【摘要】：隨著大氣污染的加劇和環(huán)境的破壞,肺癌患者急劇增加,肺癌成為危害人類健康最大的惡性腫瘤,因此肺癌治療迫在眉睫。當(dāng)前,肺腫瘤檢查的主要方式是使用CT(computed tomography,計算機斷層掃描),CT圖像主要體現(xiàn)病變區(qū)域的信息,醫(yī)生根據(jù)該區(qū)域的信息對病人進行診斷和治療。在計算機輔助診斷(Computer-Aided Diagnosis,CAD)肺腫瘤的研究中,對肺部CT圖像進行分割是首要步驟,分割的結(jié)果將對后續(xù)的圖像處理工作產(chǎn)生直接影響。因此,提高肺部CT圖像分割的效率和精確度,對診斷和治療肺癌具有重要意義。本文采用二維Otsu算法分割肺部CT圖像,針對傳統(tǒng)二維Otsu算法耗時長、分割精度低等問題,對二維Otsu算法進行改進,并采用粒子群算法對二維Otsu算法進行優(yōu)化,提出了基于粒子群優(yōu)化二維Otsu的肺CT圖像分割算法。首先,介紹了CT圖像的成像原理、肺部CT圖像的特點以及一維Otsu和二維Otsu算法的原理。針對傳統(tǒng)二維Otsu算法計算量大、背景與目標(biāo)劃分出錯等缺點,本文對灰度級-鄰域均值二維灰度直方圖進行了區(qū)域限定,限定在從0區(qū)域指向1區(qū)域的對角線范圍內(nèi),以縮小二維閾值的搜索范圍,降低了運算量。實驗結(jié)果證明,改進后的二維Otsu算法減少了閾值分割時間,提高了閾值分割的效率。其次,由于二維Otsu算法計算時采用的窮舉法需要耗費大量的時間,而粒子群算法具有很強的發(fā)現(xiàn)較好解的能力,本文選用粒子群算法對二維Otsu算法進行閾值搜索,以減少二維Otsu算法運算時間。針對傳統(tǒng)粒子群算法尋優(yōu)精度低、易于陷入局部最優(yōu)、搜索后期收斂速度較慢等問題,本文采用線性遞減的權(quán)重系數(shù)和動態(tài)的加速系數(shù),提高了粒子的全局及局部搜索能力,防止算法陷入局部最優(yōu),改善粒子群算法的收斂速度。實驗結(jié)果證明,改進后的粒子群算法的收斂速度和精確度都得到大幅度提升。最后,利用本文提出的基于粒子群優(yōu)化二維Otsu的肺CT圖像分割算法與其他兩種算法分別對五幅不同的肺CT圖像進行仿真實驗。實驗結(jié)果證明,本文基于粒子群優(yōu)化二維Otsu的肺CT圖像分割算法不僅提高了肺部CT圖像的分割效率,還提高了閾值分割的精確度。在肺組織CT值與人體其他組織有顯著差異的情況下,首先利用本文算法得到了最佳閾值,進行肺CT圖像初分割,降低了閾值選擇對圖像分割的影響;然后,采用孔洞填充操作去除了肺外部的背景干擾;接著,通過邊界追蹤法能夠得到了肺部區(qū)域邊界,提取出肺部實質(zhì);最后用數(shù)學(xué)形態(tài)學(xué)方法修復(fù)了肺病變區(qū)域。經(jīng)過這些操作能夠快速準(zhǔn)確地從肺CT圖像中分割出肺實質(zhì),可用于肺部區(qū)域計算機輔助診斷。
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R734.2;R730.44;TP391.41;TP18
【圖文】：

