论文部分内容阅读
图像分割在图像学中是比较底层的技术,它为计算机视觉研究、深层次的图像分析打下基础。近年来,随着医疗领域的不断扩大和发展,各种各样的医疗设备也不断的出现,这为临床医学提供了大量的影像数据,很多学者将计算机视觉和临床医学结合在一起,利用图像分割工具来辅助医生定量分析医学影像,从而进行诊断和拟定完善诊断方案。其中大脑作为人体最主要的核心器官,很多精神疾病心理疾病(精神呆滞、老年痴呆、多动症及妄想症等等)都和大脑内一些组织结构息息相关,因此,研发出一种能够快速准确的提取这些组织结构的工具和技术显得刻不容缓。在过去的几十年里,图割优化技术因其易扩展,速度快,而受到广大研究者的欢迎,将其应用于图像分割领域。由于脑部MRI具有组织结构的复杂性,各组织之间的灰度的对比度不大,灰度分布也不匀等特殊性,应用传统的图割算法进行分割可能出现边界萎缩及局部最优的情况,因此为了达到更好的分割脑部组织结构的目的,本文深入研究了图割理论,在传统图割算法的基础之上做出了一些改进。为了克服原始图割算法在操作者选择较少像素种子点的情况下,目标边缘很容易发生错误分割这一现象,本文提出了基于k-means和图割(Graph Cut GC)算法相结合的KMGC算法,对脑部核磁共振成像(Brain Nuclear Magnetic Resonance Imaging MRI)进行交互式操作,该算法通过k-means聚类,对脑部MR图像的灰度分布不均匀作了处理,在此基础上,再使用图割算法进一步对脑部MR图像进行细化,从而达到有效地分割脑白质和脑灰质的目的。本文不仅对脑白质和脑灰质进行分割,还对脑灰质中深层核团-尾状核组织进行了分割,但由于尾状核在灰质中对比度很低,边界模糊等特点,要想把它们从灰质中分割出来,仅利用图像灰度信息是不够的,因此本文提出了基于自适应模糊连接度和graph cut相结合的方法(adaptive fuzzy connectedness combined with graph cut AFCGC)对尾状核进行分割,并分别对本文第三章和第四章的算法和其他对比算法进行了定性和定量分析,验证了本文算法在分割结果优于其他算法。本文所做的主要研究工作如下:1)对MR图像的分割方法及对其评价方法进行了总结。2)对图割技术进行了研究,并指出传统图割算法的不足及改进方法。3)提出并验证了KMGC算法对大脑灰质和白质的有效分割。4)提出并验证了AFCGC算法对尾状核分割的有效性。