基于模糊聚類的水平集醫(yī)學(xué)圖像分割.pdf

1、醫(yī)學(xué)圖像分割技術(shù)是醫(yī)學(xué)圖像處理和分析的關(guān)鍵內(nèi)容之一，其目標(biāo)就是將醫(yī)學(xué)圖像中感興趣的區(qū)域的病變區(qū)域和組織分割處理，最大程度地與解剖結(jié)構(gòu)相似，為臨床醫(yī)生進(jìn)一步診斷和治療提供理論依據(jù)。本章分析了基于形變模型和模糊聚類等醫(yī)學(xué)圖像分割的方法，在CV模型、OSTU算法、雙CV模型及FCM聚類算法的基礎(chǔ)上進(jìn)行了相關(guān)改進(jìn)與有機(jī)整合。具體工作如下:
　　1、首先分析變分原理和封閉曲線演化的過程，并將演化曲線嵌入到能量函數(shù)中實(shí)現(xiàn)目標(biāo)分割，著重介紹了基

2、于參數(shù)活動輪廓的分割模型:測地線活動輪廓(GAC)模型、局部二值擬合模型(LBF)模型，并分析其優(yōu)劣性。
　　2、針對醫(yī)學(xué)圖像普遍存在高噪聲、不同軟組織之間與病灶之間邊界模糊等特點(diǎn)，本章選取聚類算法，對李純明模型(Li)和兩相水平集模型(CV)進(jìn)行結(jié)合與改進(jìn)，首先選用合適的濾波器對醫(yī)學(xué)圖像進(jìn)行去噪，然后使用模糊C均值算法(FCM)獲得圖像的先驗(yàn)?zāi)Ｐ?。改進(jìn)CV模型的能量函數(shù)，對先驗(yàn)圖像進(jìn)行再次分割。通過實(shí)驗(yàn)仿真，該模型可以較好的處理

3、含有高噪聲、弱邊界等現(xiàn)象的醫(yī)學(xué)圖像，并可以有效避免重新初始化，對邊緣更加敏感，提高分割精度，有效的抑制噪聲，明顯的減少迭代次數(shù)和時間，具有一定應(yīng)用價值。
　　3、針對灰度不均的弱邊界現(xiàn)象通常發(fā)生在真實(shí)世界的圖像中，可能會加大了圖像分割的難度，傳統(tǒng)的局部二值擬合(LBF)模型分割方法需要建立復(fù)雜的數(shù)學(xué)模型，局部化屬性也導(dǎo)致了該模型更容易陷入局部極值，且需要較長的算法迭代次數(shù)，為了克服以上問題的弊端，提出了圖像分割的另一種方法，首先用

4、形態(tài)學(xué)運(yùn)算去除血管圖像的背景，使圖像的目標(biāo)區(qū)域得到加強(qiáng)的效果。之后采用雙邊濾波器對經(jīng)過加強(qiáng)處理后的血管圖像進(jìn)行濾波，用類間方差法(Ostu)對濾波后的圖像進(jìn)行分割，選取最佳閾值代入Canny算法中，進(jìn)行再分割，實(shí)驗(yàn)結(jié)果表明，該方法不需建立復(fù)雜的數(shù)學(xué)模型和數(shù)值分析算法，迭代次數(shù)明顯減少，對于灰度不均和邊界模糊的血管圖像可以較好的分割。
　　4、針對在實(shí)際中用于分割的醫(yī)學(xué)圖像除目標(biāo)和背景區(qū)域外，還存在兩個以上的目標(biāo)區(qū)域，傳統(tǒng)的Chan