医学图像的分割,就是将感兴趣区从背景中分割开来,或将不同的感兴趣区互不交迭地区分开来。图像分割是其他医学图像处理与模式识别问题,如特征量化、特征配准、三维重建等的前处理技术,并可以为临床诊断和辅助治疗提供有力的支持。尤其是,对心肺脏器的序列图像来说,分割是其运动估计的主要技术之一,因此对感兴趣区的分割研究具重要价值,也是国内外学者的研究热点问题。 本文深入讨论了基于模糊集和基于马尔可夫场的分割算法,这是分割中的两大主流算法。对于基于模糊集的算法,主要讨论模糊集在图像处理应用中的有关问题,如隶属度的选择、去模糊化方法以及模糊贝叶斯决策等。而对于模糊集的三大框架定理只涉及到分解定理,因为模糊集依赖分解定理与普通集联系起来。模糊集的核心是打破常规思维中的非此即彼的逻辑,即排中律,引入模糊逻辑。当做决策时,一旦做出错误的决策,算法很难从相反的方向走到正确的方向上,这就是经典的二值逻辑。所以,初始决策时,不必作出确定的回答,而是以不同程度作出多种决策,在算法迭代中逐步修正,最终作出正确的决策,这是个渐变的过程,是一个从量变到质变的过程。作者认为,这是模糊集方法的核心指导思想。 基于马尔可夫场的图像分割算法一直以来备受人们的青睐,马尔可夫场因其能有效的刻划图像的空间相关性,又因为理论与性质完善,所以在图像处理中广泛应用,特别是图像分割。图像具有空间上高度相关的性质,很多的分割算法都试图将图像的空间信息引入到图像分割算法中,也取得了很好的效果。但是,马尔可夫随机场的联合分布,即Gibbs分布本身就是利用空间信息建立起来的,它描述图像的空间信息更直接、有效。从1984年Geman S开创性的利用马尔可夫场到图像分割以来,每年都有一些基于马尔可夫场的分割算法涌现出