图像分割滤波

图像分割滤波（共7篇）

图像分割滤波 篇1

在图像处理和计算机视觉中, 图像分割是面临的主要挑战之一就是一个分类问题[1]。在各种分类方法中, 基于EM图像分割算法吸引了广大研究者的兴趣, 但是, EM的图像分割算法也有一些困难, 经典的混合统计模型使得每一个图像像素中必须有一个相关的类, 这种假设是不可能实现的。所以, 针对该问题, 很多学者提出了改进方法[2], 如, 将模糊C均值聚类算法结合到了EM算法中, 但是该方法由于耗时长, 造成系统堵塞;也有学者[3]提出了将马尔科夫随机场 (MRF) 模型应用到了改进方法中, 利用MRF来平滑分割的图像[4], 在一定程度上得到了令人满意的结果[5]。

在很多情况下, 但大多数情况下的单高斯假设EM算法提出了估计的高斯混合参数的要求, 有限混合是一种灵活而强大的概率建模工具[6,7]。它可以被用来提供一个模型在模式识别领域中的聚类。然而该有限混合到图像分割中的应用遇到一些困难;尤其是高斯噪声[8,9,10]。在本文中, 提出了一种结合形态学滤波的EM图像分割算法。首先利用2G-R-B算法将样本RGB彩色图像转换为灰度图, 再将HSI颜色空间的H分量与其进行融合, 以减少噪声对于分割结果的影响, 然后基于EM算法对融合灰度图像进行图像分割, 最后采用数学形态学滤波及最小面积剔除法进行噪声点的处理。最后通过仿真实验结果表明, 本文提出的算法能够有效的对图像进行分割, 有效增强了算法的自适应性, 改善了分割的效果。

1 分割图像的RGB初始化

本文首先对待分割的图像进行RGB二值化处理, 本文采用了RGB, YUV以及HIS对得到的图像进行颜色空间区分, 对采集到的待分割的图像根据R.G.B分量进行首要分析, 将图像中特征明显的区域与背景区分开。

根据色差分布图, 像素点 (x, y) 的灰度值计算公式定义为:

HSI颜色空间模拟人类的视觉特性, 单个像素的特征被分解为色调 (Hue) 、饱和度 (Saturation) 和亮度 (Intensity) [11], 其中, 色调分量表示物体的颜色信息, 而饱和度分量则可以指示出颜色的深浅。所以本文将G-R-B与HSI颜色空间的色调分量H进行融合, 得到融合后的灰度图像R, 以减少由于噪声的干扰而对分割效果的影响[12]。融合方法如式 (2) 所示。

其中, 为融合参数。

2 EM图像分割算法

EM算法 (Expectation-Maximization algorithm) , 又称为期望最大化算法, 可以在包含了隐含变量的概率模型中寻找参数最大后验概率。在模式识别领域的数据聚类问题中经常用其进行参数的估计。在图像分割中, 基于特征空间聚类的EM算法可以有效规避其在混合成分数及迭代初始值方面的局限性, 可以为分类模型提供有效的极大似然估计结果。

设灰度图像的像素集为{x (1) , ..., x (m) }, 其概率密度函数为:

其中K为分类的数目, p表示概率, θ表示分布的均值μ以及方差 。

本文将图像分为区域部分以及背景两部分, 所以式 (3) 可以写为:

其中, 分别为区域与背景的混合先验概率,

对于要进行分割的灰度图像, 将每个像素样例视为独立, 只要能够找到每个像素隐含的类别z, 即属于图像区域还是属于背景, 能够使得 最大, 的最大似然计算如下:

EM算法的流程是首先初始化分布参数θ, 然后采用迭代的方法重复E步骤及M步骤, 直到收敛。

E步骤:计算隐性变量的后验概率即隐性变量的期望 , 若是第一次计算, 则采用初始化的模型参数θ, 否则采用上一次迭代过程中M步骤更新的θ。

M步骤:求取最大似然函数, 将此时的参数θ作为新的参数传递到E步骤。

EM算法流程图如图1所示。

3 改进的形态滤波EM图像分割

由于采用EM图像分割后, 由于图像中的不同的噪声会对分割的图像造成干扰, 影响了分割的质量, 本文在对分割后的图像采用数学形态学滤波处理, 即采用一种改进的数学形态学滤波及最小面积剔除法进行噪声点的处理。

3.1 开-闭滤波器结构

数学形态学变换一般分为灰度和二值两种变换形式, 通常来说, 二值变换组要用于处理集合, 而灰度的变换主要用于处理函数, 基本的数学形态学变换主要包括了膨胀、腐蚀、闭运算和开运算四种形式。

