基于局部統(tǒng)計和結(jié)構(gòu)的活動輪廓分割模型.pdf

1、圖像分割是將原始圖像劃分為一系列彼此互補(bǔ)交疊的勻質(zhì)區(qū)域從而提取圖像中感興趣的區(qū)域(region of interest，ROI)。核磁共振成像(magnetic resonance image，MRI)技術(shù)在醫(yī)學(xué)疾病診斷和治療等領(lǐng)域中的作用日益重要。對于MR圖像分割是器官解剖、組織量化測量、病理成因分析、病癥發(fā)展追蹤等醫(yī)療手段必不可少的研究準(zhǔn)備和基礎(chǔ)。然而由于拍攝過程中光頻振動的不確定和雜質(zhì)的存在，會分別引起圖像緩慢的灰度不均勻性（即屬

2、于同一目標(biāo)的灰度隨空間的變化而不同）和一定程度的噪聲。因此基于全局灰度統(tǒng)計信息的分割模型在處理含灰度不均勻性和噪聲的圖像時會產(chǎn)生錯誤的分割結(jié)果。同時，由于醫(yī)學(xué)圖像中的局部容積效應(yīng)(Partial Volume Effects)，即目標(biāo)邊界呈現(xiàn)出對比度較低和不連續(xù)的現(xiàn)象會嚴(yán)重影響組織器官的分割提取，尤其是腦和血管的MR圖像。另一方面，由于醫(yī)學(xué)圖像中紋理、不規(guī)則變化的灰度不均勻性、噪聲等，以及目標(biāo)邊界的結(jié)構(gòu)可能較為復(fù)雜，因此，對醫(yī)學(xué)圖像中的

3、目標(biāo)實現(xiàn)智能提取和識別是目前極具實用價值的一項科研任務(wù)，進(jìn)一步增加了分割的難度和挑戰(zhàn)。
　　 針對醫(yī)學(xué)圖像分割的需求及難點，本文利用活動輪廓模型對醫(yī)學(xué)圖像進(jìn)行分割進(jìn)行了深入研究。本文的主要工作和研究成果如下:
　　 (1)針對同時含噪聲、灰度不均勻性及多個待分割目標(biāo)的圖像，提出一種基于改進(jìn)的模糊聚類(fuzzy c-means clustering，F(xiàn)CM)算法的Chan-Vese(CV)模型。本文基于直方圖統(tǒng)計灰度種類

4、、并利用鄰域內(nèi)計算的空間信息修正隸屬度函數(shù)以此克服灰度不均勻性和噪聲的影響，將改進(jìn)后的FCM算法應(yīng)用到CV模型的區(qū)域檢測項，可準(zhǔn)確的對像素點歸類，成為曲線的演化依據(jù)。在演化時采用一種各向異性的模板來控制輪廓線的及時分裂，在較短時間內(nèi)分割出更多目標(biāo)。
　　 (2)針對圖像中光滑和紋理這兩種不同組成成份，提出一種能同時考慮光滑部分和紋理部分的分割模型。首先在局部塊中分別檢測圖像卡通部分的灰度統(tǒng)計特征以及紋理部分的特征信息用以計算區(qū)別

5、不同紋理之間的Kullback-Leibler(KL)距離，并且該局部塊能夠根據(jù)圖像的梯度信息自動調(diào)整其大小。進(jìn)一步采用Split Bregman方法對模型進(jìn)行快速求解，在醫(yī)學(xué)和紋理圖像的實驗上驗證了該本文模型能夠明顯的提高準(zhǔn)確性和時效性。
　　 (3)提出一種結(jié)合了圖像結(jié)構(gòu)信息、并基于灰度和梯度模兩種統(tǒng)計特征新型活動輪廓模型。灰度不均勻性理論上是空間不規(guī)則變化的，且分布并不單一，提取水平集曲線鄰域內(nèi)灰度和梯度模的統(tǒng)計特征檢測不

6、同區(qū)域的灰度差異和灰度不均勻性。特別的，針對傳統(tǒng)活動輪廓模型中全變差形式的正則項保持邊緣不足，將結(jié)構(gòu)張量通過水平集函數(shù)的對偶變量嵌入關(guān)于水平集函數(shù)的正則項，使得水平集曲線高效率的逼近圖像的目標(biāo)邊界而避免產(chǎn)生過度平滑，進(jìn)而利用改進(jìn)的Chambolle對偶算法對整個模型進(jìn)行快速求解。與其他同類的經(jīng)典方法相比本文算法不論對初始條件的魯棒性、分割時效和精度均有明顯提高。
　　 (4)針對圖像中深凸的拓?fù)浣Y(jié)構(gòu)以及灰度不均勻性和噪聲的同時存

7、在的情況，提出一種魯棒型基于非局部分片局部塊統(tǒng)計方法的活動輪廓模型。由于灰度不均勻性隨空間變化且分布并不規(guī)則，因此可以將灰度不均勻性和噪聲一樣看做一種灰度不規(guī)則變化的情況。利用一種分片局部塊統(tǒng)計信息的區(qū)域項計算像素點的歸屬度，作為驅(qū)動曲線演化的力之一?；叶炔灰?guī)則變化影響水平集曲線演化到目標(biāo)邊界的效率，因此通過加上一個灰度懲罰項來控制當(dāng)遇到灰度不規(guī)則變化時的水平集曲線的演化。同時利用圖像梯度信息作為權(quán)值用于計算關(guān)于水平集函數(shù)的正則項，進(jìn)一

8、步增強(qiáng)水平集曲線的形狀與目標(biāo)邊界擬合。應(yīng)用于醫(yī)學(xué)圖像和自然圖像上的實驗證明該算法能夠明顯抑制強(qiáng)噪聲和灰度不均勻性的影響，取得高效率和高準(zhǔn)確性的分割結(jié)果。
　　 (5)局部容積效應(yīng)、噪聲、灰度不均勻性的共同作用增加了MR圖像中血管、組織末梢等具有細(xì)長拓?fù)浣Y(jié)構(gòu)的分割難度。針對這些問題，從兩個方面將圖像的結(jié)構(gòu)信息與活動輪廓模型相結(jié)合。一方面，利用基于圖像的結(jié)構(gòu)信息改進(jìn)的梯度流方程訓(xùn)練關(guān)于水平集函數(shù)的對偶變量以增強(qiáng)撲捉深凹型的目標(biāo)結(jié)構(gòu);

9、另一方面，根據(jù)圖像邊界的結(jié)構(gòu)變化自適應(yīng)的計算全局和局部的灰度統(tǒng)計信息，不僅克服了灰度不均勻性，同時進(jìn)一步提高了曲線演化的效率。局部統(tǒng)計信息可以正確指導(dǎo)曲線克服灰度不均勻性，尤其是在臨近邊界處的灰度不均勻性，從而捕捉到正確的目標(biāo)邊界。而在遠(yuǎn)離邊界處根據(jù)全局灰度統(tǒng)計信息演化，能夠加快曲線演化到圖像的目標(biāo)邊界。根據(jù)基于邊界和基于區(qū)域的活動輪廓模型的特點，利用基于結(jié)構(gòu)信息改進(jìn)的梯度流方程(Gradient Vector Flow, GVF)計算