医学图像分割方法

.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。阈值法分割简单阈值分割（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（1.1）的分割结果。（0.1,0.3,0.5,0.7,0.9）。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。otsu阈值分割法Otsu遍历(80T(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)，(即目标)和背景的分割阈值记作T点数占整幅图像的比例记为其平均灰度类间方差记为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)..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)将式(5)代入式(6),得到等价公式:g=ω0ω1(μ0-μ1)^2 (7)这就是类间方差找出使得g(类方差)的值到达最大的T(1.3otsu1.1图1.3使用ostu阈值分割得到的结果..区域生长方法分割区域生长方法是从被分割对象的种子区域（通常是一个或者多个像素点）开（通常是灰度值域不再扩大。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。1、选取图像中的一点（或者一组点）为种子点（种子点的选取需要具体情况具体分析）。2、在种子点处进84对值小于某个门限T，则将该像素包括进种子像素所在的区域。3、当不再有像素满足加入这个区域的准则时，区域生长停止。经典区域生长算法im2bw4上述过程知道种子点数目不再变化为止。实验仍然使用图1.1的脑部图像为样本。选取两组种子点和两个不同的生长条件。实验结果如下：..表2-1使用经典区域生长算法使用的参数种子点生长准则

4邻域的像素点和种子点4邻域的像素点和种子点绝对值小于10 绝对值小于15使用otsu得到的种子点 图2-1从左到右从上到下图2-1从左到右从上到下第一幅图 第二幅图设置像素值大于200为种图2-1从左到右从上到下图2-1从左到右从上到子点 第三幅图 第四幅图设置像素大于220的为种图2-1从左到右从上到下图2-1从左到右从上到子点 第五幅图 第六幅图图2-1经典区域生长算法的实验结果从实验结果上来看，对经典的区域生长算法的分割结果影响较大的因素有种..所以空间和实践的开销很大！连接门限阈值处理2-2：表2-2连接门限阈值分割才去的参数种子位置下门限上门限输出图像（107,69）1802102-2（60,116）1501802-2（81,112）2102502-3..原始脑部头像 （2）（3） （4）图2-2使用连接门限阈值处理得到的分割结果是不完整的。置信连接法分割图像：选定种子点感兴趣的区域。感兴趣的区域不再扩大，结束以一次迭代。..2.直到感兴趣的区域不再扩大为止。可以用一个公式来阐述感兴趣的区域：I(X)∈[m-f*σ，m+f*σ]m，σ是像素的标准差，ff2.5(2-3：原始脑部头像 (2)使用（107,69）种子点的分割结果..(3)使用（60,116）种子点的分割结果(4)使用（81,112）种子点的分割结果图2-3使用置信连接法分割图像的结果f..分水岭算法分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一水岭。会出现过度分割的现象。需要注意的是：实验中，并不是直接对原始的灰度图像应用分水岭算法，而是使用梯度图作为输入图像。使用分水岭算法进行图像分割的典型流程如下：：计算原始图像的梯度。：计算前景标记（这些是每个对象部连接的像素）：计算背景标记（这些不属于任何对象的像素）：对原始的梯度图想进行修改，将前景标记和背景标记设置成局部极小值：对修改后的梯度图像使用分水岭分割实验结果如下图3-1所示：..（1）原始脑部头像 （2）使用标记分水岭算法分割后的图图3-1使用标记分水岭算法对脑部头像进行分割的结果watershedimextendedmin3-2（1）互相粘连的细胞图 （2）分水岭算法过度分割..（3）去除掉部分极小区域后，使用分水岭算法的结果3-2..聚类分割算法以上的几种算法都是需要首先对图像进行观测，缺乏严格的数学衡量。因此，（来衡量，当两个样本的距离较小时认为两者划分为同一类，反之则为不同的类。k-means聚类分割算法K-means算法是最为经典的基于划分的聚类算法，它的原理也较为简单。算法的描述如下：kik本归到距离最短的中心所在的类；利用均值等方法更新该类的中心值；k（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。算法示意图如图4-1所示：..图4-1k-means聚类过程（两个“x”代表中心点的变化情况）k-meansk-means定义和关于初始中心的选择。对于灰度图像而言，强调像素之间的欧氏距离和几何距离毫无意义，所以对k-meansk-meansI（M*N）转化为一个（M*N,1）的列数组X。然后把像素之间的“距离”定义为它们的像素的亮度（每隔一定的像素选择一个作为中心k-meansk4-1，分割结果如下图4-2：..表4-1k-means聚类