假设f (x) 和g (x) 分别定义在二维离散空间F和G的两个离散函数, 这其中f (x) 表示的是图像的输入图像, g (x) 表示的是结构元素。那么f (x) 对于g (x) 的膨胀和腐蚀函数分别定义为:

那么f (x) 对于g (x) 的闭运算和开运算分别定义为:

本文即利用了开运算来消除了图像分割中的正脉冲噪声, 利用了闭运算过滤掉了分割过程中的负脉冲噪声。本文为了同时消除分割过程中的正负脉冲噪声, 本文提出了一种采用形态开-闭混合结构形式, 即是构成了一种开闭滤波器。

形态开-闭滤波器设计如下:

3.2 本文算法步骤

根据本文提出的改进的算法思想, 给出如下步骤:

第一步:对采集的RGB图像进行二值化计算, 得到灰度图像;

第二步:将RGB图像转换到HSI图像空间, 提取色调 (H) 分量图, 根据式 (2) 将其与灰度图进行融合, 获得融合后的灰度图像;

第三步:采用EM算法对融合灰度图像进行分割, 取分类数K (28) 3, 根据分割结果得到二值化图像B。

为进一步避免光照的影响, 取阈值0.18与0.26对H分量图进行双阈值分割, 得到二值图像E, 并对图像B的分割结果进行修正, 如式 (13) 。

对于分割出来的图像W, 仍然噪声等问题, 采用公式 (12) 形态学开-闭运算对其进行修正, 去除噪声, 以改善分割的效果

4 实验设计与结果分析

本文的所有实验都是在惠普ENVY 14-U005TX (J6M91PA) 进行的测试, CPU处理器采用的是Intel酷睿i5 4210U, 1.7GHz, 内存大小为4GB, 显卡芯片为NVIDIA Ge Force GTX 850M+Intel GMA HD。仿真软件采用的是mat lab 7.0。

本文实验数据来源分为两种, 一种是合成的图像, 一种是自然图像。通过这两种图像来验证本文算法的有效性能。本文通过这两种类型的实验图像比较了传统的标准的EM算法以及和本文提出的改进EM算法进行了比较, 实验结果如图2和图3所示。

从图2中可以看出, 图像主要包括了3个主要区域, 图2 (b) 显示的是标准的EM图像分割算法分割的图像结果, 图中明显看出, 方法难以抑制噪声对其干扰。图2 (c) 显示的是标准的形态学图像分割算法结果, 相比图2 (b) 对噪声具有了一定的抑制, 但是效果还是不强, 还有一些负脉冲噪声干扰, 图2 (d) 显示的是本文提出的改进算法, 从图中可以直观的看出, 分割效果清晰, 对噪声去除效果明显, 精确的图像轮廓非常清晰。

图3显示的是采集的脑电图MRI分割实验。MRI图像中包括了三层结构, 灰度 (MG) , 白质 (WM) 以及脑脊液 (CSF) , 这三种物质混合在一起, 对分割具有一定的难度。本文对其中增加了5%的高斯噪声进行实验。图3 (b) 显示的是标准的EM算法图像分割结果, 由于5%高斯噪声的影响, 标准的EM无法抑制该噪声。图3 (c) 是形态学图像分割结果, 同样的具有一定的去噪效果, 但是仍然效果不强。图3 (d) 显示的是本文提出的改进算法, 从图中可以直观的看出, 特别是在白质区域和脑脊液区域, 能够有效的对轮廓进行分割。

本文为了定性的分析所提方法的优越性, 本文采用了峰值信噪比 (PSNR) 来对比分割的图像质量。PSNR是衡量图像质量的重要指标, 其实最大的信号量与噪声的强度的比值。

其中, L表示的是图像中像素最大的灰度值;MSE表示的是协方差

所以PSNR值越大, 就代表失真越少, 分割图像的质量越高, 如表1所示, 可以看出本文算法PSNR高。

5 结语

图像分割技术是图像处理和计算机视觉领域一项关键技术, 对其研究一直是数字图像处理技术研究中的热点与难点问题。本文提出了一种结合了数学形态学与EM算法图像分割新方法。方法首先对图像进行RGB二值化处理, 然后通过EM算法对其进行分割, 对分割后的图像采用形态学开-闭组合算法进行去噪处理。最后得到高质量的分割图像, 文章同时也通过峰值信噪比 (PSNR) 定性的分析了算法的性能, 从实验结果可以看出, 不管是直观上还是定性上, 本文提出的改进方法都能够较好地抑制噪声的干扰, 能够有效的保留图像的轮廓, 改善分割的质量。

