论文部分内容阅读
图像分割(Image Segmentation)就是利用人工或者计算机辅助的方式,提取出图像中感兴趣区域(Region of Interest,ROI)的技术和过程。图像分割是对图像进行分析的重要步骤,其结果也有助于医生在临床上判断和分析病情。核磁共振成像(Magnetic Resonance Imaging,MRI)因具有无电离辐射损伤、高度的软组织分辨力、多参数及任意方位成像等优势,成为当前临床上检测病理组织最主要的手段之一,但由于MR脑图像普遍存在噪声、伪影以及灰度不均匀(Intensity Inhomogeneity)等现象,对MR脑图像进行准确的分割是一项十分艰难的任务。针对MR脑图像普遍存在噪声和灰度不均匀的情况,本文先对图像进行去噪处理,并尽可能保留图像的边缘及细节信息,再利用图像的灰度信息完成对MR脑图像的分割。全文主要工作如下:1)分析了中值滤波(Median Filtering)、高斯滤波(Gaussian Filtering)和各向异性扩散滤波(Anisotropic Diffusion Filtering)的原理和特点,并用峰值信噪比(Peak Signal to Noise Ratio,PSNR)的指标对这三种滤波技术在MR脑图像的滤波中进行评价和对比,得出后者在滤除噪声和保留边缘方面的效果最好,而MR脑图像普遍存在噪声,并且边缘细节丰富,因此选取各向异性扩散作为本文对MR脑图像滤波的技术。接着分析发现各向异性扩散滤波算法难以滤除孤立噪声点,因此在原算法的扩散算子中引入一种边缘检测算子,最后用原有算法和改进算法对MR脑图像进行滤波实验,实验结果和Jaccard指标均验证了本文算法在保留原算法优点的基础上,解决了原算法难以滤除孤立噪声点的问题;2)介绍了水平集方法(Level Set Method)的理论基础,详尽地分析了C-V(Chan-Vese)模型、局部二值拟合(Local Binary Fitting,LBF)模型以及唐利明模型中的能量惩罚项(Energy Penalizing Term):C-V模型只考虑了演化曲线外部和内部的全局灰度信息,在分割灰度比较均匀的图像时效果比较理想,但在分割灰度不均匀现象比较严重的图像时容易产生错误,LBF只考虑了位于演化曲线附近的局部灰度信息,在分割灰度不均匀现象比较严重的图像上有优势,但容易陷入局部极小值,唐利明模型无需重新初始化水平集函数,计算复杂度较低,但也难以分割部分MR脑图像。最后分别给出这几种模型在MR脑图像分割中的Jaccard得分;3)针对唐模型无法正确分割部分MR脑图像的问题,提出一种融合全局和局部灰度信息的活动轮廓模型(Active Contour Model),该模型结合了C-V模型、LBF模型和唐模型各自的优点,分别利用图像的全局灰度信息、局部灰度信息和水平集函数的信息构建全局能量项、局部能量项和惩罚能量项,并加入自适应系数不断调节曲线演化过程中全局能量项和局部能量项的比例,引导曲线准确停留在目标边缘。最后用本文模型分割MR脑图像,并与唐模型进行比较,Jaccard得分结果说明在对MR脑图像的分割质量上,本文模型比唐模型的效果更好。