论文部分内容阅读
医学图像分割是从医学图像中提取特殊组织信息的一个非常重要的步骤。目前,图像分割的方法颇多,但是因为医学图像本身具有灰度不均匀性、成像设备易产生噪声干扰以及人体的解剖结构的复杂性,所以,一般的图像分割方法对于医学图像的处理效果并不是太理想。本文在分析介绍经典的基于主动轮廓模型的分割算法基础上,针对目前较新的RSF(Region-Scalable Fitting)模型存在的问题,提出两种改进算法。1、提出一种改进RSF主动轮廓模型的医学图像分割算法(Modified Region-Scalable Fitting,MRSF)。RSF模型是一种基于图像梯度信息的主动轮廓模型,没有利用图像的全局信息,且没有采取任何提高分割速度的措施,因此,分割某些医学图像时,有时会存在欠分割、轮廓收敛速度慢等问题。为了解决RSF模型的缺陷,MRSF模型首先利用K均值对医学图像进行全局处理,然后用一个新的核函数代替高斯函数。在新的核函数基础上,重新建立能量泛函,并将一个内部能量项作为罚函数项引入到水平集模型中。实验表明,MRSF模型无论在分割精度上还是分割速度上都优于传统的分割模型。2、提出一种基于改进K均值的RSF主动轮廓(Region-Scalable Fitting based on Modified K-means,MKRSF)模型。MRSF 模型将 K 均值作为预处理步骤,而该模型的分割结果很大程度上依赖于K均值处理的结果,K均值又受噪声干扰比较严重。因此,为了减少分割结果对全局处理的依赖性,以及增强模型抗噪声干扰的能力,MKRSF把考虑像素空间位置信息的改进的K均值方法内蕴在能量泛函中,并将其作为总的能量泛函的全局项;为了提高分割速度,将改进核函数的RSF模型的能量泛函作为总的能量泛函的局部项;将曲线的长度项和定义的惩罚项作为总的能量泛函的约束项;在参数的调节下,各个项共同作用,促使曲线收敛到待分割目标的周围。实验表明,MKRSF模型具有与MRSF模型相当的分割精度和分割速度,而且具有较强的抗噪声干扰的能力。