（模式识别与智能系统专业论文）Markov随机场和变形模板分割方法及其应用研究.pdf

上竭 突翅大星茸 c i i ：学f _ ；7 ：i 荦：文摘受 摘要 园丝公割一卣是i 要邃缝堡，| 】1 | q 重要研究课题。水文| _ i ；| 绕医学图像分割，h 论 了图像的尺度空州理论、像分_ i l ；4 翁寸去以及图像匹配披术。 d 度空问理论在图像分析的各个领域中有着重要的应川。传统的尺度空问理 论j 鬯各向同性的，与常系数传导方程等价。木文利刊1 | = = 线性传导方程探讨了各向 异性尺度空问的表示形式、数值计算平应用提出了“面拟合数值计算方法，刘 于在数值计算中可能导致的阶梯效应有着很好的抑制作丌 i 。 图像分割技术可以分为走 ：【曩哦和搽丁梯度信息分割疗法，剥于基1 j 区域的 图像分割方法，重点列论丁m a l k o vi 迹机场方法的圳论和应用，包括利用图像的 先验知识确定随机场的参数和利用m r i ? 模型与最大估计方法相结合解决磁共振 图像分割中f | 勺偏场效应。划j i 桀 二梯度信息的图像分割算法，讨论了变形模板方 法，包括表示形式、能最定义和能璧甬数的优化。 根据批j ：区域分割方法剃肚j j ；度分割力法| 0 优缺点，利1 j 晰弈理论解决，i i 同分割疗法的竞争和1 i 一致悱提了利区域能龄变形模板方法，用来将图像 的区域分割结果和变形模板方法十结合，并刚实验刚! j ：| 了方法的有效性。 图像匹配算法，根据1 i 同的图像u t 配对象，分为柔 ! _ ：匹配和刚体匹配。变形 模板力法是柔性匹配的1 = i | 哐要方法。木文讨论丁利j | j 模板匹配的刚体匹配方 法，剥m e 像元精度的快速旋转匹配进行 r 算法研究、软件没计以及在应用1 台卜 的移植，取得了良好的效果。广r 、 本文t 露创新性i 作有： 1 ) 讨沦了j f 二线r l ：传导方捌的数值化力法，列r 数值化- l ，产f i 二阶梯效应进行r f 算模拟，提了一利i | j | i 刚以合疗法有效地解决数值算中的阶梯效应。 2 ) 舀! 图像聚类分割的祭础i ：，h 沦了种新的图像聚类分割模型。，其相似性玳 则不仅包括特钲值的差别，而考虑了相邻像素之州所属图像分类的关系。厂7 3 ) 就m a r k ( ，v 随机场方法在i 廷学图像分割巾的应用进行了叫沦t f 包括利用图像的 先验知u 确定m a r k o vi 绚机场的参数，j f ：f j 利川m r i ? 模犁和估计最大方法结 合的力法，埘婀决磁e 娠像分制r | 1 i _ l j 偏场n u 题嫩纠j 良好1 | j 效果。厂8 4 ) 针对医学图像分割叫1 常j l = | | 0 变形模板力法，提出了种盒宁塔变形轮廓方法。 仞i 仅能实现从全局到局部的形变，而h 提高了轮廓提瞅的速度。广、一 5 ) 在i 冉弈理论集成罔像f | 勺区域分割力法干銮! 竖搓抵d 法进行图像分割的枢架 下，在变形模板的能景l 雨数t ，定义r 叉域能最，j 1 j 求结合图像的区域分割结 果进行轮廓提取。 6 ) 提了。利t 快速j i f 像元旋转”明c j 法尢利川同心侧矩窝方法进行粗匹配 j 綦础i ：，。实现rl ，1 0 的旋转q f 像元i 坦配精度。f j 。将钟法移植至实际的算法 、1 7 f ，九9 1 h 像t i t l 阪t 门f h “门j j ! 似效粜。卜1 一 上，诲焚通大学叭学似论文摘世 7 ) 讨论了于空问近似模板匹雕算法，提，剥称h a u s d o lr f 分数方法。( 与= m 列称 的 a u s d o r 盯方法相比，可以川较小的特 i l ：矢鞋字叫更高的精度，从而提高了 模板匹配的性能。、卜、卜、 术文得判闺家r i 然科。￥娘金项| 一i ( n ( ) 6 9 9 3 0 1 0 ) 诳l | j j 、 上海爻通犬学叭学位论殳摘监 a b s t r a c t c o n s t n l c t i n gam a t h e l l l a t i c a ll e p r e s e n t a t i o no fa no h i e c 【r e g i o nf r o mi m a g e si s a 1 1 i l n p o r c a n tp r o b l e n lt h a ti so fi 1 1 1 l o r i a n c et os e v e i a ia c t i v e1 e s e a l c ha r e a ss u c ha sh 1 1 a g c a 1 1 a l y s i s ，c o m p u t e rv i s i o l l a 1 1 d m e d i c a i i m a g i n g t 1 1 i st h e s i se x p l o r e sm e d i c a li 1 1 1 a g e s e g m e n t a i i o nt e c l l n iq l i ea n ds