隨著醫(yī)學(xué)成像技術(shù)的快速發(fā)展,計(jì)算機(jī)輔助診斷系統(tǒng)成為當(dāng)今醫(yī)生診斷的重要輔助工具,計(jì)算機(jī)輔助診斷系統(tǒng)中的重要環(huán)節(jié)為圖像分割,圖像分割的準(zhǔn)確與否關(guān)乎到后期對(duì)病灶區(qū)域的診斷是否正確。針對(duì)醫(yī)學(xué)圖像的特點(diǎn),圖像分割算法中的活動(dòng)輪廓模型成為當(dāng)今學(xué)者的研究重點(diǎn),原因在于活動(dòng)輪廓模型引入水平集函數(shù),能夠靈活處理醫(yī)學(xué)圖像復(fù)雜的拓?fù)浣Y(jié)構(gòu)變化,且數(shù)值計(jì)算較為簡(jiǎn)單。本文對(duì)活動(dòng)輪廓模型在處理醫(yī)學(xué)圖像的問(wèn)題上做了詳細(xì)的研究,主要研究?jī)?nèi)容如下:首先本文介紹了活動(dòng)輪廓模型涉及到的相關(guān)基礎(chǔ)理論知識(shí),重點(diǎn)介紹了經(jīng)典活動(dòng)輪廓模型CV模型,針對(duì)CV模型在分割醫(yī)學(xué)圖像上存在的缺點(diǎn),如不能準(zhǔn)確分割灰度不均勻圖像,對(duì)醫(yī)學(xué)圖像的噪聲魯棒性不強(qiáng)等缺點(diǎn),對(duì)其進(jìn)行改進(jìn)。改進(jìn)如下:針對(duì)CV模型中權(quán)重系數(shù)往往被人忽視的問(wèn)題,本文引入圖像熵作為CV模型的自適應(yīng)權(quán)重,通過(guò)自適應(yīng)計(jì)算區(qū)域內(nèi)外的灰度信息變化情況,驅(qū)動(dòng)擬合曲線移動(dòng)到目標(biāo)邊界,從而避免先驗(yàn)參數(shù)對(duì)分割結(jié)果的影響,最終提高模型在分割灰度不均勻圖像上的運(yùn)行速率和分割準(zhǔn)確度;在此基礎(chǔ)上改進(jìn)長(zhǎng)度項(xiàng),在長(zhǎng)度項(xiàng)中添加邊界信息,邊界指示函數(shù)能吸引曲線向邊界靠近,提高分割弱邊界的準(zhǔn)確度。為了提高模型對(duì)多重噪... 

【文章來(lái)源】：貴州大學(xué)貴州省 211工程院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同權(quán)重的分割效果

貴州大學(xué)碩士學(xué)位論文一問(wèn)題，本文對(duì)這兩處缺點(diǎn)進(jìn)行改進(jìn)：首先邊界指示函數(shù)中高斯平滑濾波器主要考慮了像素間的空間距離關(guān)系，并沒(méi)有考慮像素值之間的相似程度，而對(duì)于圖像來(lái)說(shuō)即使是弱邊界往往也是圖像灰度相對(duì)劇烈變化的地方，所以要綜合考慮圖像的灰度因素。本文采用雙邊濾波代替高斯濾波，雙邊濾波在考慮像素空間距離的同時(shí)加入像素間的相似程度，從而能夠最大程度的保留目標(biāo)邊界。圖 3.4 表示原圖像經(jīng)過(guò)高斯濾波和雙邊濾波后邊界梯度的變化情況，從圖中可以看出，原圖像經(jīng)過(guò)高斯濾波后的邊界虛化嚴(yán)重，經(jīng)過(guò)雙邊濾波后的邊界較為清楚；圖 3.5 表示含噪聲污染圖像經(jīng)過(guò)高斯濾波和雙邊濾波后圖像邊界的變化情況，從圖中可以看出，含噪聲圖像經(jīng)過(guò)高斯濾波與雙邊濾波在一定程度上都濾除了噪聲，但是高斯濾波削弱了邊界信息，而雙邊濾波較為完整的保留了邊界信息。

（a）含噪聲圖像 （b）邊界梯度信息 （c）高斯濾波 （d）雙邊濾波圖 3.5 噪聲圖像濾波后的梯度變化綜上所述，改進(jìn)后的邊界指示函數(shù)如式 3-31：211()LWgpw (3-31)其中： xyxyijSijSwijwijIijW,,(,)(,)(,)(,)(,) (3-32)上式中xyS,表示中心點(diǎn) (i ,j)的大小為 ( 2N 1) (2N 1)的領(lǐng)域，經(jīng)過(guò)濾波后，像素點(diǎn)的灰度大小相當(dāng)于區(qū)域中像素的加權(quán)平均，權(quán)系數(shù)如下：w(i ,j)w(i,j)w(i,j)sr (3-33)

【參考文獻(xiàn)】：
期刊論文
[1]基于CV模型改進(jìn)的磁共振成像圖像分割方法[J]. 蘭紅,韓紀(jì)東.  科學(xué)技術(shù)與工程. 2018(28)
[2]活動(dòng)輪廓的演化控制及其在鐵譜圖像分割中的應(yīng)用[J]. 宋佳聲,戴樂(lè)陽(yáng),陳丹,王永堅(jiān).  控制理論與應(yīng)用. 2018(06)
[3]基于改進(jìn)區(qū)域項(xiàng)CV模型的金相圖像分割[J]. 倪康,吳一全,庚嵩.  光學(xué)學(xué)報(bào). 2018(04)
[4]基于局部偏差的圖像分割與偏置場(chǎng)校正模型[J]. 黃臣程,李兆飛.  四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(05)
[5]一種新的活動(dòng)輪廓模型圖像分割方法[J]. 劉晨,池濤,李丙春,張宗虎.  工程科學(xué)與技術(shù). 2017(05)
[6]基于局部和全局信息的自適應(yīng)水平集圖像分割[J]. 蔡青,劉慧英,周三平,孫景峰.  強(qiáng)激光與粒子束. 2017(02)
[7]一種全自動(dòng)的脊柱CT圖像分割算法研究[J]. 張媛,周嘯虎,郭靜麗,高偉.  中國(guó)醫(yī)療設(shè)備. 2016(12)
[8]結(jié)合分水嶺算法的水平集醫(yī)學(xué)圖像分割方法[J]. 張輝,朱家明,陳靜,吳杰.  計(jì)算機(jī)科學(xué). 2016(S2)
[9]改進(jìn)邊界指示函數(shù)的水平集活動(dòng)輪廓模型[J]. 鄭偉,張晶,楊虎.  激光技術(shù). 2016(01)
[10]邊緣修正CV模型的衛(wèi)星遙感云圖分割方法[J]. 宋昱,吳一全,畢碩本.  光學(xué)學(xué)報(bào). 2014(09)

碩士論文
[1]醫(yī)學(xué)圖像分割算法研究與實(shí)現(xiàn)[D]. 閻貝.電子科技大學(xué) 2012



本文編號(hào)：2944988