發(fā)布時間：2017-06-04 05:06

  本文關(guān)鍵詞：基于水平集的醫(yī)學圖像分割算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：醫(yī)學圖像對于醫(yī)生診斷病情具有重要意義，良好的醫(yī)學圖像分割能夠幫助醫(yī)生迅速判斷病人病情并采取良好措施使病人恢復健康。伴隨著計算機圖形技術(shù)的迅速發(fā)展計算機醫(yī)學圖像處理技術(shù)在近年來成為研究的重點，各式各樣的醫(yī)學圖像分割算法出現(xiàn)在不斷的研究中，但沒有一種算法可以處理所有的醫(yī)學圖像。水平集算法作為一種較早提出的算法在醫(yī)學圖像分割方面取得了較理想的發(fā)展。水平集算法通過能量函數(shù)進行對原函數(shù)的修正，逼近待分割物體輪廓。當前，這種算法大體通過基于邊緣檢測和區(qū)域信息來建立能量函數(shù)。 醫(yī)學圖像分割與傳統(tǒng)的圖像分割的最顯著的區(qū)別是，在隨機分布噪聲的醫(yī)學圖像中進行分割，由于醫(yī)學圖像的復雜性，傳統(tǒng)的分割方法很容易造成分段錯誤，使用水平集并合理調(diào)整參數(shù)，可以取得較好的分割結(jié)果。然而，傳統(tǒng)的水平集方法使用的局部邊緣信息，對于醫(yī)學圖像的噪點和邊緣離散的部分會產(chǎn)生錯誤的分割，難以取得好的分割效果。醫(yī)學圖像分割類似于人眼對客觀世界中不同對象進行分類的過程，它從圖像中把相關(guān)的結(jié)構(gòu)（或感興趣區(qū)）分離出來，是圖像分析與識別首要解決的問題，也是制約醫(yī)學圖像處理中其它相關(guān)技術(shù)發(fā)展和應(yīng)用的瓶頸。所以，醫(yī)學圖像分割是一種重要的圖像處理技術(shù)，是自動圖像模式識別、場景分析和理解的一個至關(guān)重要的處理步驟，是從低層次圖像處理到高層次圖像理解的橋梁。 本文首先介紹了醫(yī)學圖像分割的相關(guān)理論和相關(guān)方法，并對水平集圖像分割的算法進行了比較和分析，重點討論了基于水平集方法的多種分割方法以及當前水平集分割算法的不足。本文提出了一種方法，該方法首先通過改進的模糊聚類方法對圖像進行初步處理，通過改進的模糊聚類方法我們可以比傳統(tǒng)的模糊聚類方法獲得更好的結(jié)果。通過獲得初始分割結(jié)果，利用水平集方法進行第二次更細致的分割，使用懲罰函數(shù)，避免了水平集的重新初始化，通過對距離規(guī)則化的水平集演化進行改進，獲得更少的計算量和更好的分割結(jié)果。 在實驗中，我們采用了MATLAB R2010B進行仿真實驗，通過采用CT圖片進行多種水平集分割結(jié)果的對比，并對算法的結(jié)果進行了詳細的說明和分析。結(jié)果表明，本文算法獲得了良好的分割效果。 本文對基于水平集的分割方法進行了分析和比較，做出了有意義的改進。然而，由于圖像分割涉及到多種因素，如圖像質(zhì)量，初始化精確度，最主要的是圖像中包含了很多相關(guān)領(lǐng)域的知識，，受限于當前分割算法，并沒有一種算法能夠?qū)λ械膱D像獲得良好的分割效果。未來可能會考慮采用人工智能方法對圖像分割進行操作，因為圖像中除了包含像素的信息，更多的包含了交叉領(lǐng)域的知識，如果能夠?qū)⒔徊骖I(lǐng)域的知識應(yīng)用到圖像分割中，可能會獲得更好的效果。因此如何獲得更好的質(zhì)量的醫(yī)學圖像分割仍然是一個具有挑戰(zhàn)性的問題，人們需要更多的深入討論和研究。
【關(guān)鍵詞】：水平集 圖像噪聲 圖像分割 模糊集
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-19
• 1.1 引言10
• 1.2 研究背景與意義10-16
• 1.2.1 閾值分割方法11-12
• 1.2.2 基于邊緣的分割方法12-13
• 1.2.3 基于區(qū)域的分割方法13-14
• 1.2.4 醫(yī)學圖像分割14-16
• 1.3 國內(nèi)外研究現(xiàn)狀16-17
• 1.4 本文結(jié)構(gòu)17-19
• 第2章 相關(guān)知識介紹19-24
• 2.1 圖像的梯度19-20
• 2.2 圖像的曲率20-21
• 2.3 模糊 C 均值聚類方法21-23
• 2.4 本章小結(jié)23-24
• 第3章 水平集基本原理及改進24-34
• 3.1 水平集分割的基本概念24-25
• 3.2 基于邊緣檢測的能量模型25-26
• 3.3 基于區(qū)域的能量模型26-31
• 3.3.1 C-V 模型26-28
• 3.3.2 Mumford-Shah 泛函28-29
• 3.3.3 局部二元擬合模型29-31
• 3.4 水平集算法的改進31-34
• 第4章 基于水平集的醫(yī)學圖像分割算法實現(xiàn)34-44
• 4.1 算法介紹34-35
• 4.2 Agent Model35-39
• 4.3 實驗結(jié)果分析39-43
• 4.4 本章小結(jié)43-44
• 第5章 總結(jié)與展望44-45
• 參考文獻45-49
• 作者簡介及科研成果49-50
• 致謝50

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 徐旦華;鮑旭東;舒華忠;;基于區(qū)域劃分和改進C-V法的醫(yī)學圖像分割方法[J];東南大學學報(自然科學版);2006年05期

2 謝振平;王士同;;融合模糊聚類的Mumford-Shah模型[J];電子學報;2008年01期

3 楊青;何明一;;改進CV模型的醫(yī)學圖像分割[J];計算機工程與應(yīng)用;2010年17期

4 楊莉,楊新;基于區(qū)域劃分的曲線演化多目標分割[J];計算機學報;2004年03期

5 蔣欣;水平集方法及其在圖像分割上的應(yīng)用[J];上海生物醫(yī)學工程;2004年03期

6 胡玉暉;;基于局部子區(qū)域的活動輪廓圖像分割方法[J];通信技術(shù);2010年02期

7 陳旭鋒,管志成;基于Mumford-Shah泛函的數(shù)字信號去噪算法[J];浙江大學學報(工學版);2004年10期

  本文關(guān)鍵詞：基于水平集的醫(yī)學圖像分割算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：420046