o l l l er e l a t e dl r o b i e n l s ，i n c l u d i l l gs c a l es p a c et 1 1 e o r y i 1 1 1 a g e s e g n l e n t a t i o nt e c h n i q u ea n di n l a g e1 _ e g i s t l a t i o nt e c h n i q u e t h et h e o r yo fs c a l e s p a c e i s w i d e l yu s e d i n 1 1 1 a 1 1 yi 1 1 1 a g e l l n d e r s t a n d i n gn e l d s t r a d j “o n a ls c a l es p a c et h e o r yi s i s o t l o p y ，a n di se q t l i v a l e l l l i oi m e a rd i f m s i o ne q u a t i o l l t h ea n i s o t r o p ys c a l es p a c et 1 1 e o i yi s e x p l o r e di 1 1 t 1 1 i s t 1 1 e s i s 、j l l c l u d i l l gi t s f o r l l l a t i o l l - m l 】1 1 e r i c a l a l g o r i l j l m a n da p p l j ca l i o ni 1 1 e f a c e l n i c i l l ga l g o m l l l l li su s e ds u p p r e s s 1 1 e s l e pe d g ea f k c t i ( ) ni 1 1 n l l l l l e ii c a | i m p l e l l l e l l l a “0 1 1 t h ej n l a g es e g n l e n i a t i o l l l e c h l l i q l l ec a l l h ed iv i d e di n l oc w og lo u p s ，r e g i o nb a s e d s e g m e l l t a “0 1 1a n d 斟a d i e n tb a s e ds e g l l 】e n t a c i o l lm a l k o vr a l l d o l l lf i e l da l g o r i t h m ，w f l c h i saw i d e l yu s e dr e g i o n - b a s e ds e g n l e l l l a t i o na l g o “t 1 1 1 1 1 i 1 11 1 1 e d i c aj i m a g es e g l n e n t a l i o l l ， i sd e s c j i b e di nd e t a i la 1 1 dt 1 1 ee m a 1 2 0 m 1 1 j 1 】c o n l h i j 】e dw “hm r fm o d e i sd i s c u s s e dt o c o r r e c tt h eb i a sn e l di n m r 1 1 1 a 窑e d e f o r m a b l em o d e l ，c o n s i d e r e da sa n m d o l l a l l l g r a d i e n t b a s e d n l e d i c a l j 1 1 1 a g es e g n l e i 】t a l i o na l g o r i l l l l l l i s d e p i c t e d ，i 1 1 c h l d i n g 1 1 1 c 内l - m a t i o l l ，e 1 1 e r g yf l l n c t i o na 1 1 do p “m i z a i i o l l r 】_ | 1 et w o g r o u p s o f j m a g es e g m e l l t a t i o l lt e c h l l i q l l e h a 、，et 1 1 e i r a d v a n t a g e s a n d d i s a d v a n t a g e si e s p e c i i v e l y _ 1 1 1 e i j l t e g r a t n 1 1 o fd i f r e l e l l t s e g l l l e l l t a t i o l lt e c h n i q u e i s d i s c u s s e d t 1 1 eg a m et | 1 e o r yi su s e di