摘要：由于传统胡EM图像分割算法由于在进行聚类运算时, 耗时太长, 影响了图像分割的精度, 为了解决该问题, 本文提出了一种结合形态学滤波的EM图像分割算法。首先利用G-R-B算法将样本RGB彩色图像转换为灰度图, 再将HSI颜色空间的H分量与其进行融合, 以减少噪声对于分割结果的影响, 然后采用基于EM算法对融合灰度图像进行图像分割, 最后利用一种改进的开-闭混合结构数学形态学滤波对分割后的图像进行噪声点去除, 以减少噪声对图像质量的影响。最后通过仿真实验结果表明, 本文提出的算法能够有效的对图像进行分割, 有效增强了算法的自适应性, 改善了分割的效果。

关键词：图像分割,EM算法,数学形态学,滤波技术

参考文献

[1]Fu J C, Chen C C, Chai J W, et al.Image segmentation by EM-based adaptive pulse coupled neural networks in brain magnetic resonance imaging[J].Computerized Medical Imaging and Graphics, 2010, 34 (4) :308-320.

[2]Lu Q, Huang X, Zhang L.A Novel Clustering-Based Feature Representation for the Classification of Hyperspectral Imagery[J].Remote Sensing, 2014, 6 (6) :5732-5753.

[3]李宗民, 公绪超, 刘玉杰.多特征联合建模的视频对象分割技术研究[J].计算机学报, 2013, 36 (11) :2356-2363.

[4]Cardoso M J, Clarkson M J, Ridgway G R, et al.Lo Ad:a locally adaptive cortical segmentation algorithm[J].Neuro Image, 2011, 56 (3) :1386-1397.

[5]Dalmiya S, Dasgupta A, Datta S K.Application of Wavelet based K-means Algorithm in Mammogram Segmentation[J].International Journal of Computer Applications, 2012, 52 (15) :15-19.

[6]杨名宇, 丁欢, 赵博, 等.结合邻域信息的Chan—Vese模型图像分割[J].计算机辅助设计与图形学报, 2011, 23 (3) :413-418.

[7]Velasco-Forero S, Angulo J.Supervised ordering in:Application to morphological processing of hyperspectral images[J].Image Processing, IEEE Transactions on, 2011, 20 (11) :3301-3308.

[8]许新征, 丁世飞, 史忠植, 等.图像分割的新理论和新方法[J].电子学报, 2010, 38 (2) :76-82.

[9]Yao H, Duan Q, Li D, et al.An improved K-means clustering algorithm for fish image segmentation[J].Mathematical and Computer Modelling, 2013, 58 (3) :790-798.

[10]王芳梅, 范虹.利用改进CV模型连续水平集算法的核磁共振乳腺图像分割[J].西安交通大学学报, 2014, 48 (2) :38-43.

[11]Lucchi A, Smith K, Achanta R, et al.Supervoxel-based segmentation of mitochondria in em image stacks with learned shape features[J].Medical Imaging, IEEE Transactions on, 2012, 31 (2) :474-486.

[12]吴昊, 汪荣贵, 方帅, 等.基于最小类内差和最大类间差的图像分割算法研究[J].工程图学学报, 2011, 32 (1) :67-75.

图像分割滤波 篇2

图像分割是图像分析中一个核心技术, 是计算机视觉研究中最重要的研究内容。目前常用的图像分割方法有:阈值法、边缘检测法、区域分割法、聚类分析法和基于特定理论的图像分割方法[1]。其中聚类分析法能够以像素样本之间的相似性准则来衡量分类结果, 目前应用最广的是由Bezkek提出的模糊C均值聚类算法 (Fuzzy C-Means, FCM) [2]。FCM聚类算法可以有效地解决图像中存在的不确定性和模糊性等问题, 具有实现简单和无监督的特点。然而, 目前常用的FCM聚类算法仍有亟待解决的问题: (1) FCM聚类算法对初始聚类中心或隶属度矩阵具有较强的依赖性, 搜索中极易陷入局部最优解; (2) FCM聚类算法抗噪性能较差, 算法的鲁棒性不强; (3) 该算法基于逐点像素进行图像分类, 数据样本较多时运算量大, 且只利用了图像的灰度信息而忽略了像素的空间特征, 导致算法收敛速度慢。基于此, 文献[3]结合直方图信息, 降低了数据样本计算量。文献[4]根据灰度和空间信息的相似性度量, 对图像的细节信息有一定的保留。文献[5]利用蚁群算法的全局优化能力, 避免FCM算法陷入局部极值。然而, 对于受不同类型和不同程度噪声影响的大规模像素样本, 上述改进算法对噪声的鲁棒性较弱, 算法的实时性较差。

