当前位置: > 职称论文 > 3000字职称论文一种改进的医学图像分离分割算法

3000字职称论文一种改进的医学图像分离分割算法

论文类型:职称论文
论文字数:3000字
论点:分割,分水岭,图像
论文概述:

本文针对医学图像的特点,提出了一种改进的医学图像分水岭分割算法。该算法通具有较强的抗噪性能和边缘定位能力,能够满足医学图像的分割要求。

论文正文:

1分水岭算法

分水岭中的经典模型是沉浸模拟。首先,在每个小区域的底部开一个小洞,让泉水从小洞喷出,慢慢淹没小区域周围的区域。受小面积影响的区域是相应的集水盆地。水流在不同区域交汇的边界是可以预料的分水岭。这些积水盆地分别对应于要分割的图像中均匀一致的区域。然而,由于噪声的影响和物体本身的精细纹理,传统的分水岭算法会产生大量无意义的小区域,导致真实目标难以识别。针对这一不足,结合医学图像的特点,提出了一种基于标记提取和区域融合的医学图像分水岭分割算法。

2基于标记提取和区域合并的医学图像分水岭分割算法本文以分水岭变换为分界线,将分割过程分为预处理初级分割阶段和后期合并高级分割阶段。

2.1初级分割阶段形态学算子的预处理
具有简化图像结构、保留重要形状特征和消除不相关的特点。在计算梯度幅度之前,对图像进行非线性自适应多尺度形态滤波预处理,滤除强噪声污染,同时保留边缘特征。然后,利用多尺度形态梯度算子得到的梯度图像对图像进行标签提取处理,在分水岭变换之前,梯度图像中的伪局部最小点大大减少,从而从根部减少过分割和过分割区域。预处理的初级分割阶段主要包括多尺度形态滤波、多尺度形态梯度、自适应标签提取和分水岭变换。

2.1.1多尺度形态滤波
形态滤波基于扩张、侵蚀、形态开放、形态闭合及其组合。形态学打开操作可以去除图像上与结构元素的形态学不兼容的相对明亮的分布结构。另一方面,闭合操作可以填充图像上与结构元素不一致的相对较暗的分布结构,从而可以有效提取特征并平滑图像,依次对图像进行开运算和闭运算,形成开-闭滤波器,可以获得更好的去噪效果。
由于开关滤波器是单尺度形态滤波器,其性能与结构元素的尺度密切相关,小尺度结构元素去噪能力较弱,但可以获得更好的边缘细节。大规模去噪能力强,但在去噪的同时,一些边缘细节会丢失,医学图像的边缘细节是分析病情和临床诊断的关键。针对这一不足,本文结合尺寸和大小,提出了一种多尺度结构元素数学形态学滤波器。多尺度形态学滤波的基本思想是通过不同尺度的结构元素滤除不同的噪声强度,获得不同的滤波图像,选择合适的权重,并组合不同尺度的滤波图像。……

2.2合并后高级分割阶段
初级分割后的预处理图像在一定程度上抑制了过度分割。然而,在分水岭分割之后,会产生一些小的无意义区域,并且需要进一步的区域合并来获得有意义的分割结果。根据医学图像的特点,提出了一种基于区域灰度相似性和邻接图边界相似性相结合的判别函数,作为判断两个相邻区域是否合并的标准。

2.3该算法的实验步骤
基于以上讨论,改进的医学图像分水岭算法的主要步骤如下:步骤1读入待检测的医学图像。第二步:利用自适应多尺度形态滤波对图像进行去噪。步骤3:对去噪后的图像进行多尺度形态梯度计算,为自适应标记提取提供基础数据。步骤四,对步骤三得到梯度图像进行自适应标记提取处理,去除深度小于H的局部极小值,进一步抑制过度分割。步骤5,对预处理后的图像进行分水岭变换处理,得到分割点。步骤6:对于通过分水岭变换获得的分割区域,与图2(c)相比,图2(d)中无用的小区域信息通过区域相似性得到更大程度的抑制,但是假体上方和股骨周围仍然存在一些无用的区域,并且存在一些边缘信息模糊的现象;图2(e)过分割现象被很好地抑制,轮廓边缘更清晰,并且分割准确。结合区域和边界相似性结合准则,合并小区域,得到最终的分割结果。