od e a lw i t ht 1 1 e c o l l l p e i i t i o nb e t w e e nd i f f e r e n i s e g m e n t a t i o nt e c l l n i q u e t h ec o n c e p to fr e g l o ne n e r g yi sd e n l l e dt oc o m b i n et h er e g i o n b a s e da n dg r a d i e n t b a s e di 1 1 1 a g es e g n l e n l a l i o nt e c h l l i q l l e t 1 1 e i 1 1 1 a g er e g i s l r a i i o n a l g ( m h l 】1 c a l lb ed d e dm t od e f o ln l ab l e m a t c l l j l l ga 1 1 d “g i dr e g i s 【l a t i o na c c o r d i l l gl o1 1 1 eo b j e c t d e f o r n l a b i em o d e ；sa l s ol l s e di 1 1d e f o r i n a b i e n l a t c h i n g 1 1 1t 1 1 i st h e s j s ，t h ei e l l l p i a t e n l a c h i l l go f “g i dl _ e g i s t r ac i o nj sd i s c u s s e d r h e a l g o “t l m lr e s e a r c ha n ds o n w a r ed e s i g no ff a s t 吼l b p i x e l l ( ) 【a i i o l l a lm a t c l l i n gi sp r e s e nc e d j n1 1 1 i s1 1 1 es j s s e v e l l1 1 l a i l lc r e a t i v ec o n i _ i b l j i i ) 1 1 sa r el i s t e di 1 h i sl e s e a i c h ： t 】1 es c a i es p a c et 1 1 e o i _ yi si n t l ( ) d u c e d 1 1 1 ea 1 1 i s o t r o p i c ( i if h l s i o l lt 1 1 e o r yo fl l o n l i n e a r s c a l e s p a c e i s d e p i c i e d m ( 1 e i a i l i n c ll 1 d i l l 2t h er o m l a i i o na n dt 1 1 e n u m e li c a l i m p l e m e n t a t i o l l an e w1 1 l 1 1 e i i c a l m l p j e l l l e l l l a t i o no ff a c e t n i 【i 1 1 卫a l 窟o r i t l l n l ，i s p r e s e n t e di os o l v et h ep l o b l e l l l ( fs t e pe d 譬e a g e l l e la lc l u s t e r | 1 1 9i 1 1 1 a g es e g n l e l l l a t i o n n a 1 1 1 e w o l ki s p r e s e n t e d b a s e do n1 1 1 e d i s c u s s i o no fc l u s t e “n g i i l l a g es e g n l e n l a t i o na l g o “t 1 1 1 1 1 ，l _ h e “s i m i l a r i t v ” t a k e c o n s i d e l a t i o no fn o to n l yt h ec o 【1 1 1 1 1 0 n i yd i s t a n c ec ( m c e ”【1 1t r a d m o n a lc l l i s t e r i n 豫 a l g o “t h m ，b u ta l s oi h e1 1 e i 业h b o i l l o o dc o l l c e n t t h em a r k o vr a n d o l l ln e l da i g o l j t l l mi s ( c i i s s e d a 1 1 dt | 1 ei j ma l 业o m h mc o l l l b i l l 吼1 w ；t hm r fm o d e l i sd e s