针对上述问题, 本文提出一种基于蚁群和自适应滤波的模糊聚类图像分割方法。该算法首先利用改进的蚁群算法对图像进行初次分割;然后采用自适应中值滤波, 对不同类型和不同程度噪声自适应地调整滤波性能, 提高该算法的鲁棒性;最后用图像的直方图特征空间优化FCM算法的目标函数, 减少数据运算量, 加快收敛速度, 提高分割精度。

1 传统FCM算法概述

假设图像样本数据集X={x1, x2, …, xn}, n是图像像素个数, 将图像划分为c类。FCM聚类算法以图像像素和聚类中心间的加权相似性测度, 对目标函数进行迭代优化以获得最优聚类结果[6]。其目标函数[7]为:

其约束条件为:

其中, uij是样本点xj属于第i类的隶属度值, dij=||xj-vi||2是样本点xj与聚类中心vi的欧式空间距离, m是模糊加权指数。为了使目标函数J最小, 利用拉格朗日数乘法得到隶属度uij和聚类中心vi分别为:

在迭代过程中, 由于传统FCM采用下降算法, 受初始聚类中心或隶属度矩阵的影响, 需预设聚类类别数, 这导致易收敛到局部极值, 且当样本数目较多、图像噪声较大时, 会影响分割的实时性。

2 基于蚁群和自适应的FCM的图像分割

2.1 蚁群算法的初始聚类中心设置

蚁群算法[8]具有较强的正反馈能力、全局性以及易于与其他算法融合等优点, 尤其是其分布式并行计算机制以及优化模糊聚类的特点, 能弥补FCM算法随机选取初始聚类中心的不足。本文首先利用蚁群算法, 对图像进行初次分割, 并得到初始聚类中心, 作为FCM的初始参数。由于蚁群算法中, 图像的每个像素都要与其余像素进行路径选择概率和距离计算, 导致搜索进程慢。因此, 本文将图像的每个像素设为由灰度、梯度和邻域表示的三维向量, 以此向量表示单个蚂蚁。因为像素能在灰度值上明显区分目标和背景, 梯度可以反映像素灰度值在边界或噪声点处的突变情况, 邻域能体现出噪声的特点[9]。并设置对应的蚁群初始聚类中心特征, 选取灰度直方图的峰值点作为聚类中心的灰度特征, 像素梯度值0和图像最大梯度列的均值作为聚类中心的梯度特征, 并根据像素梯度值设置聚类中心的邻域特征。在此基础上, 直接计算蚂蚁像素与聚类中心的路径选择概率和距离, 以减少蚂蚁搜寻的盲目性, 降低计算量, 加快聚类进程。

2.2 蚁群算法的聚类初值设置

对于原始图像X, 将其每一个像素X={X|xi= (xi1, xi2, …, xim) , i=1, 2, …, N, N=m×n}作为单个蚂蚁, 蚂蚁需聚集到j个聚类中心Cj, Xi到Cj的加权欧式距离为:

其中, m是蚂蚁像素的维数, P是权重因子, 根据像素各分量对聚类的影响程度设定。

设r为聚类半径, 蚂蚁像素Xi到聚类中心Cj的路径上的信息素为:

蚂蚁像素Xi选择聚类中心Cj的概率为:

其中, S∈{Xs|dsj≤r, s=1, 2, …, N}表示分布在聚类中心Cj内数据的集合。α和β分别是影响因子, 代表蚂蚁聚类过程中信息素和启发引导函数对路径选择的影响。根据相关研究[10], 在此设置α=1, β=2。ηij为启发式引导函数, 反映像素与聚类中心的相似度。由于存在像素与聚类中心距离为零的情况, 为了保证引导函数不为无穷大, 防止算法过早收敛, 本文在引导函数公式的分母加上1, 表示为:

在蚂蚁搜寻过程中, 计算转移概率Pij, 选取最大转移概率Pmax并标记对应的蚂蚁Xi, 将Xi归并到Xj邻域Cj内, 并更新信息素πij (t+1) 。考虑到蚂蚁在路径上产生的信息素增量存在动态蒸发的情况, 本文采用一种新的信息素更新公式:

其中, ρ是信息蒸发因素, △πij (t) 是本次循环路径上信息素的增量。更新聚类中心为:

计算各类的类间距, 若类间距小于阈值e, 则将两类合并后更新聚类中心。若迭代次数达到上限, 则转到式 (8) , 否则输出聚类中心vj和聚类个数c。

2.3 基于自适应直方图优化的FCM

传统FCM算法易受噪声干扰, 分割数据样本为图像逐点像素, 其特征为灰度, 导致样本数目大, 且样本数目会随图像大小的增大而增多, 从而影响图像分割的实时性。针对以上不足, 本文利用自适应直方图优化的FCM图像分割算法, 以实现最优的分割结果。

