基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像分割方法研究.pdf

1、人們在研究圖像的過程中，經(jīng)常會對圖像中的某些部分感興趣，而這些感興趣區(qū)域一般都是對應(yīng)著圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為辨識和分析圖像中的目標(biāo)，首先需要將它們從圖像中分離出來，然后才能進(jìn)一步對目標(biāo)進(jìn)行分析。這種從原始圖像中提取目標(biāo)區(qū)域的技術(shù)就是圖像分割技術(shù)。近年來，隨著科學(xué)技術(shù)和信息技術(shù)的發(fā)展，圖像處理已經(jīng)成為科學(xué)研究領(lǐng)域中的重要工具之一。圖像分割作為圖像處理中的一項關(guān)鍵技術(shù)，已經(jīng)逐漸深入到軍事、醫(yī)學(xué)、工業(yè)、航天等各個領(lǐng)域，得到了廣泛

2、應(yīng)用并吸引了越來越多研究者的注意。醫(yī)學(xué)圖像的分割是近幾年來圖像處理領(lǐng)域的研究熱點(diǎn)。利用醫(yī)學(xué)圖像分割技術(shù)對醫(yī)學(xué)圖像進(jìn)行分割得到感興趣區(qū)域后，可對醫(yī)學(xué)圖像的內(nèi)容進(jìn)行分析，從而幫助醫(yī)務(wù)人員進(jìn)行診斷和制定治療方案。但由于醫(yī)學(xué)圖像具有噪聲大、分辨率低、圖像特性差異大等特點(diǎn)，降低了分割的質(zhì)量。因此對醫(yī)學(xué)圖像分割技術(shù)的研究具有重要的意義。本文針對醫(yī)學(xué)圖像的特點(diǎn)，提出了一種基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像分割方法。算法首先對醫(yī)學(xué)圖像進(jìn)行去噪處理，然后將去噪后的

3、圖像作為分割圖像進(jìn)行分割，具體分為兩個步驟進(jìn)行：一是醫(yī)學(xué)圖像預(yù)處理；二是醫(yī)學(xué)圖像分割。
　　 一、醫(yī)學(xué)圖像預(yù)處理：對于醫(yī)學(xué)圖像來說，成像設(shè)備及組織器官復(fù)雜等的影響使得醫(yī)學(xué)圖像質(zhì)量差，如果直接進(jìn)行分割處理，將得不到理想的分割效果，影響對醫(yī)學(xué)圖像后期的分析，因此應(yīng)先對醫(yī)學(xué)圖像進(jìn)行預(yù)處理。本文算法使用小波閾值去噪算法對醫(yī)學(xué)圖像進(jìn)行去噪預(yù)處理。小波閾值去噪算法(DWT)是小波去噪算法中最簡單、最常用的算法，本文將其應(yīng)用于醫(yī)學(xué)圖像去噪，使

4、在盡可能保留細(xì)節(jié)信息的情況下達(dá)到很好的去噪效果。醫(yī)學(xué)圖像顯示的是人體組織密度、厚度之間的強(qiáng)弱對比，組織內(nèi)像素值的變化很小，且大部分醫(yī)學(xué)圖像有較大的背景平坦區(qū)域。使用小波閾值去噪算法對醫(yī)學(xué)圖像進(jìn)行去噪的過程為：首先用Otsu法和迭代法對圖像進(jìn)行分割，將圖像分割為細(xì)節(jié)區(qū)域和平坦區(qū)域兩個區(qū)域，然后分別對這兩個區(qū)域進(jìn)行DWT去噪，最后將兩個區(qū)域的去噪圖像進(jìn)行融合得到最終的去噪圖像。
　　 二、醫(yī)學(xué)圖像分割處理：對醫(yī)學(xué)圖像進(jìn)行去噪后，本文

5、對數(shù)學(xué)形態(tài)學(xué)分水嶺算法的參考圖像進(jìn)行優(yōu)化，用于分水嶺分割處理。算法將數(shù)學(xué)形態(tài)學(xué)分水嶺算法和二維最大熵閾值分割法進(jìn)行結(jié)合(二維最大熵閾值分割法解決了分水嶺算法的‘過分割’現(xiàn)象，而分水嶺算法解決了二維最大熵閾值分割法的計算復(fù)雜性和閾值判別存在誤差的問題)，很好地得到了醫(yī)學(xué)圖像的分割圖像。本文基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像分割法首先對去噪后的醫(yī)學(xué)圖像重建梯度圖像(利用開閉重建)；然后求出重建后的梯度圖像的浮點(diǎn)活動圖像(減少弱邊緣)，將此浮點(diǎn)活動圖像