c “h “l i ( c o l l e c i “1 eh i a sn e l dm m l m l a 业e j | 1 ed a l a l ”e i c l _ o fm r fc a nb el l a n l e dm 11 1 1 ei r a 1 1 业i j l l a 业es c i 上海爻逝大学学位论史摘业 ah i e r a r c | 1 i c a ld e f or 1 1 1 a b l ec o n i o l i rn a l n e w o r kj s p r e s e n t e d i nt h i st h e s i s t h e c u r v ew a sd e f o m l e d g l o b aj l y ，t 1 1 e 1 1 d e f o r l l l e d l o c a i l yl m d e rt 1 1 i s f r a m e w o r k i n a d d i t i o n ， t h e s p e e d o fc o nc o u l e x t r a c t j o ni sm u c hm o f et 1 1 a nt 1 1 e c o n l m o n d e f o r n l a b l ec o n i o u r a l g o “t l 】1 1 1 t h ei n t e g r a t i o no fd i f k r e n ts e g l l l e l l t a t i o ni e c l m i q u ei sd i s 吼l s s e d t 1 1 eg a m e t h e o r v ；su s e dt od e a lw i t ht 1 1 ec o m p e m i o nb e l w e e nd i f r e i e 1 1 ts e 2 m e l l t a i i o nt e c h n i q l l et 1 1 e c o n c e p to rr e g i o ne n e r g yi sd e n n e dt oc o l 】1 b i n et 1 1 er e g i o n b a s e da 1 1 dg r a d j e n f b a s e d i m a g es e g m e n i a “o ni e c h l l i q u e a h i g h - s p e e dr o t a t i o n a lt e m p l a c e1 1 1 a t c l l ，c o l l c e n i “c w i l l d o wm o m e n ta 1 2 0 r i t h mi s p r e s e n t e dh e r e ，a n d 】1 0r o t a l i o l l a ls u b p i x e i1 1 1 a t c h i n gi sp r e s e n t e d t h e e i g e n v e c t o rs p a c ea p p r o x i l l l a t i o no ff r a c t i o l li a u s d o r f fi su s e dt os p e e du pt h e m a t c l l i n gp r o c e s sa n dan e w ii 叭l s d o r f ff o r m a t j o l l ，s y l l l l l l e cl ? r a c t i o nh a u s d o r f f i s p r e s e n t e d c o m p a r e dw i t ht h et r a d i t i o n a la s y m m e t r i cf i a c t i o nh a u s d o r mh i 曲e r p e i _ f o r m a n c ew i t hl e s st i l l l ec a l lb er e a c l l e dw i l l lt 1 1 es v l l l l n e i i i cil a u s d o r f f k e y w o i d ： i n l a g es e g m e n t a “o n ，n o l l n e a i s c a i es p a c e ，f a r k o vr a d o n lf i e i d ， d e f b r i n a b i em o d e i ，g a m e 1 h e o l 了，r e g i o ne n e l g y ，s u b p i x e i ，r e g i s t r a t i o n 2 t 上海焚逋大学ml 节付论义讹节绪除 第一章绪论 1 1引言 本文围绕着医学图像分割就。些棚关问题展丌h 论。