發(fā)布時間：2018-04-29 16:15

  本文選題：醫(yī)學(xué)圖像分割 + 水平集�。� 參考：《揚(yáng)州大學(xué)》2017年碩士論文

【摘要】：圖像分割是我們圖像處理的關(guān)鍵,是圖像處理技術(shù)中的底層技術(shù),經(jīng)過這幾十年的發(fā)展,在實(shí)際生活工作中,圖像分割已經(jīng)得到了廣泛的應(yīng)用。隨著醫(yī)學(xué)影像學(xué)的發(fā)展,醫(yī)學(xué)圖像分割也成為了圖像分割研究的熱點(diǎn)和難點(diǎn)。由于醫(yī)學(xué)圖像具有復(fù)雜多樣性,容易受各種外在和內(nèi)在因素的干擾產(chǎn)生,分割圖會出現(xiàn)噪聲、灰度不均、弱邊緣、多目標(biāo)等等,經(jīng)常需要采用多種方法綜合起來對圖像進(jìn)行分割,才能將圖像的所有信息充分分割出來。水平集方法(LSM)憑借其算法獨(dú)特的優(yōu)勢,近年來已成為圖像分割領(lǐng)域關(guān)注的焦點(diǎn),并得到了快速的發(fā)展和應(yīng)用。但是,水平集分割方法對處理復(fù)雜情況下的圖像也會存在一些問題,比如計算量大、魯棒性、穩(wěn)定性等,因此開展水平集方法的醫(yī)學(xué)圖像分割研究具有很高的應(yīng)用價值和重要的現(xiàn)實(shí)意義。在借鑒諸多文獻(xiàn)的基礎(chǔ)上,本文進(jìn)行了基于改進(jìn)型水平集的醫(yī)學(xué)圖像分割研究,并提出了幾種改進(jìn)方法:基于抑制式聚類算法的改進(jìn)型雙水平集圖像分割算法、基于偏移場和改進(jìn)型水平集的圖像分割算法等,編寫設(shè)計了智能圖像處理系統(tǒng)。主要研究內(nèi)容和創(chuàng)新點(diǎn)包括:1、闡述了醫(yī)學(xué)圖像分割技術(shù)研究的背景和意義,給出了醫(yī)學(xué)圖像分割技術(shù)的數(shù)學(xué)描述,介紹了醫(yī)學(xué)圖像分割技術(shù)研究的現(xiàn)狀,同時也討論了醫(yī)學(xué)圖像分割技術(shù)的發(fā)展和難點(diǎn)。文中用數(shù)學(xué)方式描述了水平集的基本模型和常見模型。2、醫(yī)學(xué)圖像中經(jīng)常出現(xiàn)噪聲、多目標(biāo)現(xiàn)象,為了能夠同時分割多相圖像,并對圖像噪聲干擾具有抑制能力,本文提出基于聚類算法的改進(jìn)型雙水平集模型,首先通過抑制式模糊聚類算法(SRFCM)“抑制式競爭”思想提高算法的收斂速度,然后采用增加能量懲罰項的方式改進(jìn)雙水平集醫(yī)學(xué)圖像分割模型(DCV)分割多目標(biāo)。3、針對醫(yī)學(xué)圖像灰度不均,存在偏移場的問題,本文提出基于區(qū)域的偏移場耦合模型,通過添加區(qū)域信息的方式,將全局分割方法和Split-Bregman方法結(jié)合起來。采用N個水平集劃分2N個區(qū)域變分多相水平集方法,在函數(shù)中增加能量懲罰項使水平集避免重新初始化,降低分割算法的計算和時間復(fù)雜度。4、編寫設(shè)計了圖像處理智能分割系統(tǒng)V1.0、醫(yī)學(xué)圖像處理分割系統(tǒng)V1.0,采用用戶引導(dǎo)式、指示型流程,開源性設(shè)計方案,程序員可以在MATLAB軟件環(huán)境Editor中進(jìn)行算法編譯和函數(shù)回調(diào),根據(jù)實(shí)際使用的情況和用戶的反饋,進(jìn)一步改良分割算法和完善用戶界面(GUI)。
[Abstract]:Image segmentation is the key of image processing and the bottom technology of image processing. After decades of development, image segmentation has been widely used in real life. With the development of medical imaging, medical image segmentation has become the focus and difficulty of image segmentation. Because of the complexity and diversity of medical image, it is easy to be interfered by various external and internal factors, and the segmentation image will appear noise, uneven grayscale, weak edge, multi-target and so on. In order to segment all the information of an image, it is often necessary to use a variety of methods to segment the image. Level set method (LSM) has become the focus in the field of image segmentation due to its unique advantages in recent years, and has been rapidly developed and applied. However, the level set segmentation method also has some problems in processing images in complex situations, such as large computational complexity, robustness, stability, and so on. Therefore, the research of medical image segmentation based on level set method has high application value and important practical significance. On the basis of many references, this paper studies the medical image segmentation based on the improved level set, and puts forward several improved methods: the improved two-level set image segmentation algorithm based on the suppression clustering algorithm. An intelligent image processing system is designed based on offset field and improved level set image segmentation algorithm. The main research contents and innovations include: 1, the background and significance of medical image segmentation technology are expounded, the mathematical description of medical image segmentation technology is given, and the present situation of medical image segmentation technology is introduced. At the same time, the development and difficulties of medical image segmentation technology are also discussed. In this paper, the basic model and common model. 2 of the level set are described mathematically. In order to segment the polyphase image simultaneously and suppress the noise interference, there is often noise and multi-target phenomenon in the medical image. In this paper, an improved bi-level set model based on clustering algorithm is proposed. Firstly, the convergence speed of the algorithm is improved by the idea of "suppressive competition" of the suppressed fuzzy clustering algorithm (SRFCM). Secondly, the bi-level set medical image segmentation model (DCV) is improved by adding energy penalty term. Aiming at the problem of uneven grayscale and migration field of medical image, a area-based migration field coupling model is proposed in this paper. The global segmentation method and the Split-Bregman method are combined by adding the region information. By using the method of dividing N level sets into 2N regions, the energy penalty term is added to the function to avoid the reinitialization of the level set. Reduce the computation and time complexity of segmentation algorithm. 4. Design the image processing intelligent segmentation system V1.0, medical image processing segmentation system V1.0, using user-led, indicative flow, open source design scheme, The programmer can compile algorithm and callback function in MATLAB software environment Editor, according to the actual use and user feedback, further improve the segmentation algorithm and improve the user interface.
【學(xué)位授予單位】：揚(yáng)州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邱明,張二虎;醫(yī)學(xué)圖像分割方法[J];計算機(jī)工程與設(shè)計;2005年06期

