based on the HamiltonJacobi formula2 tion[J].Journal of Computational Physics,1988,79(1):12- 49. [29]陈 波,赖剑煌,马建华.一种耦合的活动轮廓模型及其在 图像分割中的应用[J].中国图象图形学报,2007,12(3): 444-449. [30]谢勤彬,罗代升.基于改进活动轮廓模型的超声图像分割 [J].科学技术与工程,2007,7(8):1638-1641. [31]陈 波,赖剑煌.用于图像分割的活动轮廓模型综述[J]. 中国图象图形学报,2007,12(1):11-20. [32]Bezdek J C.Pattern reco gnition with fuzzy objective function algorithms[M].Norwell,MA,USA:K luwer Academic Publishers,1981. [33]刘华军,任明武,杨静宇.一种改进的基于模糊聚类的图像 分割方法[J].中国图象图形学报,2006,11(9):1312- 1316. [34]秦 昆,徐 敏.基于云模型和FCM聚类的遥感图像分割 方法[J].地球信息科学,2008,10(3):302-307. [35]郑洪英.数据挖掘聚类算法的分析和应用研究[D].重庆: 重庆大学,2002. [36]邵 锐,巫兆聪,钟世明.基于粗糙集的K-均值聚类算法 在图像分割中的应用[J].测绘信息与工程,2005,30(5):1 -2. [37]许海洋,王万森.基于SOM神经网和K-均值算法的图像 分割[J].计算机工程与应用,2005(21):38-40. [38]焦春林,高满屯,史仪凯.基于改进型聚类神经网络的图像 分割[J].计算机工程与应用,2007,43(20):93-95. [39]薛岚燕,郑胜林,潘保昌,等.基于神经网络的灰度图像阈 值分割方法[J].广东工业大学学报,2005,22(4):67-72. ? 3 8 ? 第6期 陈 伟:Apriori算法的优化方法 医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可 图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题 虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效 关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的 中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日 中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日 课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。 医学图像分割方法汇总 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）。 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围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的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) 医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展 过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分 图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方 第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。 he = imread('f:\3.jpg'); % 读入图像 imshow(he), title('H&E image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University', ... 'FontSize',7,'HorizontalAlignment','right'); cform = makecform('srgb2lab'); % 色彩空间转换 lab_he = applycform(he,cform); ab = double(lab_he(:,:,2:3)); % 数据类型转换 nrows = size(ab,1); % 求矩阵尺寸 ncols = size(ab,2); % 求矩阵尺寸 ab = reshape(ab,nrows*ncols,2); % 矩阵形状变换 nColors = 3; % 重复聚类3次，以避免局部最小值 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ... 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); % 矩阵形状改变 imshow(pixel_labels,[]); % 显示图像 title('image labeled by cluster index'); % 设置图像标题 segmented_images = cell(1,3); % 细胞型数组 rgb_label = repmat(pixel_labels,[1 1 3]); % 矩阵平铺 for k = 1:nColors color = he; color(rgb_label ~= k) = 0; ２００７年３月第期 ３ＴＡＩＹＵ ＡＮＳＣＩ－ＴＥＣＨ 图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程，是图像处理到图像分析的关键步骤。在医学领域中，图像分割常常用于病变区域提取，特定组织测量以及实现三维重建研究，因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。 １基于区域的分割方法 基于区域的分割方法是利用区域内的特征的相 似性把图像划分为一系列有意义的区域。 １．１阈值法 阈值法是一种最常用的并行区域技术，阈值是 用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。 阈值法的优点是计算简单、运算速度快，特别是不同物体或结构之间有较大的强度对比时，能够得到很好的分割效果，此分割方法通常是交互式的，由于阈值法能实现实时操作，所以它更易于建立在用户视觉估计的基础上。 阈值法的缺陷是：最简单形式的阈值法只能产 生二值图像来区分两个不同的类别。此外，阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布，这样其分割结果就对噪声很敏感。针对它的不足，一些学者提出了许多经典的算法，如局部阈值、模糊阈值，随机阈值等方法。