醫(yī)學圖像分割在醫(yī)學研究、臨床診斷、病理分析、手術計劃、影像信息處理、計算機輔助技術等醫(yī)學研究和實踐領域有著廣泛的應用和研究價值。目前,多數(shù)前沿的圖像分割算法在特定的條件下能夠取得優(yōu)異的分割表現(xiàn)和準確度,卻難以克服模型自身對初始條件、參數(shù)設置和圖像噪聲的敏感性。因此,本課題針對上面的這些方法中存在的不足,提出具有一定創(chuàng)新性和進步性的模型。在基于區(qū)域的分割算法中,區(qū)域可伸縮擬合模型能夠有效分割灰度不均勻的圖像,但表現(xiàn)出對初始輪廓線和參數(shù)的敏感性。在基于聚類的分割算法中,相干局部強度聚類模型可以同時對圖像進行快速分割和偏磁場校正,但表現(xiàn)出對圖像噪聲的敏感性。因此,本文提出一種新的帶有圖譜校正項的分割模型,該模型充分考慮到區(qū)域灰度擬合和局部灰度聚類這兩種方法各自的優(yōu)勢和不足。具體的,新模型定義一種新的圖譜能量項,它由聚類模型的分割結果轉換得到。我們將新定義的圖譜能量項添加到原有區(qū)域擬合模型的能量泛函,會得到新模型的能量泛函。圖譜能量項的加入能夠對水平集函數(shù)的演化起到約束和校正的作用,這不僅能加快能量泛函極小化的速度,還能保證分割結果的準確性。實驗結果既從直觀上對現(xiàn)有模型和新模型的分割表現(xiàn)進行定... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

三個模型DICE值的比較

哈爾濱工業(yè)大學理學碩士學位論文-18-a)6b)12c)16d)6e)12f)16g)6h)12i)16j)6k)12l)16m)6n)12o)16圖2-3高斯參數(shù)不同取值下新模型分割結果的比較

高斯參數(shù)不同取值下新模型DICE值的比較


本文編號：3308526