本文關(guān)鍵詞： 醫(yī)學(xué)圖像分割 聚類(lèi)分割 水平集模型 幾何主動(dòng)輪廓模型 曲線演化理論　出處：《蘭州大學(xué)》2016年博士論文　論文類(lèi)型：學(xué)位論文

【摘要】：圖像分割理論的發(fā)展中,水平集模型的出現(xiàn)極大地推動(dòng)了圖像分割領(lǐng)域的研究。水平集模型結(jié)合曲線演化理論,應(yīng)用圖像梯度矢量流,有效克服參數(shù)模型的不足,大大的擴(kuò)展了主動(dòng)輪廓模型的研究。本文在研究水平集分割模型的基礎(chǔ)上,對(duì)水平集圖像分割中的問(wèn)題進(jìn)行了探索,從算法模型的結(jié)構(gòu)上、能量函數(shù)的優(yōu)化方面、參數(shù)計(jì)算的復(fù)雜性及函數(shù)的最小化優(yōu)化等方面對(duì)醫(yī)學(xué)圖像數(shù)據(jù)的分割方法進(jìn)行了研究。除此之外,還針對(duì)處理不同圖像體數(shù)據(jù)的適應(yīng)性算法進(jìn)行了研究,分別提出基于變分計(jì)算,曲率理論,先驗(yàn)知識(shí),聚類(lèi)分析,形態(tài)特征和圖論優(yōu)化的算法模型。本文的主要研究?jī)?nèi)容如下:(1)提出了變分能量擬合水平集算法(GVLS),算法采用全局和局部圖像結(jié)構(gòu)信息的思想,引導(dǎo)水平集模型捕捉噪聲以外的微小細(xì)節(jié),能夠較完整的檢測(cè)圖像目標(biāo)的結(jié)構(gòu)信息。引入PM各向異性濾波算法,進(jìn)一步應(yīng)用差分計(jì)算使圖像特征突顯,并結(jié)合局部、全局最小化算法模型的特點(diǎn),改善了水平集模型分割強(qiáng)度有變化、背景復(fù)雜及有強(qiáng)烈噪聲干擾圖像目標(biāo)的能力。(2)提出了梯度向量流水平集算法(GVFLS),算法中用一種新的能量項(xiàng)來(lái)計(jì)算水平集模型的計(jì)算復(fù)雜度與相關(guān)約束性的最小化過(guò)程。描述過(guò)程是基于正則化和曲線曲率的優(yōu)化思想,權(quán)衡了計(jì)算的復(fù)雜度,用曲率估算達(dá)到目標(biāo)輪廓的精度要求,使水平集算法分割曲線收斂于期望的目標(biāo)邊緣。(3)提出了形態(tài)特征先驗(yàn)知識(shí)幾何主動(dòng)輪廓算法(MCS),為了在初始分割時(shí)能更好的定位分割目標(biāo),引入中點(diǎn)圓Hough算法確定左心室圖像的圓形結(jié)構(gòu),算法將基于CV模型的幾何主動(dòng)輪廓模型的圖像目標(biāo)區(qū)域信息和先驗(yàn)形狀信息表示成速度場(chǎng),嵌入到主動(dòng)輪廓的迭代方程中,在先驗(yàn)信息模型的引導(dǎo)下,將圖像背景與目標(biāo)進(jìn)行初始定位與標(biāo)記,驅(qū)使曲線演化于最終目標(biāo)邊界。(4)提出了基于聚類(lèi)分割的幾何主動(dòng)輪廓算法(Km GAC),算法模擬了分割曲線的內(nèi)部和外部區(qū)域,將能量函數(shù)通過(guò)聚類(lèi)算法進(jìn)行迭代最小化,將圖像的前景和背景進(jìn)行學(xué)習(xí),使演化曲線能量函數(shù)降到最小值。聚類(lèi)算法計(jì)算圖像目標(biāo)的前景和背景的分段值,同時(shí)修訂和發(fā)現(xiàn)前景、背景值,經(jīng)過(guò)對(duì)算法的優(yōu)化,算法具有很好的目標(biāo)邊界捕捉能力,演化速度迅速。(5)提出了基于圖優(yōu)化的多相水平集分割算法(MLS),經(jīng)過(guò)改進(jìn)的水平集方法既不需要求解歐拉方程,也不需要計(jì)算任何的偏微分方程,模型的最小化用圖分割的思想進(jìn)行優(yōu)化。算法對(duì)目標(biāo)的初始化要求低,參數(shù)選擇自由,曲線演化穩(wěn)定,收斂迅速。最后,為了對(duì)本文中五種算法的性進(jìn)行比較說(shuō)明,將五種算法在同一醫(yī)學(xué)腦部數(shù)據(jù)上進(jìn)行了比較,并分析了各算法所面對(duì)的數(shù)據(jù)側(cè)重點(diǎn),對(duì)分割效果進(jìn)行了分析,達(dá)到了研究目的。
[Abstract]:In the development of image segmentation theory, the appearance of level set model has greatly promoted the research of image segmentation field. Combining with curve evolution theory, the level set model applies image gradient vector flow to overcome the deficiency of parameter model. Based on the research of the level set segmentation model, this paper explores the problems in the horizontal set image segmentation, from the structure of the algorithm model, the optimization of energy function. In addition to the complexity of parameter calculation and the minimization optimization of function, the segmentation method of medical image data is studied. In addition, the adaptive algorithm for processing different image volume data is also studied. Based on variational calculation, curvature theory, prior knowledge, clustering analysis, The main research contents of this paper are as follows: (1) A variational energy fitting level set algorithm (GVLSU) is proposed, which adopts the idea of global and local image structure information. Guiding the level set model to capture the small details other than noise can detect the