医学图像分割的口的 是将医学图像划分成感兴趣的组织和区域，对医学图像1 0 “i 维晕建、医学图像i ， 器官和组织的配准等方而都有重要的意义，具体表现为： 1 ) 提取器官、病灶或人休内部运动的细节，经i j ：”j 以使医生剥病情的了斛 更加直观。特别是在图像蔓维秉建，医学图像可视化过样i i ，图像分割是不州缺 少的重要一环。图( i 1 ) ( h “p ：，a i m d l lc 1 1 ) 是犬腑白质的m l t 扫描的三维重建图像， 其中图( a ) 为健康人的三维重建图像，而( b ) 为病人的三维重建图像。 2 ) 剥于所提l 仪的i 二i 标进行儿何参数平物理参数的测埽，获得精确的定位，订： 辅助外科于术领域具有广泛n q 应jd “景。如神经放刳学的i | f i i 床研究经常需要列人 体某种组织的休积进行测韪，从而得出神经病理、 f i 绎精神病学及神经心理学力 面的重要信息。在一段时问内多次测量同种与某种疾病桐关组织的体积，可以 得到病情发展的信息或者j | j 作治，f 效果的检测手段。肿痛学的f 临床研究经常用川， 瘤收缩的程度和州问评估治疗效果将肿瘸人小的精确孱化f 1 ；为疗效的测度。此 外，不同模式医学图像之m j 的配准、放化治疗、神经外利二r 术的训划以及图像引 导的手术都要求对腑内细彭i ，包括病态纠织成分的位胃及人小精确定位和计贸。 3 ) 矧像分割的结果町川j f 粜科蚓像t ”和川信息| i j l 训址i j ，进行划图像的爪缩 上海笑通大学叭宁啦论艾舻帝埔【色 存档利传输。因为图像巾的区域、边界的特征的数同远比吲像术身的像素的个数 要少得多。图像分割剥j 二网i ：动态的实叫传输有着重要的意义，列 j 远程治疗的 实现都有着不可替代的作用。 总之，剥1 ：人体t l ，各利组织的1 l ：确分割1 ：仪可以为f 眯纠【织病变提供计算机 辅助诊断依折；，而h 也足i 维咂挑，页引割像i j 视化的j 占删 。刈r i 廷学卜的远程 治疗等有着重要的意义。 4 医学图像通常表现为剥比度较低，自【织特i j l ：的1 j 变性，1 j 刖软组织之问或者 软组织和病灶之问的边界的模糊性，以及形状结构和微身i i 结构( 如m 管，神经) 分布的复杂性等。对于这种情况，没有完全可靠的模型矛指导，因而使得分割技 术的智能化受到了叭碍。虽然已经有了大虽的图像分割算法，并利用各种新的方 法对于医学图像的自动分割进1 r 积极的尝试，但没有种算法能够对于所有的 图像产l 三满意的分割效果，同州也找不到一种特定类型的图像使得所有的算法都 能够得到同样的效果。各种算法往往都是适用于各自特定n 0 领域，基于特定成像 的物理模型，很难确定统一的标准和普遍适j j 的规则。而n 列j 二图像分割的结果 的评估也没有统的标准。因此，i 廷学图像分割可以说是医学周像处理的永恒课 题。医学图像分割，至今仍然足个悬而未决的难题， 1 2 图像分割算法 图像分割就是根据某种均匀+ 泵则( 或致性) 的原则将图像分成若：r 个有 意义的部分使得每一部分都符合这种致性要求，而任意两个相邻区域的合并 都会破坏这利不一致性原则。令，代表一i 隔图像，是定义在一个相邻图像元素 集合上的逻辑属性，图像分割就是将图像，分成n 个不相交的二于集，只，只， 矾，使得下列条件得到满足， ，= u r ， 月，n r = 厅f ， ，( 凡，) = ，l r u e j i ) ( 月，u 尺，) = f a l s e ，西，f ，尺，地。只， 图像的分割在很多情况可以9 偿为图像的像素点的分类情况。图像分割算法 可以分为基于区域的算法以及批_ j ：梯度的算法。 基于区域图像分割技术 常见的基于区域的图像分割力法有闽值分割，区域l 长和聚类分割。 在图像巾，物体和背景的灰度都有一个分撕，而月有时神：扶度直方图巾呈双 峰或者多峰的情况。利_ h ：j 自动捉愀阀俩的披术，就州以将l l 标耵阿景分离。 区域卜k 法也是种传统的吲像分割s 0 浊。m f x ：域乍kr i ，汁先要确定布图 上海爻通大学m 学位论义玳亭绪论 像中找出一系列种予点。通过柴合适的准则将其周邻近像素( 或子区域) 9 f 并，以使区域逐渐生k 扩人。区域：l 长的算法的改进包括合并一分裂以及分裂一 合并的算法，这两种算法会现过度分裂或者过度合并的情况，其分割结果和利， 予点的选择有很大关系。 在大多数情况f ，仪从列象的版度筹别求分割i 剖像足1 i 够的，它们的差别还 表现在图像的灰度派生的他统汁参数t l ，。此，我们i t j 以在原始图像巾的趴 度、纹理以及其他参数e i 司l ：l u i 成的多维特征空问一f l 进行聚类分析。如果特征变| | ： 选择得合适被识别的对象点就会在这个多维特征空州r i 成团簇状分布。例如， 剥人脑m r 图像和c t 肝舭图像进行组织分类等。罔分割方法与聚类分割算法类 似。图分割方法利用局部像素点之间的相似性进行分割。相! w u 和l e a h y i ”3 i 利 用最小化不同子图最大割进行图像分割。在此基础i ：，m a | i k 等【“”“咧等利 用最小化归一化割作为度景，对彩色图像和纹理图像进行分割。 