醫(yī)學(xué)圖像分割方法

.醫(yī)學(xué)圖像分割方法匯總本文主要介紹在醫(yī)學(xué)圖像分割方面的幾種典型算法，詳細介紹每種算法的工作原理，通過對具體的醫(yī)學(xué)圖像實驗來對比每種方法在分割方面的優(yōu)點和缺點，分析結(jié)果產(chǎn)生的原因，從而在后面的實際應(yīng)用中選擇最合適的算法。閾值法分割簡單閾值分割（對于八位灰度圖像，最大值一般為255），像素小于這個閾值的設(shè)置為0.下圖1.2是利用五個不同的閾值對腦部圖像（1.1）的分割結(jié)果。（0.1,0.3,0.5,0.7,0.9）。圖1.1原始腦部圖像..圖1.2使用不同閾值分割后的結(jié)果從實驗結(jié)果來看，使用簡單的閾值分割，過程十分簡便，原理簡單易懂，但是要是得到比較好的分割結(jié)果需要進行多次試驗。otsu閾值分割法Otsu遍歷(80T(閾值),把原始圖像分割成前景圖像和背景圖像并且兩者之間的類方差最大。原理：對于圖像I(x,y)，(即目標)和背景的分割閾值記作T點數(shù)占整幅圖像的比例記為其平均灰度類間方差記為g。假設(shè)圖像的背景較暗，并且圖像的大小為M×N，圖像中像素的灰度值小于閾值T的像素個數(shù)記作N0，像素灰度大于閾值T的像素個數(shù)記作N1，則有：ω0=N0/M×N (1)..ω1=N1/M×NN0+N1=M×Nω0+ω1=1

(3)

(2)(4)μ=ω0*μ0+ω1*μ1 (5)g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)將式(5)代入式(6),得到等價公式:g=ω0ω1(μ0-μ1)^2 (7)這就是類間方差找出使得g(類方差)的值到達最大的T(1.3otsu1.1圖1.3使用ostu閾值分割得到的結(jié)果..區(qū)域生長方法分割區(qū)域生長方法是從被分割對象的種子區(qū)域（通常是一個或者多個像素點）開（通常是灰度值域不再擴大。區(qū)域生長是指從某個像素出發(fā)，按照一定的準則，逐步加入鄰近像素，當(dāng)滿足一定的條件時，區(qū)域生長終止。區(qū)域生長的好壞決定于1.初始點（種子點）的選取。2.生長準則。3.終止條件。區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標的提取。1、選取圖像中的一點（或者一組點）為種子點（種子點的選取需要具體情況具體分析）。2、在種子點處進84對值小于某個門限T，則將該像素包括進種子像素所在的區(qū)域。3、當(dāng)不再有像素滿足加入這個區(qū)域的準則時，區(qū)域生長停止。經(jīng)典區(qū)域生長算法im2bw4上述過程知道種子點數(shù)目不再變化為止。實驗仍然使用圖1.1的腦部圖像為樣本。選取兩組種子點和兩個不同的生長條件。實驗結(jié)果如下：..表2-1使用經(jīng)典區(qū)域生長算法使用的參數(shù)種子點生長準則

4鄰域的像素點和種子點4鄰域的像素點和種子點絕對值小于10 絕對值小于15使用otsu得到的種子點 圖2-1從左到右從上到下圖2-1從左到右從上到下第一幅圖 第二幅圖設(shè)置像素值大于200為種圖2-1從左到右從上到下圖2-1從左到右從上到子點 第三幅圖 第四幅圖設(shè)置像素大于220的為種圖2-1從左到右從上到下圖2-1從左到右從上到子點 第五幅圖 第六幅圖圖2-1經(jīng)典區(qū)域生長算法的實驗結(jié)果從實驗結(jié)果上來看，對經(jīng)典的區(qū)域生長算法的分割結(jié)果影響較大的因素有種..所以空間和實踐的開銷很大！連接門限閾值處理2-2：表2-2連接門限閾值分割才去的參數(shù)種子位置下門限上門限輸出圖像（107,69）1802102-2（60,116）1501802-2（81,112）2102502-3..原始腦部頭像 （2）（3） （4）圖2-2使用連接門限閾值處理得到的分割結(jié)果是不完整的。置信連接法分割圖像：選定種子點感興趣的區(qū)域。感興趣的區(qū)域不再擴大，結(jié)束以一次迭代。..2.直到感興趣的區(qū)域不再擴大為止?？梢杂靡粋€公式來闡述感興趣的區(qū)域：I(X)∈[m-f*σ，m+f*σ]m，σ是像素的標準差，ff2.5(2-3：原始腦部頭像 (2)使用（107,69）種子點的分割結(jié)果..(3)使用（60,116）種子點的分割結(jié)果(4)使用（81,112）種子點的分割結(jié)果圖2-3使用置信連接法分割圖像的結(jié)果f..分水嶺算法分水嶺分割方法，是一種基于拓撲理論的數(shù)學(xué)形態(tài)學(xué)的分割方法，其基本思值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一水嶺。會出現(xiàn)過度分割的現(xiàn)象。需要注意的是：實驗中，并不是直接對原始的灰度圖像應(yīng)用分水嶺算法，而是使用梯度圖作為輸入圖像。使用分水嶺算法進行圖像分割的典型流程如下：：計算原始圖像的梯度。：計算前景標記（這些是每個對象部連接的像素）：計算背景標記（這些不屬于任何對象的像素）：對原始的梯度圖想進行修改，將前景標記和背景標記設(shè)置成局部極小值：對修改后的梯度圖像使用分水嶺分割實驗結(jié)果如下圖3-1所示：..（1）原始腦部頭像 （2）使用標記分水嶺算法分割后的圖圖3-1使用標記分水嶺算法對腦部頭像進行分割的結(jié)果watershedimextendedmin3-2（1）互相粘連的細胞圖 （2）分水嶺算法過度分割..（3）去除掉部分極小區(qū)域后，使用分水嶺算法的結(jié)果3-2..聚類分割算法以上的幾種算法都是需要首先對圖像進行觀測，缺乏嚴格的數(shù)學(xué)衡量。因此，（來衡量，當(dāng)兩個樣本的距離較小時認為兩者劃分為同一類，反之則為不同的類。k-means聚類分割算法K-means算法是最為經(jīng)典的基于劃分的聚類算法，它的原理也較為簡單。算法的描述如下：kik本歸到距離最短的中心所在的類；利用均值等方法更新該類的中心值；k（2）（3）的迭代法更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代。算法示意圖如圖4-1所示：..圖4-1k-means聚類過程（兩個“x”代表中心點的變化情況）k-meansk-means定義和關(guān)于初始中心的選擇。對于灰度圖像而言，強調(diào)像素之間的歐氏距離和幾何距離毫無意義，所以對k-meansk-meansI（M*N）轉(zhuǎn)化為一個（M*N,1）的列數(shù)組X。然后把像素之間的“距離”定義為它們的像素的亮度（每隔一定的像素選擇一個作為中心k-meansk4-1，分割結(jié)果如下圖4-2：..表4-1k-means聚類