structure information of the image target completely. The PM anisotropic filtering algorithm is introduced to make the image feature prominent by using differential calculation and combining with the local image. The characteristics of the global minimization algorithm model improve the variation of the segmentation intensity of the level set model. A gradient vector flow level set algorithm (GVFLSS) is proposed, in which a new energy term is used to calculate the computational complexity and the minimization of correlation constraints of the level set model. The description process is based on the idea of regularization and curve curvature optimization, Considering the complexity of the calculation, the curvature estimation can meet the precision requirement of the target contour. The level set algorithm converges to the desired edge of the target. (3) A priori knowledge geometric active contour algorithm with morphological features is proposed in order to better locate the segmentation target in the initial segmentation. The circular structure of the left ventricular image is determined by the midpoint circle Hough algorithm. The image target region information and the prior shape information of the geometric active contour model based on CV model are expressed into the velocity field and embedded into the iterative equation of the active contour. Under the guidance of the prior information model, the image background and target are initially located and marked. Driven the curve to evolve to the final target boundary. (4) A geometric active contour algorithm based on clustering segmentation is proposed. The algorithm simulates the internal and external regions of the segmentation curve and minimizes the energy function iteratively through the clustering algorithm. By learning the foreground and background of the image, the energy function of the evolutionary curve is reduced to the minimum. The clustering algorithm calculates the segmentation value of the foreground and background of the image object, at the same time, the foreground and background value are revised and discovered, and the algorithm is optimized. The algorithm has a good ability to capture the target boundary, and the evolution speed is rapid. (5) A multi-phase level set segmentation algorithm based on graph optimization is proposed. The improved level set method does not need to solve the Euler equation. There is no need to calculate any partial differential equations, the minimization of the model is optimized by the idea of graph partitioning. The algorithm has low requirements for object initialization, free choice of parameters, stable evolution of curves, and rapid convergence. In order to compare the characteristics of the five algorithms in this paper, the five algorithms are compared on the same medical brain data, and the data focus of each algorithm is analyzed, and the segmentation effect is analyzed to achieve the purpose of the research.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林亞忠;程躍斌;陳武凡;;一種水平集分割的快速算法[J];南方醫(yī)科大學(xué)學(xué)報(bào);2006年06期