自适应中值滤波器[11]具有保留图像边界和图像高频部分的特点, 本文采用自适应中值滤波, 根据噪声类型和噪声程度, 自适应地调整滤波窗口的尺寸, 降低图像噪声干扰, 提高分割质量。设Wxy为像素点 (i, j) 滤波窗口, Iij为像素点 (i, j) 的灰度, Imin为Wxy中的最小灰度值, Imax为Wxy中的最大灰度值, Imed为Wxy中的灰度中值, Wmax为最大滤波窗口, W0为初始滤波窗口。自适应中值滤波算法步骤如下:

(1) 若Imin<Imed<Imax, 则表示Imed不是噪声点, 转到步骤 (2) , 否则转步骤 (3) 。

(2) 若Imin<Iij<Imax, 则表示Iij不是噪声点, 直接输出Iij, 否则输出Imed。

(3) 增加滤波窗口Wxy尺寸, 若Wxy≤Wmax, 则重复步骤 (1) , 否则输出Iij。

在此基础上, 将图像从像素空间映射到其灰度直方图特征空间, 得到各灰度级出现的概率H (j) , 则直方图FCM[12]的目标函数为:

其中, L为灰度级, 取值范围为0~255, 则待分类的图像样本集为X={0, 1, …, L-1}。以此大幅度减少分类样本数目, 只有灰度级0~255个, 并且样本数目不会随图像尺寸的增大而改变, 提高了算法的收敛速度。在此基础上, 利用拉格朗日乘子法得出隶属度函数更新机制为:

聚类中心的更新公式优化为:

本文算法流程归纳如下:

(1) 输入图像, 根据蚁群聚类算法寻找初始聚类类别数和初始聚类中心。

(2) 设置自适应中值滤波初始滤波窗口大小, 设置直方图优化的FCM聚类算法的类别数和初始聚类中心、误差阈值ε、模糊指数m、迭代次数iter。

(3) 根据式 (12) 更新隶属度uij。

(4) 根据式 (13) 更新聚类中心vi。

(5) 计算聚类中心误差, 若||V (i+1) -V (i) ||<ε, 则算法结束;否则t=t+1, 并返回步骤 (2) 继续执行算法。

3 实验结果与分析

为了评价算法的分割效率, 本文选用分辨率为405×405的lena灰度图, 对标准FCM算法和ACOAFCM算法在不同类型和不同程度噪声下进行验证。本文实验的测试硬件为主频2.67 GHz、内存2GB的PC, 测试平台为Windows XP操作系统, 测试环境为MATLAB 7.10。实验设置的蚁群算法参数为r=100, ρ=0.5, 滤波窗口大取3×3, 直方图优化FCM参数为m=2, ε=10-5, c=2。实验分割结果如图1所示。

在图1所示的图像分割结果中, 从 (a2) 、 (a3) 中可看出, 当无噪声时, 引入改进的蚁群信息素机制, 使得ACOAFCM聚类效果更明显, 人物与后方背景有明显的区分, 脸部轮廓分割更清晰, 头发下端的细节好于标准FCM的分割结果。从 (b2) 、 (b3) 中可见, 当添加高斯噪声时, 标准FCM算法分割效果不明显且遗留较多噪声;而引入自适应中值滤波的ACOAFCM算法分割结果中, 虽然因高斯噪声本身的特点, 存在局部噪声点, 但仍保留了目标的边界和高频部分, 整体分割效果与标准FCM相比有很大改善。从 (c2) 、 (c3) 中可知, 当添加更高程度的椒盐噪声时, 标准FCM分割结果中蝴蝶和花丛背景无明显区分;而ACOAFCM算法根据噪声类型自适应调整滤波性能, 不仅能克服噪声干扰, 避免算法陷入局部极优值, 而且保留了蝴蝶的细节部分, 保持了较好的分割精度。从 (b) 和 (c) 可以看出, 本文算法对不同噪声和不同程度的噪声都有较强的鲁棒性。

为了定量评价分割的有效性和实时性, 本文采用评价指标:划分系数VPC和划分熵VPE, 分别表示聚类程度和聚类结构, 划分系数VPC越大、划分熵VPE越小, 则模糊聚类分割效果越好。比较结果如表1所示, 可见ACOAFCM算法对于抑制噪声的指标值明显优于标准FCM算法。此外, 从表1收敛时间看出, 由于改进的蚁群算法快速地提供了最优初始聚类中心, 且直方图特征优化了FCM算法, 减少了样本集, ACOAFCM算法的速度明显加快。

4 结束语

本文提出了一种基于蚁群和直方图的模糊聚类图像分割算法, 将蚁群算法与自适应直方图优化的FCM算法相结合。利用蚁群算法的鲁棒性、全局寻优性和进化模糊聚类的优点, 得到FCM算法初始化的聚类中心, 有效地解决了模糊聚类算法易陷入局部最优解、对初始聚类中心依赖的问题。采用自适应中值滤波, 能够自适应地根据噪声类型和强度调整滤波性能, 增强FCM算法的鲁棒性。引入图像的直方图特征空间优化FCM算法的目标函数, 减少图像样本数目, 降低了运算量。实验结果表明, 本文的算法与传统的FCM算法相比, 加快了图像聚类收敛速度, 提高了图像分割精度。

参考文献

[1]沙秋夫, 刘海宾, 何希勤, 等.基于邻域的模糊C-均值图像分割算法[J].计算机应用研究, 2007, 24 (12) :379-385.