医学图像f 1 j 的很多研究列象，例如人体的器官并没有f 必显的边界，不同组钐i 之间也没有清晰的边界线。在这利一情况下图像的分割就更困难。如临床应用中， 计算机人脑组织分割对象，包括灰质( g m ) 、白质( b m ) 、腑脊液( c s f ) 、大脑皮 层以及背景。在磁共振图像r h 虽然不同的组织干灰度背景表示为不同的灰度等 级，但每种组织的灰度有定分，n ，范m ，这蝗分加般满足g a u s s i a n 分布，而 各类组织的分硇j 函数问棚d 覆盖。这就不能简单的川剥像素狄度值取阈值的方法 列组织进行分类。m a i k o v 随机场方法足7 f ：医学图像分割巾得到广泛使用的方法。 在磁共振图像的成像过程h j 种种原闲，会造成犏场效应。估训最大( e m ) 算法有偏场校m 作r h ，利川多维( j a u s s i a n 概率密度分们表示图像的偏移刘图像 像素初始分类，训算偏移场n 重新分类，反复这过程n 0 迭代算法属于期靼值 最大的( e m ) 算法。用g i b b s 分枷表示的m a r k o v 随机场模型，能够简单地通过 势能形式表示图像像素之削十互关系，从而把图象的先验知谚 和图象分割的数。乎 模型相结合，在复杂的图象分割l i - ，有着j 1 。泛的应j i 。 基于梯度信息的图像分割 基于梯度信息的图像分割，最基本的就是基1 i 边缘提取的方法。通过边缘提 取的方法进行图像分割，包括边缘检测、边缘连接两个幔相独立的阶段l m a ”。 对于边缘检测的研究包括最佳边缘榆测算予阳叫”“、边缘榆测的尺度帅”o 以及 一些其他的研究l “”“”“”。刈j ：边缘连接，叱打北义献i a t l l ”“”： ”“”作了一定的研究。边缘提取方法的困难存r 边缘榆测和边缘连接的过榭 相互独立，因此在边缘检测过私! 巾的错误无法在边缘连接的过程中得到更正。 变形模板阳”7 1 是医学图像分割巾一平巾常用的方法变形模板可以看作是图像 中由一组不同的作用力控制的能罱最小化弹性可变曲线( 曲面) 。变形模板能翳 函数的定义，包括内部能量鬲数。，、图像能最。，干外部能量函数e 。组成。 其r ”内部能量的定义，满足变形模板协i i 滑性要求：图像能景f 吸引变形模板向| l 应的图像特征( 如边缘、角点等) 靠拢；而外部能量是刚，。定义的能量，用来满 足一定的要求。变7 侈模板的求解过程就是在弹l 线变形和运动过程巾寻找晟小 能量，使之逐渐| i _ f | 鍪l 像一q 初始位抖向特钲艟拢。变形榄板仃儿种刁i 同的表示形 式，包把离敞表示、样条线表示、变形轮廓( d e f 0 1 1 1 1 | c j 】l o ) 平f t r j e r 参数 上游父逝大学毗，学似治史第谛捕沧 表示。其中变形轮廓用形状矩阵表示表示图像轮廓，而 ? ( i e r 参数法利用f 叭1 1 i e r 描述予表示图像轮廓。 变形模板可以将图像的先验知谚 和变形模板的建曲：有机的结合在一起。列于 变形模板，其贝ij i | j 圻后验概率可以表示为 洲，= 掣掣 其中，p ( c ) 是变形模板的先验 c 牢。变形模扳理沦，通过能量函数的定义 提供了个描述图像的先验知u 洲架。 其他的分割方法还有基于神经网络的方法有以f 优点，( 1 ) 对于随机噪声有 很强的稳定性：( 2 ) 具有实时响应的特点。其缺点是通常都需要大最的训练时问。 b 1 a n z 和g i s h 吣”o l 采用三层反馈图像进行图像分割，其输入层神经元的数日取 依赖于每个像素的特征数，输h 层的神经元个数等r 分类数；b a b a 鼬i c h i 等m h 刚“” 将图像的直方图作为输入，利用b l ，多层网络进行训练以揪得阈值输出。 g h o s l 一”“”“”“”l 利用大规模连接神经网络剥施加了噪声的g r f 模型图像求 得最大后验概率估汁以提取物体信息。h o p n e l d 神经网络也被川来列商噪声图像 进行图像分割，其中的能量函数适合j i 在噪声图像。| f 提取细小i 夏域。 在利用神经网络图像分割中，有两个t 要的问题，( 1 ) 是神经网络的设计 ( 2 ) 是训练样术的获得。 区域特徊i 和梯度信息相结合的匹配算法 基于区域的方法和基于梯度的方法符有其优缺点，区域法有较好的噪声特性， 不易受模糊边缘的影向，而边缘法有较好的定位特性。而日，边缘法在形状改变 和灰度级分布改变时表现更佳。这样，如果能够将接于边缘的方法和基于边缘的 图像分割方法有效地结合，使得在得到区域分割力。法抗噪声特性的同时，有较好 的轮廓提取和定位功能，p a v l s i ”“”o 提小了一科区域| 三民用i 边缘检测相结合 的方法，在文献 c h u l 9 9 3 】利用边缘信息和图像的区域分割4 f 1 融合的方法进行图像 分割，c 1 1 a k r a b o r t y i 。”“1 y ”叫提丁一利tf o u r i e r 参数表示的变形模板和图像的区 域分割方法朴l 结合的力法。