论文部分内容阅读
传统的图像分割方法有许多缺陷,很难满足复杂的医学图像分割的要求。主动轮廓模型通过参数化的活动轮廓线,在由先验模型和图像数据构成的能量函数的驱动下变形,直到抵达区域的边界,在医学图像处理中应用比较广泛。主动轮廓模型中的GVF变形模型解决了变形模型难以收敛进边界深凹口处的缺陷,增大了变形模型的吸引范围,进一步改善了分割效果。 本文对GVF模型进一步研究,开展了以下三个方面的工作: (1) 为了使GVF模型对于噪声更具有鲁棒性,本文对GVF方法进行一项改进。通过计算得到原始图像的多个尺度的边缘映射,这就是多尺度的GVF(MSGVF)。尺度的选取根据上一次模型演变的幅度计算得到。当模型曲线距离感兴趣边缘较远时,选取较大的尺度,以增大吸引范围;当模型已经逼近图像边缘,选用较小的尺度,以使收敛更准确。实验表明,本文提出的MSGVF是比传统GVF更高效、准确的分割方法。 (2) 本文应用B样条曲线进行边缘表达。因为B样条模型的连续性是隐式的,因此不需要设置弹性和刚性系数。根据B样条的局部控制的特点,本文给出了一个实现B-Snake与MSGVF相结合的高效的算法,得到了较好的分割效果。 (3) 通过Canny算子边缘检测的方法,首先粗略地确定感兴趣的图像边界,得到相应的容易处理的二值图像,然后在获得的边界上选取初始控制点,简化了变形模型的初始化,并得到较好的初始化结果。 归纳所作工作,本文的创新点如下: (1) 提出了一种改善传统GVF模型的MSGVF方法。在这种MSGVF方法中,边缘映射尺度的选取根据上一次曲线演变的幅度计算得到。 (2) 将B样条理论应用到GVF变形模型中。 (3) 给出了实现MSGVF与B样条相结合进行图像分割的算法。 (4) 提出了一种基于边缘检测的模型初始化方法,模型的初始控制点由Canny边缘检测结果自动生成。