[2]BEZDEK J C, HATHAWAY R J.Convergence and theory for fuzzy C-means clustering:counter examples and repairs[J].IEEE Transactions Pattern Analysis and Machine Intelligence, 1987, 17 (5) :873-877.

[3]TIAN M L, YANG J M.Pre-processing of froth image of coal flotation based on weighted fuzzy C-means clustering by one-dimensional histogram[J].IEEE International Conference on Computing, Measurement, Control and Sensor Network, 2012, 10 (32) :396-400.

[4]STELIOS K, VASSILIOS C.A robust fuzzy local informa tion C-Means clustering algorithm[J].IEEE Transction on Image Processing, 2010, 19 (5) :1328-1337.

[5]KARNAN D M, GOPAL N N.Hybrid markov random field with parallel ant colony optimization and fuzzy C-means for MRI brain image segmentation[J].IEEE International Conference on Computational Intelligence and Computing Research, 2010, 30 (12) :1-4.

[6]张翡, 范虹.基于模糊C均值聚类的医学图像分割研究[J].计算机工程与应用, 2014, 50 (4) :144-151.

[7]陈志飞, 时宏伟.基于均值漂移和模糊C均值聚类的图像分割算法[J].计算机应用与软件, 2013, 30 (11) :14-17.

[8]李积英, 党建武.量子蚁群聚类模糊算法在图像分割中的应用[J].光电工程, 2013, 40 (1) :126-131.

[9]ZHANG W J, LIU L, HAN Y H.An image segmentation approach based on ant colony algorithm[J].IEEE International Congress on Image and Signal Processing, 2010, 30 (15) :1313-1315.

[10]杨立才, 赵莉娜, 吴晓晴.基于蚁群算法的模糊C均值聚类医学图像分割[J].山东大学学报:工学版, 2007, 37 (3) :51-54.

图像分割综述 篇3

关键词：图像分割,阈值,区域

1 图像分割概念

图像分割是一种主要应用于图像处理及模式识别中的比较重要的分割图像的方式。图像分割的根本目的是在整体或是大区域图像中分割出有意义或是感兴趣的局部区域, 这些区域一般对应于现实世界的各类不同目标。为了有效的辨别、分析目标, 我们就有必要将目标区域单独划分出来, 只有在基础上才有可能进一步对目标图像的特征进行提取、分析和测量。因此, 我们认为图像分割是进行图像分析、图像理解和图像描述的前提条件。

图像分割的一个主要方法就是阈值分割法。阈值分割法主要利用阈值将一幅灰度图变成简单的二值图像, 从而达到分割图像的目的。该方法的主要难度在于确定合适的灰度值, 将高于该值的像素归于一类, 而将低于该值的像素归于另一类。这个灰度值就是我们所说的“阈值”。该方法是一种简单而有效的图像分割法, 尤其是对于有较大对比度的图像, 利用阈值分割法分割将会得到很好的分割效果。阈值分割法一般作为图像处理、分析的第一步。简单的阈值分割法只能产生一个二值图来区分两个不同的类, 这是图像分割法要局限性之一。阈值分割法的另一个局限性就是:在分割时, 一般未考虑图像的空间特征, 使得它对噪声特别敏感。因此, 就出现了一些针对阈值法的改进分割算法。

简单的理解, 图像分割就是将一幅图像分成几个不同的区域, 或是说在一幅图像中提取一个或是几个有用的区域。在图像分割时, 也需要考虑图像噪声的影响及图像特征的识别与提取。其中, 遥感图像的分割难度比较大, 因为要饭图像一般被噪声污染较为严重, 噪声会影响阈值的选取。所以阈值法图像分割的关键问题是选取一个恰当的阈值。

2 图像分割的关键问题

2.1 阈值选取

阈值分割法的主要原理是:将高于设定阈值的像素确定为目标物体对象, 而将低于设定阈值的像素全部确定为背景对象。所以, 该方法适用于物体和背景之间有着较大对比度的图像。在现在的各种图形图像处理系统中, 一般都会使用阈值法进行图像处理。为了将物体有效的从背景中提取出来, 研究人员发现或是发明了很多阈值确定方法, 比如全局阈值法, 自适应阈值法以及最佳阈值法等。