木帮将洋细地探泔如何结合璀j i ：域n 0 方法和梯度的 方法进行图像分割。 对于医学图象的分割，已经作丁人懿的研究。1 ：作，这螳力法都有一定的优点 和缺点。但对r - j ：精鱼l l 复杂的医学图象，要分削j 感兴趣的纠彭5 ，1 e 常困难。因此 把医学图象的先验失1 ： 和图象分割的模型有机结合，对j ：医学图象自动准确的分 割有着重要的意义。 1 3 图像分割技术的评估 作为图像分析的螭术步骤，i 譬l 像分荆披术“倍受关 i ：。们乍今没有种适 上游爻通大学- h ，敞讹i “h i 合1 i 弦i 订像n 勺通川算法，j山l i ，如蝓j t个峡i ：j ，如选择通、0 分 割技术u = l 足个难题需喽反复反艇吱验。此，刈i 擎l 缘分削质 i 1 = 给 1 1个定 | ! j 0 诩i 1 ，是选择分：0 0 ，j 浚卸1 1 i 篮。f l 实阳：l i ，刈l ￥i f 象分：i ，_ l jrji f j “0 f f 0r i 动l i 化f 内p r 价 几下足不- ，j 能的为这f t 臀- 州j 。能q # 亿h 像分： i t ，山决策，从1 1 j 自f 决自，山i ￥l f 象分：i 内刘i 题。h j | j i n l 蚓像分j 州技术l ，j 洲：撕fl 、： f 萼i 像分；刊最k 川n l j 正址i 【l l j 人f f h f 门| f _ ；! 1 9 j 。刈j 。f ，f 【f 喙，4 i i t d 人n 0n t j纠f 以： 霸i 器i f n 0 解削绱十勾的j l 态、1 小平5 _ f | i 川f 廿r f n 较人_ 哑椎的址 h 多类川 织，如脑扶质和h 质之n i j 小斗乏就没仃19 d 分外。此s 竹1 i 州索较多，刈 体缃彭 的分类结粜还足i 解刑争家或仃纶聆的恢小做f i _ ；终认定。般擘家尢h 像于绘1 | j 边缘被认为越真实纠织边外，川九、m f ，像分：l m m 刖0 一h 能。 体懊验证也垃h 像分：i 川女术常川的计仙，j 划：件懒义r r 蹦什体幔和软f f l ：仆 之分。软什体腆址川软仆缘介成的纳粜。休 炎洲i 川l 的h 像衍乜验“新分炎 ；7 涩i f l 0 十j l fj 业。| l ij f 术膜【6 = 2d n ， j 实惭；i 价；f 禾i g i f 象，j j f i 较人i i 此j5 n i 0 分浮：0 法做初步的评估。如川j j i 充饥化饮顺 湖0 琼l j ： 蹙作成n 06 自l 何彤：队的删f | ：体坝 经m r 成像j j i jj | jj ：l 警1 像分：i 刘0 t j ；f | 0 ；| 1 1 0 l 式。近f f ? 1j 抛f | 0 i lj 吡人数j 榍j j 以 醍“f | 0 分 辨珲i 提供人忭全身f 1 0 i | i ij ，：i ￥1 f 象 吐彩f i j f 究拧u 绎j f ：姘i f l jj | jv i i i ) f 1 ：为l 学i 摹i f 象分 ：i 列 法评“o m 0 扫：“l i 。 为了划图像分割辩法进行汁价，九靴fl 驻- i ，利川川| 缘乍成的儿何j 1 = ；? 状像， | ii ：小i i 日j 门必j i f | fj l ：；变， m 4 i j j f 狮分霄0 f | i f “i 父分 0 f j o i l f 州1 1 f 介i j 像分：列n 0 质f 卜 1 4 本文的主要工作和内容安排 小义的究- n t i 址队。1 j ! ：f 觏n ：j 分制汁先刈常川f 1 0 f 象分荆n 0 ，j ；i 进i i 丁探 i q f | | f ij | ，。刈jj t ij ：域! “l | 0 i i f 象分：l i ：| | t ；六，i n ，- j 、i i 、j 沦j j lj m a l k ( 1 、i ；i h 【j 勿 f f ：j 分_ i l 0 j 洲i ；mj x 、jj _ lji 1 f 象版j 迎f 舶馊n 0 力 、，i 、| i j 7 蜒j 1 ； c ! 扳i 引像分：l 纠方；、： j f i 0 沦r 将i 引像n o l k j 或嗣l9 ( ：! ： mjc ! ：i ，介n 0 ，；、影；i 、j 沦j 利j i j i ￥l f 象f 葵 i 她眦进 j ：h 像) t 他的力浊。 m ：f 泔沦丁l | ：线讹j tj c ! ：。卜州邶呛，和m 线，r i ：1 甘办利们数值化力法。刈敏 n ! 【化i ij “：，i i n 00 ，j 题，i i f i ：川1 线f j ：! f ! j ：丁f ；! 拟，j i 。抄0 ij + fr l t i i i i i i i 拟合方 上以 解决数1 _ i ! i 汁竹一门阶梯效胁，j i l l 过典验证| _ _ jj 力浊的f j 设”。还刈r ：线r ：化寸 ，j f d 1 0j 节j l j f l ；r 介? f f i jj 1j | l 。