第1章绪论
本章介绍医学图像分割的研究背景、国内外的研究现状,并给出本论文的主要研究工作和章节安排。
1.1医学图像分割的研究背景
随着整个社会的快速发展,人们对生命的质量提出了更高的要求,医学图像处理是使用计算机技术对医学影像设备采集到的图像进行处理与分析的技术,它可以帮助医生进行更准确的诊断,其中,医学图像在医学研究、病理分析、临床诊断中发挥了越来越重要的作用,为医疗水平的进步和发展做出了重要贡献。根据成像原理的不同,医学图像具有多种成像模式⑴,主要有电子计算机X射线断层成像,磁共振成像,超声成像(Ultrasound),正电子放射断层成像;影像处理与分析技术主要包括的内容有:医学图像分割、三维可视化、医学图像配准、计算机辅助诊'断以及远程医疗等。其中,医学图像分割是其他技术的基本前提乂在临床医学的实际运用中具有重要意义,因此,医学图像分割就成为了医学图像处理领域的一个重要内容和关键技术。
图像分割是指将图像中具有特殊意义的不同部分分开来,这些部分之间互不交叉,每个区域都满足特定区域中的一些特质。医学图像分割是指从医学图像中提取感兴趣的区域或边界,使其与其他组织明显区别 。医学图像分割是正常组织和病变组织提取、特定组织测量以及后续医疗诊断等后续治疗的基础,也是临床应用中的一个瓶颈,分割的结果将直接影响着三维重建后的病灶区域与病人真实病变区域的相似程度,有效的分割能帮助医生准确,快速的判断病灶部位。
一直以来,图像分割都是医学图像处理领域的研究热点和难点,关于图像分割技术,已经有很多的研究成果和方法,但迄今为止,没有一个通用的分割算法适合所有的图像。同样,目前的医学图像分割中也没有一个有效的通用方法,原因是多方面的:医学图像比较复杂,具有多样性,人体内部器官形状的细微不规则以及人与人之间体内构造的差异性,都增加了分割算法实现的复杂度;实际生成的过程中,噪声干扰、局部模糊等现象往往容易出现在医学图像中,因此,进一步的对医学图像分割进行研究是非常有必要的。.................
......................
第2章非采样Contourlet变换的原理
在频域变换领域中,小波变换一直是一维信号的最优变换工具,但是很多图像并不仅仅包括简单的一维信号,例如,很多图像的边界是不连续的。在这种情况下,一维小波变换就不能很好的分解出图像中所蕴含的多维信息。在此基础之上,出现了二维小波变换,二维小波变换克服了一维小波变换中只能表示线性一维信号的简单叠加的缺点。但二维小波变换不能很好的捕捉图像不同方向上的信息,方向信息在多维信号处理系统中具有非常重要作用和地位。因此又出现了能够表现多尺度多方向的Contourlet变换及非采样Contourlet变换,多分辨率、局部定位性、多方向、各向异性是Contourlet变换特有的优势所在,使得其比小波变换更能有效地捕获图像中的高维方向奇异性。非采样Contourlet变换是在Contourlet变换的金字塔分解时没有采用下采样操作,这样就避免了变换后出现伪吉布斯现象,下面将对Contourlet变换及非采样Contourlet变换做出详细的介绍。
2.1 Contourlet 变换
Contourlet变换是Donoho和Vetterli于2003年提出的多尺度几何频域分析(Multiscale Geometric Analysis, MGA)方法。它可以多维度,多方向的分解二维图像。Contourlet变换主要由两部分组成,如下图2-1_所示:拉普拉斯金字塔分解(Lapliacian Pyramid, LP)和方向滤波器组(Directional Filter Bank,DFB)。
2.1.1拉普拉斯金字塔分解
1983年Burt和Adelsonisi出的了一种可以获得多尺度的方法:拉普拉斯金字塔。拉普拉斯金字塔使用了下采样方法,可以理解为将图像中的高频信息过滤出来形成高频图像,其包含了原始图像中的突变高频部分,剩余的信息组成了低频图像,低频图像包括了原始图像的大部分信息,拉普拉斯金字塔是可逆的,低频图像和高频图像可通过拉普拉斯金字塔逆变换得到原始图像。是拉普拉斯金字塔结构图,包括了分析滤波器和重构滤波器两部分,通过矩阵M的循环执行可以采样得到各个尺度的需求信息。当滤波器组拓展到多维空间中时,需要相应的使用多维滤波器组。
拉普拉斯金字塔分解是下采样的,每一级下采样分解过程只生成一个高频图像,小波变换中每一级分解要产生多个高频图像。小波变换的下采样过程中有可能会将某些高频频率遗漏到低频通道中,因此,经过小波变换的图像往往会出现不同频率的混杂,这种现象在拉普拉斯金字塔分解中是不会出现的,也是其比小波变换的一个优势所在。...............