2.2 梯度处理

若目标物体跟背景的对比度相差较大时, 那么物体的边界一般就会处于图像梯度变化的最高点上, 此时, 取得最高梯度点的值就可以确定物体的边界, 就可以将物体和背景进行分割。但该方法易因噪声关系, 影响实际物体边界的确定。因此, 在进行边界搜索与跟踪前, 一般要先进行图像的梯度平滑处理, 以减小噪声的影响。

3 确定阈值的主要方法

3.1 双峰法

双峰法认为图像的构成主要有两部分:背景和目标物体。因此, 物体和背景会至灰度直方图中形成两各高峰, 那么, 图像的最佳阈值就应该出现在双峰的最低处。

3.2 迭代法

迭代法主要采用的是逼近原理, 它的主要步骤是:

(1) 先找出图像的最大灰度值max及最小灰度值min, 并计算初始阈值为;

(2) 然后根据阈值tk将图像分割为两部分, 再分别求平均灰度值za和zb;

(3) 求得新阈值;

(4) 若, tk就是阈值;否则转 (2) 。

3.3 大津法 (OTSU法)

在1979年, 大津提出了大津法:对于图像I, 设前景和背景的分割阈值是t, 前景像素数与整图像素数比例为w0, 平均灰度值为u0, 背景像素数为w1, 平均灰度值为u1, 则整个图像的平均灰度值是:u=w0*u0+w1*u1。然后从最小灰度值到最大灰度值遍历t, 当t使得值g=w0* (u0-u) 2+w1* (u1-u) 2最大, t就是最佳阈值。我们可将大津法这样理解:阈值t将整个图像分成了前景和背景两个部分, 前景取值为u0的概率是w1, 而背景取值为u1的概率是w1, 而像素的总均值是u, 那么根据方差的定义我们就能得出上式。当前景和背景的差别越大时, 上式的值越大, 也就是方差越大, 那么错分的概率就越小。

在很多测试中, 我们都发现:用大津法选的阈值, 在各种情况的图像处理上都表现不错。尽管它在很多情况是都不是最佳分割, 但它的分割质量还是有一定保障的, 是一种比较稳定的分割法。因此, 大津法也是一种常用分割算法。

3.4 灰度拉伸

当前景和背景对比度较小时, 也就是灰度值差别不明显时, 用大律法进行分割, 就会产生令人无法接受的大面积黑色区域, 甚至有可能会丢失整图信息。为了解决大律法的这个致命弱点, 就有人提出将灰度拉伸应用于大律法中, 即通过增加灰度级数来增强前景与背景的灰度差异值。常用的灰度拉伸法是将原来的灰度级乘上同一个系数, 从而加大灰度级数。而当所乘系数是1时, 就成了大津法。因此, 可将大津法看成是该方法的一个特例。

在实际使用中, 我们发现对不同的图像, 乘以不同的拉伸系数时, 会产生不同的分割效果。

4 结束语

至今, 图像分割也没有形成一个完整的理论体系, 也没有一种算法能进行精准的图像分割。因此, 许多研究人员正在尝试将一些新理论和新方法引入到图像分割领域中。随着计算机技术和各种新理论、新方法的应用与改进, 图像分割技术也会不断完善和成熟。

参考文献

[1]辛月兰.基于图个的图像分割综述[J].微型电脑应用, 2012.

[2]吴冰, 秦志远.自动确定图像二值化最佳阈值的新方法[J].绘测学院学报, 2000.

[3]阳树洪.灰度图像阈值分割的自适应和快速算法研究[D].重庆大学, 2014.

[4]付忠良.基于图像差距度量的阈值选取方法[J].计算机研究与发展, 2001.

图像分割综述 篇4

图像分割就是将图像表示为物理上有意义的连通区域的集合,它是图像分析的第一步,图像分割接下来的任务,如特征提取、目标识别等的好坏,都取决于图像分割的质量如何。由于该课题的难度和深度,进展比较缓慢。虽然研究人员针对各种问题提出了许多方法,但迄今为止仍然不存在一个普遍适用的理论和方法。

2.图像分割

2.1 基本概念

图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这些特性可以是灰度、颜色、纹理等,目标可以对应单个区域,也可以对应多个区域。图像分割可以借助集合的概念用如下比较正式的方法定义:

令集合R代表整个图像区域,对R的分割可看做将R分成若干个满足以下5个条件的非空的子集(子区域)R1,R2,…,Rn:

2.1.1;