2 翁璇;鄭小林;姜海;;醫(yī)學(xué)圖像分割技術(shù)研究進(jìn)展[J];醫(yī)療衛(wèi)生裝備;2007年01期

3 孔曉榮;史延新;孔祥斌;;醫(yī)學(xué)圖像分割處理技術(shù)的應(yīng)用[J];蘭州大學(xué)學(xué)報(自然科學(xué)版);2009年S1期

4 張貴英;張先杰;;醫(yī)學(xué)圖像分割技術(shù)研究[J];醫(yī)學(xué)信息(上旬刊);2011年01期

5 林麗秋;陳亮亮;;醫(yī)學(xué)圖像分割研究概況[J];科技信息;2011年21期

6 朱文婕;;圖像分割技術(shù)在醫(yī)學(xué)圖像分割中的應(yīng)用[J];安徽科技學(xué)院學(xué)報;2011年03期

7 熱孜萬古麗·夏米西丁;;醫(yī)學(xué)圖像分割算法分類及特點(diǎn)[J];科技信息;2013年03期

8 黃文博;燕楊;王云吉;;醫(yī)學(xué)圖像分割方法綜述[J];長春師范學(xué)院學(xué)報;2013年04期

9 聶斌;醫(yī)學(xué)圖像分割技術(shù)及其進(jìn)展[J];泰山醫(yī)學(xué)院學(xué)報;2002年04期

10 林瑤;田捷;;醫(yī)學(xué)圖像分割方法綜述[J];模式識別與人工智能;2002年02期

相關(guān)會議論文 前9條

1 安溪娟;郭磊;苗東博;;基于支持向量機(jī)的醫(yī)學(xué)圖像分割的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會第三十一屆學(xué)術(shù)年會論文集[C];2011年

