基于全局與局部信息的水平集分割方法的研究.pdf

1、隨著計算機斷層成像(Computed tomography，CT)和核磁共振成像(MagneticResonance imaging，MRI)在醫(yī)療臨床診斷、治療計劃的制定、以及臨床研究中應(yīng)用的越來越多，我們用計算機來輔助放射學科專家進行圖像分割成為必須的條件，這就需要我們提供可靠的算法來分析圖像的解剖結(jié)構(gòu)、感興趣區(qū)域。但由于部分容積效應(yīng)與偏移場的影響，CT與MR圖像中的灰度會產(chǎn)生不同程度的變異，這成為局限這兩種圖像應(yīng)用的掣肘。

2、　　基于水平集模型的圖像分割方法屬于動態(tài)輪廓線分割方法的一種，被廣泛的應(yīng)用到醫(yī)學圖像分割當中。水平集分割方法的優(yōu)勢主要概括為實用、便捷、迅速、魯棒性強。在最新的研究成果當中，水平集方法已經(jīng)發(fā)展到了無需重新初始化，并且加入了限制能量參數(shù)的階段。本文以更好地分割灰度變異醫(yī)學圖像為目標，對之前的水平集算法提出了幾點改進，而且在多種醫(yī)學圖像驗證了改進算法的優(yōu)異的性能，具體的工作與成果如下:
　　1)分析了如今廣泛使用的針對灰度不均勻圖像分

3、割問題的算法的優(yōu)點與劣勢。當前的一些算法基本思想都是基于改進能量項，使能量泛函盡量包含全局與局部信息，但事實表明，二者很難兼得，本文將高斯核函數(shù)引入能量泛函，在圖像分割之前，對高斯函數(shù)的形狀參數(shù)進行擬合，將全局信息捕獲，在能量泛函構(gòu)建過程中就擺脫全局能量項的掣肘，強化算法對灰度變異圖像的分割能力。
　　2)以一種新的獲取局部信息的方式:局部屬性基于K-means算法聚類。本文提出的局部信息獲取方法，首先定義一個局部灰度聚類函數(shù)，對