阈值分割对于 ＣＴ图像的效果较好，但在选取阈值时需要用户依 经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意为止。Ｋｉｍ等用多次阈值分割法检测螺旋ＣＴ图像中的肺结性病变，共检测了 ２４例病人的８２７张图像，检测结果灵敏度为９６％， 并且没有出现假阳性结果［１］。 １．２区域生长法 区域生长法是根据预先定义的标准，提取图像 中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。 区域生长法对面积不大的区域进行分割时，效果显著，如果对面积较大的区域进行分割，则计算速度就会减慢。另外，对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来，只能一次分割一个区域。 ２基于边界的分割方法 基于边界的分割方法是利用不同区域间像素灰 度不连续的特点检测出区域间的边缘，从而实现图像分割。根据边缘检测方法的不同，通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。 ２．１串行边缘检测法 串行边缘检测法首先要检测出一个边缘起始 点，然后根据某种相似性准则寻找与前一点同类的 边缘点，这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同，这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪３种。 图像分割技术在医学图像处理中的 应用研究 马春梅１，刘贵如２，王陆林３ 文章编号：１００６－４８７７（２００７）０３－００６４－０２ 收稿日期：２００７－０１－１９；修回日期：２００７－０２－１０ 作者简介：马春梅（１９７８－），女，山西朔州人。２００５年９月就 读于山西大学，攻读硕士学位，助教。 （１．山西忻州师范学院数学系，山西 忻州 ０３４０００；２．云南师范大学计算机科学与信息技术学院，云南 昆明６５００９２； ３．西南交通大学，四川 成都 ６１００３１） 摘 要：图像分割是图像处理、图像分析的关键步骤，而医 学图像分割是图像分割的一个重要的应用领域，也是一个经典难题。从应用的特定角度，论述了医学图像处理中图像分割的几种算法，对近年来医学图像分割的新方法或改进算法进行了阐述，并简要介绍了每种算法的特点及应用。关键词：图像分割；医学图像处理；边缘检测中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 应用技术 基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator 医学图像分割综述 郭爱心 安徽大学 摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围 Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即 医学图像分割方法综述 随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签：图像分割；区域生长；聚类；水平集；图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下： 其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上 医学图像分割理论方法概述 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。 1.基于统计学的方法 统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。 2.基于模糊集理论的方法 医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。 2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C - 均值( FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。 龙源期刊网 https://www.wendangku.net/doc/516336702.html, 医学图像分割综述 作者：王益东 来源：《健康必读（上旬刊）》2018年第04期 【摘要】医学图像分割是指在医学图像中，利用计算机视觉技术，根据区域内像素的相 似特性（纹理等）以及区域间的不同特性，将图像中感兴趣的区域（ROI）提取出来，获取有关人体组织器官的有效信息，反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展，医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着，详细分析了相关图像分割算法。最后，总结了医疗图像分割技术在目前面临的困难与挑战，并提出了展望。 【关键词】医学影像；图像分割 【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783（2018）04-0281-01 1 引言 近几年来，随着计算机视觉技术和磁共振成像技术（MRI）、正电子放射层析成像技术（PET）、计算机断层成像（CT）、单光子辐射断层摄像（SPECT）、超声（Ultrasound）等医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域，区域内保持一定的相似性，区域间有一定的相异性，从而提取出感兴趣的部分。 医学图像分割在临床诊断中发挥着重要作用，如： （1）生物医学图像分析：解剖结构的测量、心脏运动跟踪等。 （2）组织、器官定量分析：通过对人体器官或是病变器官容积的定量检测，为医生的临床诊断提供依据。 （3）医学图像3D重建：用于外科手术的仿真、药物治疗的评估等。 目前，医学图像分割技术的发展仍然面临一些困境，主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性，医学图像采集较为困难，图形容易受到组织运动等问题的影响，所采集的医学图像相交于普通图像而言，噪声较大。并且人体间存在个体差异，不同人体的组织和器官差异较大。因此，针对医学图像对图像分割技术进行研究，显得尤为重要。 2 医学图像分割算法 医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术： 图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自 浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实医学图像分割综述
图像分割算法开题报告
关于图像分割算法的研究
图像分割算法研究与实现
医学图像分割方法汇总
医学图像处理综述
图像分割常用算法优缺点探析
医学图像的分割
kmeans图像分割算法
图像分割技术在医学图像处理中的应用研究
基于MATLAB的图像分割算法研究毕业设计
医学图像分割综述
基于图的快速图像分割算法
医学图像分割方法综述
图像分割方法总结
医学图像分割综述
医学图像处理技术
图像分割技术的原理及方法