..................
第3章基于NSCT和图论的图像分割................17
3.1最小割问题................................17
3.1.1相似度函数.............................17
3.2归一化分割法.............................18
3.3等周分割法.................................22
3.4 NSCT与图论分割方法的结合.................24
第4章实验结果及分析.........................28
4.1医学图像的选择...........................28
4.2实验环境..................................28
4.3实验结果与分析...........................28
4.3.1 Contourlet归—化分害的方法.............29
4.3.2非米样Contourlet+归一化的方法............31
4.3.3 Contourlet.等周分割的方法..............33
4.3.4非采样Contourlet+等周分割的方法.........34
........................
总结
医学图像分割在医学图像处理领域有着重要的地位,也是近几年图像处理领域一个研究热点。本文在基于图论的图像分割基础上,提出了基于非采样Contourlet变换的图像分割方法,将经过非采样Contourlet变换的低频系数作为待分割图像,并将分割后结果图与部分高频系数米取逆Contourlet变换,得到最终的效果图。实验结果表明本文方法的有效性,并且这些方法可以有效的提高人脸识别率,实验取得了预期的效果。本文主要做了以下几个方面的工作:
1.对采样Contourlet变换与非采样Contourlet变换的原理进行了研究。非采样Contourlet变换是一种多方向,多频率的二维图像稀疏表示方法,并且能够在变换中不改变图像的分辨率,避免了伪吉布斯现象,经过非采样Contourlet变换的低频系数可以看成原图像的缩略图,高层系数作为高频信息,可以有选择性的选取来进行无能量损失的逆变换。
2.研究了基于图论的归一化方法和等周方法分割原理,发现基于图论的图像分割方法普遍计算量较大,并且容易受噪声影响,因此提出了基于非米样Contourlet变换和图论的图像分割方法,对非米样Contourlet变换之后的低频系数进行图像分割,并且将部分高频系数与其进行逆Contourlet变换,得到最终效果图。
3.选取典型的医学图像进行实际试验,并将本文提出的方法与使用采样Contourlet与图论的方法做比较,通过最终效果图以及算法耗时方面证明了本文提出方法的优越性。
医学图像分割的研究是一个非常具有挑战性的复杂课题,还有很多工作需要研究。进一步的研究主要包括:
1.本文所提出的图像分割方法没有大量的运用与实际的医学图像中,在以后的研究中还需要将该方法的有效性及鲁棒性进行近一步的验证。
2.近一步研究基于图论的图像分割,因为图论理论有成熟的理论基础和应用基础,将其应用于图像分割有很好的理论背景作支撑,但是将图像转化为图的过程是一个非常复杂的运算,往往耗费大量时间,因此,怎样高效的将图论理论应用于图像分割也是一个研究难题。......
参考文献
[1]赵风,范九伦,潘晓英,等.基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法[J].计算机应用研究,2012,29(5): 1987-1989.
[2]李旭超,刘海宽,王飞,等.图像分割中的模糊聚类方法[J].中国图象图形学报,2012. 17(004): 447-458.
[3]张贵英,张先杰.医学图像分割技术研究[J].医学信息,2011,24(1).
[4]郭敬,秦茂玲,赵文莉.关于医学图像分割的综述[J].信息技术与信息化,2010. 5(5): 50-53.
[5]盛M芳'焦李成.基于遗仏算法的最佳熵阈值的图像分制[J].汁算机工程与应用' 2003,12(1): 103-105.
[6]林瑶'捷.医学图像分割方法综述[J].模式识别与人工智能,2002, 15(2):192-204.
[7]阴国富.基于阈值法的阁像分割技术.现代电子技术,2007, 30(23):107-108.
[8]涂其远,吴建华,万国金.动态阈值结合全局阈值对图像进行分割[J],南昌大学学报(工科版),2002, 24(1):37-40.
[9j范静辉,吴建华.基于矢量量化和区域生长的彩色图像分割新算法[J].中国图形图像学报,2005. 10(9): 1079—1081.
[10]杨家红,刘杰.结合分水岭与自动种子区域生长的彩色图像分割算法[J].中国图形图像学报,2010,1(13): 63—68.