论文部分内容阅读
图像分割是将图像中具有特殊意义的不同区域分离开来，并使这些区域互不相交，且每个区域应满足特定区域的一致性条件。医学图像分割是图像分割中不可或缺的一部分。颅内肿瘤(Intracranial Tumor)图像分割是医学图像分割的重要组成部分，对帮助医生测量肿瘤的各个参数，进而分析和定量评估颅内肿瘤状态和生长变化过程，评价治疗的效果有重要意义。在医学成像过程中，由于噪音、场偏移效应、局部体效应等的影响，获取的颅内肿瘤图像常表现为对比度低、组织特征的可变性、不同软组织之间或软组织与病灶之间边界的模糊性、以及形状结构和微细结构(血管、神经)分布的复杂性等特点，这都给颅内肿瘤图像的有效分割带来很大的难度。本文基于加权聚类算法(Segmentation By Weighted Ag-gregation Algorithm，SWA)对颅内肿瘤分割进行研究，首先研究SWA和它的原型算法归一化割(Normalized Cut，Ncut)方法，然后在现有SWA的基础之上提出两种改进算法。本论文主要工作及创新点为：（1）验证Ncut算法中参数选择的重要性。深入了解图谱理论和基于图论的归一化割算法，通过实验验证Ncut算法中参数K以及权值矩阵W构建过程中σ I,σ X选择的重要性。（2）基于小波变换的SWA颅内肿瘤分割算法。该方法引入小波变换，对高频分量进行非线性的图像轮廓补偿增强高频部分；对低频分量使用多方向的加权聚类进行分割。首先，为了增强选择种子点的有效性，改进原来种子点选择方法。其次，当得到最佳分割结果后立即终止分割（而非等到图像聚类为一个像素才结束）。最后，利用种子点区域增长算法提取出最佳分割结果的颅内肿瘤图像，并与增强后的高频细节进行两次小波逆变换，得到最终的分割结果。大量实验对比表明，本文的方法分割的精确度较好和分割效率更高。（3）基于分水岭的SWA颅内肿瘤分割算法。SWA算法最耗时的地方集中在金字塔的最底部初始化阶段，因为在最底部的节点与像素是一一对应的。为了改进SWA的效率，引入分水岭方法代替SWA方法来完成最开始的构图过程。先利用分水岭算法对图像进行预分割，图像就形成了分块，再用SWA方法构造金字塔的粗糙层。实验证明，对于颅内肿瘤图像分割，本文提出的基于分水岭的SWA算法能有效改进SWA算法的构图过程，减少初始化阶段的运行时间，提高算法时间效率。