线，r | f e 廿办f 刈j 一心1 t ，豳j ：- l | f 敦f | | 懈j l 振i 萼l 像i _ ! j j 7 r j 种曲 干j f 分：i 圳。 第i 啦阿九刈儿种此j 门聚炎分：刊，j 江也折k 均f 1 ，j 、腆削 ( j 勺f | ! 【疗法心 l 埂进进i j ：j 汁细f i ，j h 沦胪哎腿，”沦j f 象分割，j 浊的j j j l 川聚类模7 i ! 。然j f j l i j 沦rj 南jm 川1 k o 、，i 自“lj 历n 0 i ￥i f 象分：i 纠l ；f ： 、j 朴r r 髟l 总撕i f i j 将 父。、 i ￥l 像一| f f 门i l 验知lu l n lm 叫k ( n - l ：；i c ij j 【j 乃乃 ：i 引f 象分期j l z ；六n i i i 介，刈r 埘i ”u 利j i 引像f 1 0 先骗j ：1 1 u f l ：f l 定m a r k 0 、ti 施机j 勿的参数抛 了i i l 的厅 上，f ! j 刊雌魑j 分割效粜。磁j 0 振 j 戍像过袱t ir 垧场效j 越| q 饺i i j 也址磁jl 振h 像分削r l 一个璎的课题。最人竹 ( e m ) 疗f 上越们场按i i ，们什f j 效的山i 、小j 阿j k 介f f r 域人竹“方f 、， 然 i 吐 肼“；，j 场n 1 、i - “1 r l 约d ，：i 暂m a lk ( i 自 j l 场d ；、4 ij i ：j 、i 1 i i f ，j ；j ：j 1 f ? i 。i 合，l 肝m 象的测试图剃实际的人腑臌j ；像小j = ! l ! ij 。丈验，汁l i j jr _ 人仆方浊纠 i i ：偏场| 0 “效讹。本文f i _ _ | | i q 也川，if 。m k w | l ( 帆场分：1 1 j 数；! f m 也 m l l k ( i ；j j l j 历分：f 州f 门f j c 化羽i i 堑敛nd i 堡， 上游爻通大学毗学位论义扩帝绢沦 笫四章讨论了基于图像的梯度信息进行分割的图像分割算法。主要讨论了变 形模板在图像分割中的应用。列变形模板的几种主要形式进行了研究和分析，包 括变形模扳的离散表示、变形轮廓和f o u r i e r 参数法。本文苘先讨论了变形模板 的能量定义，包括图像的内部能量、图像能最和外部能量的定义和作用，然后对 几种常见的能量优化方法，如变分法、贪婪算法和动态规划泱进i i 了总结。接着， 讨论了变形模板的初始化，特别的以变形轮廓为例讨论了变形横板的训练。最后， 本文提出了一种会字塔框架f 的，燕彤轮廓方法，实验：1 9jj 力亍= ：的有效性。 第五章讨论了不同分割方法的集成，特别是摧于区域的分割方法和基于边 缘分割方法的集成。利用博弈理论将图像的区域分割方法和梯度分割方法的结 合，并且提出了一利- 区域能量变形模板方法，j b 来将图像的区域分割结果与图像 变形模板方法相结合。利用不同的分割技术在人i l i 成图像卜进行比较，通过实 验证明了方法的有效性。 第六章讨论了利用模板匹配进行罔像配准。剥模板匹配算法进行了改进和实 验。1 ) 讨论了基于灰度信息匹配的方法，并提 j 了一种同心侧商i j j 甜j 方法的快速 旋转匹配方法，并与基于边缘信息f l j1 l a u s d o l f f 分数力法进行【e 较。2 ) 讨论并实 现了亚像元旋转匹配方法，并利用实验得到了l l o 的业像冗旋转匹配精度。3 ) 讨 论了基于边缘匹配方法，以及利用了窀州近似的方法船 火i i a u s d o r f f 分数匹配。 在此基础上，提出了一种对称i i ol l s d o l _ f f 分数。与：怍剥称h 叭l s d o i r f 分数方法比较， 对称h o u s d o r f f 分数更有利于进彳亍子空川近似，可以在较短n 知e 配州州内得到更 商的精度。剥1 二l f 像元精度的怏述旋转u t 配进行丁算法设、软f ，| = 设汁以及在硬 件j f 台上的移植，取得了良好的效果。 煺卒1 l i jj 堆论 第二章尺度空间理论 人l 恨在观察景物时总是从粗到细，首先在粗糙的尺度k 获得景物的大概轮廓， 然后逐步细化。尺度空间理论的主要思想是通过刘原始图像进行尺度变换，获 图像多尺度下尺度空问表示序列，从粗到细进行主轮廓的提取。 图象的尺度空削理论，在图像理解的各个领域中，都有着重要的应用l ”9 ”】。 w i t k i n l w i f “m ”j 和k o e n d e r i n “。“”4 1 给出了尺度空间的概念，在这基础上，尺度 空间的理论得到了不断的发展。 尺度空间可以通过传导方程得到“”，尺度图象的获得可以通过把原始图 象，。r x ，y ，和g a u s s i a l l 基函数g f x ，y ，f ，卷积得到。传统的尺度空间理论指出，j t 度空间应满足两个方面的性质，一是因果性；二是均匀性和对称性l k o ”“”。而 且g u