论文部分内容阅读
图像分割是计算机视觉领域举足轻重的组成部分，其目的就是将感兴趣对象提取出来，它是图像目标检测、识别以及跟踪的不可或缺的基础。而医学图像分割是将医学图像中的特定器官或者病变区域提取出来，是机器自动进行图像识别和场景分析、图像理解的一个关键步骤，所以医学图像分割结果为患者病情的诊断和治疗提供至关重要的参考依据。可是因为影像设备的问题与人体组织结构的复杂性，常常导致医学图像存在严重的边界模糊和灰度不均匀的现象，从而让医学图像分割变得更为复杂。因而，医学图像的分割算法研究是当今图像分割领域的热点问题之一。 本文着重研究了基于水平集的医学图像分割方法，其主要内容包括:(1)简介研究目的和意义，以及当前国内外基于水平集图像分割方法的研究现状和发展趋势;(2)介绍曲线演化理论，水平集方法，以及存在的变分水平集方法。(3)对本文所涉及到的基于边缘检测和基于区域的水平集分割方法的经典水平集模型进行推导与分析，并比较其优缺点;(4)介绍了传统的距离正则化水平集方法，在此基础上，本文提出了一种改进的变分水平集医学图像分割方法。该模型通过在能量泛函中加入区域统计信息进而提高了本文模型的鲁棒性，并利用距离正则项来惩罚水平集函数和符号距离函数之间的偏差。另外，本文模型采用的数值实现方案能允许使用较大的时间步长，进而有效地减少了迭代次数和计算时间。 通过合成图像、自然图像和医学图像对提出的改进分割方法进行了性能分析和评价，实验结果表明提出的基于改进的变分水平集图像分割方法能有效地处理复杂的医学图像。与传统的距离正则化水平集方法相比，提出的分割方法能有效分割具有内外边界的感兴趣目标，并且对医学图像的弱边界区域有更好的分割结果，具备更强的抗噪效果。利用提出的能量泛函进行曲线演化，能够明显减少轮廓曲线演化的迭代次数，因此本文方法具有更高的分割效率。