閾值分割時閾值選取的最佳算法。另外，Otsu 算法易改進，且改算法的性能能夠得到很大提高。由于要研究基于 CT 圖像的肺部首先要了解 CT 的成像原理，知道不同組織器官在 CT 圖像中的 C據(jù) CT 值分析肺部圖像在 CT 中的特點，然后才能根據(jù)肺部圖像的。本章首先介紹肺部 CT 圖像的的特點，然后介紹幾種常用的閾，最后針對傳統(tǒng)二維 Otsu 算法計算量大、背景與目標(biāo)劃分出錯等進方案，以提高傳統(tǒng)二維 Otsu 算法的性能。肺部 CT 圖像 CT 圖像T（computed tomography，計算機斷層掃描），是檢測肺腫瘤最。經(jīng) CT 掃描，肺部的各類數(shù)據(jù)以圖形的形式直觀、全面地呈現(xiàn)在CT 圖為灰度圖，通常醫(yī)學(xué) CT 圖像的尺寸為 256×256 和 512×512圖像分辨率越高，CT 圖像也就越清晰。CT 操作簡便，對病人來像中各組織對比度高，醫(yī)生可通過肉眼觀察來診斷疾病[26]。

哈爾濱理工大學(xué)工程碩士學(xué)位論文示和存儲部分。X 射線發(fā)射源、探測器、掃描支架理部分負(fù)責(zé)處理由掃描部分得到的數(shù)字信號，然后最后生成重建后的圖像。經(jīng)重建后的 CT 圖像通過并隨時通過顯示系統(tǒng)進行顯示。像中物體對 X 線的吸收起主要作用，在一均勻物體律。CT 成像過程為：首先將獲得的投影值經(jīng)計算體素(voxel)的衰減系數(shù)，形成衰減系數(shù)矩陣，然后體素的衰減系數(shù)轉(zhuǎn)換為對應(yīng)的 CT 值后，便可以個像素的 CT 值轉(zhuǎn)換為對應(yīng)的灰度值，就可以獲得T 影像[27]。CT 值與灰度值的對應(yīng)關(guān)系如圖 2-2 所示

哈爾濱理工大學(xué)工程碩士學(xué)位論文結(jié)構(gòu)。除了導(dǎo)氣道、肺動脈和靜脈較大外，肺實質(zhì)幾乎占所有肺結(jié)構(gòu)。肺部在CT 圖像（如圖 2-3 所示）上表現(xiàn)為斷層圖像，從內(nèi)到外包含肺內(nèi)組織、肺、胸廓、胸廓外組織、體外背景等。肺部 CT 圖像為灰度圖。肺的內(nèi)部主要是密度最低的空氣，因此在 CT 圖像中與周圍的其他組織相比，肺部組織在 CT 圖像上形成的是陰影區(qū)域，灰度值相差較大，對比度高[28]。因此，肺實質(zhì)分割最常用的是閾值分割算法。

【相似文獻】

相關(guān)期刊論文 前10條

1 王盼我;;基于熵的圖像分割算法研究[J];科技視界;2018年08期

2 王華翔;丁家紀(jì);王旭;;基于信息論的圖像分割算法研究[J];黑龍江科技信息;2015年25期

3 劉印;;圖像分割算法分析與技術(shù)進展研究[J];好家長;2018年74期

4 李娟;康戈文;;一種基于方向的圖像分割算法[J];可編程控制器與工廠自動化;2012年02期

5 張春伶;;圖像分割算法綜述與探索[J];科技創(chuàng)新與應(yīng)用;2012年13期

6 周強;;圖像分割算法研究[J];福建電腦;2009年06期

7 吉李滿;;圖像分割算法的應(yīng)用與評價[J];吉林工程技術(shù)師范學(xué)院學(xué)報;2006年09期

8 周維真;周濱;;一種改進的塔形結(jié)構(gòu)圖像分割算法[J];西安電子科技大學(xué)學(xué)報;1988年03期

9 李竹林;王靜;;一種基于濾波的分段點乘圖像分割算法[J];電子設(shè)計工程;2016年23期

10 李鋒林;李亮;;基于顯著性檢測的目標(biāo)圖像分割算法[J];電子科技;2017年01期

相關(guān)會議論文 前10條

1 張峰;申功勛;;一種適用于天文導(dǎo)航的快速圖像分割算法[A];中國航空學(xué)會控制與應(yīng)用第十二屆學(xué)術(shù)年會論文集[C];2006年