2 趙亮;李熙瑩;劉嘉昭;趙福利;;基于聚類神經(jīng)網(wǎng)絡(luò)算法的醫(yī)學(xué)圖像分割[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

3 王鑫;羅斌;周偉華;;基于歸一化割的醫(yī)學(xué)圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

4 韓忠玲;韓忠明;汲偉明;姚萌;;基于模擬退火遺傳算法的醫(yī)學(xué)圖像偏移場校正[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

5 張永;馬華;賈桂霞;;基于粗糙集屬性約減的醫(yī)學(xué)圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

6 盛朗;朱清;陳進(jìn);居小平;;融合全局和局部圖像信息的水平集醫(yī)學(xué)圖像分割方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

7 王高峰;黎杰;漆云翔;;膀胱CT圖像的自動動分割[A];中華醫(yī)學(xué)會放射腫瘤治療學(xué)分會六屆二次暨中國抗癌協(xié)會腫瘤放療專業(yè)委員會二屆二次學(xué)術(shù)會議論文集[C];2009年

8 盧坤虎;李志勇;;基于CT圖像的三維有限元模型構(gòu)建[A];第十屆全國生物力學(xué)學(xué)術(shù)會議暨第十二屆全國生物流變學(xué)學(xué)術(shù)會議論文摘要匯編[C];2012年

9 婁武濤;侯寅;馬川;劉奇;;基于標(biāo)記的肝臟CT圖像智能提取[A];中國計算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計算機(jī)圖形學(xué)大會論文集[C];2008年

相關(guān)博士學(xué)位論文 前8條

1 肖陽;基于圖的醫(yī)學(xué)圖像分割方法研究[D];南方醫(yī)科大學(xué);2017年

2 郝家勝;基于幾何流的醫(yī)學(xué)圖像分割方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2008年

3 謝從華;基于密度模型的醫(yī)學(xué)圖像分割方法研究[D];江蘇大學(xué);2011年

4 張小峰;基于模糊聚類算法的醫(yī)學(xué)圖像分割技術(shù)研究[D];山東大學(xué);2014年

5 孟t-;基于活動輪廓模型的醫(yī)學(xué)圖像分割關(guān)鍵技術(shù)研究[D];東北大學(xué);2010年

6 鄭倩;醫(yī)學(xué)圖像分割方法研究及其應(yīng)用[D];南方醫(yī)科大學(xué);2014年

7 郭艷蓉;醫(yī)學(xué)圖像分割與配準(zhǔn)若干關(guān)鍵問題研究[D];合肥工業(yè)大學(xué);2013年

8 張翔;支持向量機(jī)及其在醫(yī)學(xué)圖像分割中的應(yīng)用[D];華中科技大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 宋浩;醫(yī)學(xué)圖像分割相關(guān)算法研究[D];電子科技大學(xué);2014年

2 張憲林;基于活動輪廓模型的醫(yī)學(xué)圖像分割方法研究[D];東北大學(xué);2013年

3 易宗劍;基于群智能優(yōu)化算法的醫(yī)學(xué)圖像分割研究[D];廣西師范學(xué)院;2015年

4 陳靜;基于變分水平集的醫(yī)學(xué)圖像分割[D];揚(yáng)州大學(xué);2015年

5 潘紅;基于Otsu的醫(yī)學(xué)圖像分割算法研究[D];吉林大學(xué);2016年

6 吳杰;基于模糊聚類的水平集醫(yī)學(xué)圖像分割[D];揚(yáng)州大學(xué);2016年

7 曾璐璐;改進(jìn)的PSO優(yōu)化ELM算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];廣西師范學(xué)院;2016年

8 陳婷;基于多圖譜配準(zhǔn)的醫(yī)學(xué)圖像分割[D];大連理工大學(xué);2016年

9 蔣穎;基于聚類的RSF算法在醫(yī)學(xué)圖像分割中的應(yīng)用[D];廣西師范學(xué)院;2016年

10 吳宇翔;面向醫(yī)學(xué)圖像分割的免疫模糊聚類改進(jìn)研究[D];東華大學(xué);2017年

，

本文編號：1820660