基于形變模型的醫(yī)學圖像分割方法研究.pdf

1、圖像分割是數字圖像處理理論體系的主要研究方向之一，在計算機視覺和圖像識別的各種應用系統(tǒng)中占有相當重要的地位，也是研制和開發(fā)計算機視覺系統(tǒng)、字符識別和目標自動獲取等圖像識別和理解系統(tǒng)首先要解決的問題。本文對影響醫(yī)學圖像分割精度和速度的幾個關鍵問題進行了研究。 ⑴針對運行時間長、累積誤差大的問題，本文提出基于Chan-Vese水平集的梯度加速分割模型，既消除了重新初始化的過程，又能夠有選擇地加速感興趣區(qū)域的邊界分割。對于弱邊界物體，

2、基于Chan-Vese水平集的梯度加速分割模型還能有效地提高分割的精度。 ⑵針對多目標物體圖像的分割問題，在Chan-Vese多相分割模型的基礎上，結合分等級分割的概念，提出自適應的分等級分割方法，能夠先根據圖像中的物體數量判斷出所需要的Level Set函數的個數。此方法不僅消除了多相分割模型對初始化曲線位置敏感的不足，而且能夠充分利用每一個Level Set函數，減少分割步驟，并且能提高弱邊界的提取精度。 ⑶結合多級

3、分割的思想，并引入信息論中互信息來替代多級分割中的灰度平均方差(Var)，將互信息量作為判斷分割是否完成的標準，但是若圖像中噪音分布不均勻，也很難用同一個Var值來控制整幅圖像中多個物體的分割。所以，本文提出一種基于互信息和Chan-Vese模型的圖像分割方法，在無監(jiān)督的分等級分割工作的基礎上，僅將Var作為選擇下一步分割區(qū)域的依據，而將已分割圖像和原圖像之間的互信息量來作為判斷分割是否完成的標準，弱化了噪音對分割結果的影響，也提高了弱