2 趙海英;楊一帆;徐光美;;基于邊緣形態(tài)變換的彩色織物圖像分割算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

3 胡陽漣;趙鳳群;戴芳;張輝;;一種基于馬爾可夫隨機場的快速圖像分割算法[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 陳亮;葉旭鳴;俞利;;一種基于圖論的圖像分割算法[A];全國第4屆信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2010年

5 劉曉龍;張佑生;;基于模擬退火的模糊C-均值聚類圖像分割算法[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

6 李景福;龍志軍;張報山;包晨陽;;一種改進的紅外圖像分割算法[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

7 萬永菁;楊大毛;;一種圖像分割算法在纖維增強復(fù)合材料圖像處理中的應(yīng)用(英文)[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

8 楊衛(wèi)平;李忠科;王勇;呂培軍;;基于區(qū)域的圖像分割算法綜述[A];第十七屆全國測控計量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

9 傅明建;劉秉瀚;;一種腎小管病理圖像分割算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

10 沙莎;彭麗;羅三定;;一種基于邊緣檢測的閾值圖像分割算法[A];中國計算機圖形學(xué)進展2008--第七屆中國計算機圖形學(xué)大會論文集[C];2008年

相關(guān)重要報紙文章 前1條

1 王小龍;美開發(fā)出基于熱映像的圖像分割算法[N];科技日報;2011年

相關(guān)博士學(xué)位論文 前10條

1 劉仲民;基于圖論的圖像分割算法的研究[D];蘭州理工大學(xué);2018年

2 宋艷濤;基于磁共振成像的腦組織及病變分割方法研究[D];南京理工大學(xué);2017年

3 畢卉;HIFU超聲圖像分割算法研究[D];東南大學(xué);2018年

4 顏剛;基于模糊馬爾可夫場的圖像分割算法研究[D];第一軍醫(yī)大學(xué);2005年

5 李彬;基于模糊隨機模型的磁共振腦部圖像分割算法研究[D];第一軍醫(yī)大學(xué);2007年

6 劉毅;基于圖割的交互式圖像分割算法研究[D];南京理工大學(xué);2013年

7 許曉麗;基于聚類分析的圖像分割算法研究[D];哈爾濱工程大學(xué);2012年

8 車娜;基于偏移場的核磁共振腦圖像分割算法研究[D];吉林大學(xué);2013年

9 陳圣國;圖像分割及應(yīng)用技術(shù)研究[D];南京大學(xué);2012年

10 皮志明;結(jié)合深度信息的圖像分割算法研究[D];中國科學(xué)技術(shù)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 呂欣欣;紅外圖像分割算法研究及其在電氣設(shè)備故障診斷中的應(yīng)用[D];天津理工大學(xué);2019年

2 韓玉翠;基于粒子群優(yōu)化二維Otsu的肺CT圖像分割算法[D];哈爾濱理工大學(xué);2019年

3 智慧;基于多尺度模型集成及優(yōu)化的圖像分割算法研究[D];北方工業(yè)大學(xué);2019年

4 楊德青;基于改進粒子群的最大熵多閾值MRI圖像分割算法研究[D];鄭州大學(xué);2019年

5 王楠;顏色不均勻情況下光伏板紅外圖像分割算法研究[D];安徽大學(xué);2019年

6 張衛(wèi)衛(wèi);基于深度神經(jīng)網(wǎng)絡(luò)的圖像分割算法研究及其在心室和冠脈鈣化上的應(yīng)用[D];安徽大學(xué);2019年

7 陳緯航;基于超像素和區(qū)域合并的圖像分割算法研究[D];武漢理工大學(xué);2018年

8 梁麗秀;基于MATLAB的水稻表層根系圖像分割算法研究[D];華中農(nóng)業(yè)大學(xué);2018年

9 毛萍;基于模糊聚類理論的腦MR圖像分割算法的研究[D];東北大學(xué);2015年

10 南洋;基于深度學(xué)習(xí)的粗標(biāo)記胃癌病理切片圖像分割算法[D];湖南大學(xué);2018年

本文編號：2798857