3实验和结果分析
为了验证算法的有效性和性能,本文采用一个具有奔腾双1.73千兆赫CPU和2GB内存的硬件平台在Matlab 7.0编程环境下实现该算法。以河南省洛阳市东方医院提供的128行高清晰髋股骨CT图像为测试图像,图像尺寸为512×512。将随机提取的无噪声原始髋股骨图像和高斯噪声的髋股骨图像作为测试对象进行分析。本文分别采用传统分水岭算法、文献中的改进分水岭算法和文献[3]中的改进分水岭算法进行图像分割。

3.1原始髋关节和股骨断层图像分割结果的分析
图2(a)是原始髋关节和股骨图像。从分割结果可以看出,图2(b)具有严重的过分割现象,并且只有高亮度假体区域被部分有效分割。图2(c)过度分割现象在一定程度上被抑制,但是仍然存在大量无用的小区域信息,这不能有效地将假体与股骨部件区分开。图2(d)示出了无用的小区域信息比图2(c)被抑制的程度更大,但是在假体上方和股骨周围仍然存在一些无用的区域,并且一些边缘信息被模糊。图2(e)过分割现象被很好地抑制,轮廓边缘更清晰,并且分割准确。

3.2具有强噪声处理的髋关节和股骨计算机断层图像的分割结果的分析
图3(a)是具有高斯噪声处理的髋关节和股骨图像。从分割结果可以看出,图3(b)具有严重的过度分割现象,导致假体和股骨不再能够被识别。图3(c)在分水岭变换之后,仍然存在大量无用的小区域信息,并且目标对象没有被有效分割。图3(d)过度分割现象被部分抑制,但假体和股骨周围仍有许多无用区域,导致假体和股骨不能被有效识别。图3(e)目标边缘的提取基本完成,并且过分割现象被很好地抑制。
通过对比原始髋股骨图(图2)和强噪声髋股骨图(图3)的分割结果,可以发现,由于医学图像灰度对比度低、边缘不均匀、易受噪声污染的特点,分水岭算法直接用于分割,过分割现象严重,分割对象无法识别。根据文献中改进的分水岭算法,采用基于空的聚类方法合并标准分水岭变换后的分割区域。过度分割现象得到一定程度的抑制,假体和股骨可以被识别,但仍然存在许多无意义的小区域,过度分割现象严重。文献对分水岭算法进行了改进,对原始图像进行了去噪和标记提取,在一定程度上抑制了过度分割现象。然而,在分割后的图像中仍然存在一些过分割现象和一些边缘信息的丢失。医学图像中的边缘信息是疾病分析和临床诊断的关键,分割效果不理想。本文提出的改进算法分别处理分水岭变换前后的医学图像。有效地抑制了过度分割现象,同时很好地保留了边缘微结构。取得了较好的分割效果,能够满足医学图像分割的使用要求。

4摘要
由于医学图像的多样性和复杂性,医学图像分割已经成为图像处理领域的经典问题。根据医学图像的特点,提出了一种改进的医学图像分水岭算法。分水岭变换前,对原始图像进行多尺度自适应形态学滤波和标记提取。分水岭变换后,通过区域相似度和边界相似度的合并准则,进行区域合并,完成分水岭变换的改进。实验结果表明,该算法不仅有效抑制了过度分割现象,而且很好地保留了图像的边缘细节,能够更好地满足医学图像的使用要求,具有很强的实用价值。

参考
[1]文森特,土壤先生。《数字空间中的http://sblunwen.com/yxyxx/流域:基于沉浸模拟的高效算法》[.模式分析与机器智能,1991,13 (6): 583-598。[/比尔/] [2]徐伊一,刘志起,刘淇。俞进[《分水岭算法图像分割方法研究》。计算模拟,2011。28(9):272-274
[3]谭红、侯志强、易、严魏武。要标记的分水岭彩色地图分割算法[。计算工程,2010,36(19):229-231
[4]鲍旭,尹宜欣,王吉,苏志斌,谢毅。基于全等形态滤波的分水岭分割新算法[[]。计算应用研究,2009。26(8) :3143-3145
[5]龚绍,姚敏。基于分水岭和方法的模糊聚类图像分割[。计算应用研究,2011,28 (12): 4773-4775