2 段先華;夏德深;;基于橢圓約束分割心臟MRI圖像的水平集模型[J];計(jì)算機(jī)工程;2007年16期

3 孫涌;王志堅(jiān);索麗生;;水平集法對(duì)流場(chǎng)相界面應(yīng)用的分析與研究[J];蘇州大學(xué)學(xué)報(bào)(工科版);2007年03期

4 王超逸;湯盈盈;;形狀敏度及水平集在結(jié)構(gòu)優(yōu)化中的運(yùn)用[J];山西建筑;2008年07期

5 李宏友;汪同慶;葉俊勇;劉青;;一種新的水平集進(jìn)化模型[J];儀器儀表學(xué)報(bào);2008年07期

6 余瑞星;朱冰;呂梅柏;;一種新的水平集停止項(xiàng)函數(shù)選取方法研究[J];系統(tǒng)仿真學(xué)報(bào);2008年22期

7 董建園;郝重陽(yáng);齊敏;;基于策略演化水平集的醫(yī)學(xué)圖像快速分割[J];中國(guó)圖象圖形學(xué)報(bào);2009年08期

8 陸意駿;陳一民;黃詩(shī)華;陳明;姚爭(zhēng)為;;基于粒子濾波與改進(jìn)水平集的人手跟蹤[J];計(jì)算機(jī)工程;2010年13期

9 李靜;王軍政;梁少敏;沈偉;;基于改進(jìn)水平集的多運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];北京理工大學(xué)學(xué)報(bào);2011年05期

10 熊友誼;張瑩;;基于水平集的海島(礁)提取[J];測(cè)繪與空間地理信息;2012年03期

相關(guān)會(huì)議論文 前8條

1 王一波;胡仲翔;姚耀;;基于水平集的激光條紋提取方法[A];2009全國(guó)虛擬儀器大會(huì)論文集（一）[C];2009年

2 田昊;楊劍;李國(guó)輝;;基于變分水平集的遙感影像建筑物檢測(cè)[A];第18屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

3 曹曉光;崔林艷;;基于閾值和水平集的尿沉渣圖像分割組合算法[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（1）[C];2008年

4 王斐;趙杰煜;;基于多重網(wǎng)格的水平集圖像分割方法[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

5 梅立超;姜慧研;張柳青;劉洪娟;;基于GPU和水平集的肝臟快速分割方法的研究[A];第九屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

6 凌和良;鄔冬華;劉瑞霞;;變測(cè)度的積分型全局優(yōu)化算法[A];中國(guó)運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（下卷）[C];2004年

7 程俊霞;;水平集方程在四邊形網(wǎng)格上的數(shù)值離散方法[A];中國(guó)工程物理研究院科技年報(bào)(2008年版)[C];2009年

8 金小禮;雷作勝;張浩斌;鄧康;任忠鳴;;氣泡在不互溶兩相流體界面行為的數(shù)值模擬[A];第十三屆（2009年）冶金反應(yīng)工程學(xué)會(huì)議論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 韓明;基于水平集表示和均值漂移的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D];燕山大學(xué);2015年

2 秦傳波;基于微型機(jī)器人的自動(dòng)化顯微注射系統(tǒng)關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2015年

3 劉宇;基于水平集方法和模糊模型的醫(yī)學(xué)圖像分割算法研究[D];吉林大學(xué);2016年

4 何昀;基于圖像水平集分割的航磁圖像信息提取方法研究[D];吉林大學(xué);2016年

5 趙悅;基于能量極小化方法的腦影像分割算法研究[D];吉林大學(xué);2017年

6 張玲;基于變分水平集理論的活動(dòng)輪廓模型在圖像分割中的應(yīng)用研究[D];太原理工大學(xué);2016年

7 紀(jì)東升;圖像分割的水平集模型及其在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];蘭州大學(xué);2016年

8 楊紅U，

本文編號(hào)：1533243