2.1.2 对所有的i和j,i≠j有Ri∩Rj=￠

2.1.3 对i=1,2,…,n,有P(Ri)=TRUE;

2.1.4 对i≠j,有P(Ri∪Rj)=FALSE;

2.1.5 对i=1,2,…,n,Ri是连通的区域。

其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,￠是空集。

2.2 分类准则

2.2.1基于区域象素灰度值的特性,可以分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。

2.2.2另外根据分割过程中处理策略的不同,分割算法可分为并行算法和串行算法。

根据以上两个准则,分割算法可分为4类:

①PB:并行边界类;

②SB:串行边界类;

③PR:并行区域类;

④SR:串行区域类。

3.现在广泛使用的图像分割方法

3.1 阈值法

阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类,图像中灰度值在同一个灰度类内的象素属于同一个类,它是一种PR法。其过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用利用整幅图像的信息来得到分割用的阈值,并根据该阈值对整幅图像进行分割;而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值,利用这些阈值对各个区域进行分割,即一个阈值对应相应的一个子区域,这种方法也称适应阈值分割。

阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷,并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在,也是难点所在。

它的主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外,它只考虑象素本身的值,一般都不考虑图像的空间特性,这样就对噪声很敏感;它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意。

现在有很多研究者提出了许多经典阈值法的更新算法。特别在阈值选取方面提出了很多方法,如双峰直方图阈值分割法、最大熵阈值分割、最大类间方差阈值分割法、灰度共矩阵阈值分割法等。

3.2 区域生长法

区域生长法是根据预先定义的标准,提取图像中相连接的区域的方法,它是利用区域的相似性即满足区域一致性准则对目标进行分割。它是一种SR法。这个预先定义的标准可以是灰度信息,也可以是图像的边界,或者是两者的结合。在此法的最简单形式中,先人工给出一个种子点,然后提取出和种子相比符合预知标准的所有象素。

和阈值法一样,区域生长法一般不单独使用,而是放在一系列处理过程中。

它主要的缺陷是,每一个需要提取的区域都必须人工给出一个种子点,这样有多个区域就必须给出相应的种子个数。此法对噪声也很敏感,会造成孔状甚至是根本不连续的区域,相反的,局部且大量的影响还会使本来分开的区域连接起来。

3.3 边缘检测法

边缘检测法是基于图像不连续性的分割技术。由于一幅图像的大部分信息存在于不同区域的边缘上,而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。

在并行边缘检测技术中边缘的检测可以借助空域微分算子通过卷积完成。这些微分算子包括Sobel梯度算子、Roberts梯度算子、Prewitt梯度算子、拉普拉斯算子、综合正交算子等。这些方法对图像中灰度的变化进行检测,认为灰度突变的地方为图像边缘。

在有噪声时,用各种算子得到的边缘像素常是孤立的或分小段连续的,为了得到完整的边缘信息,还需进行边界闭合处理。边界闭合可以根据梯度实现,即如果某些像素梯度的幅度及梯度方向满足规定的条件就可以把这些像素连接起来,如果对所有的边缘像素都进行这样的判断和连接就有可能得到闭合的边界。除此之外,还可以利用数学形态学的一些操作进行边界的连接和闭合;哈夫变换也是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。

该算法对于灰度变化复杂和细节较丰富的图像进行处理时,以上算子均很难检测出边缘。而且一旦有噪声干扰,处理效果更不理想。

3.4 人工神经网络法

人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成,网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习,可以实现图像的边缘检测。

使用神经网络法的时候,因为网络中有许多相互连接,所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性,但是它的处理过程和标准的串行计算机很类似,这样就降低了它计算方面的潜在优势。

3.5 可变模型法

可变模型法是基于模型的、使用闭合参数曲线或曲面描绘边界的分割方法。这个模型又叫Snake模型(活动轮廓模型)。其过程就是活动的轮廓在模拟的内部力(内部能量)和外部约束力(外部能量)作用下形变,向物体边缘靠近,外力推动活动轮廓向着物体边缘运动,内力保持活动轮廓的光滑性和连续性;最终到达平衡位置时即收敛到目标的边缘,求得对目标的分割结果。

Snake是定义在待分割图像上的一条任意闭合曲线,对该曲线构造合适的变形能E=Eint+Eimαge+Eext

其中Eint是由于模型拉伸、弯曲而产生的内能;Eimαge是与图像特征有关的能量;Eext是外部能量。

E最小对应于灰度梯度最大,此时的活动轮廓就是物体边缘,通过最小化该函数,就能找到物体边缘。

这种方法也存在一些不足:(1)分割的结果与活动轮廓的初始位置有关,要求初始位置模型应接近物体边缘;(2)活动轮廓很难收敛到曲率高的边缘(如尖角等)。

现在有很多改进的算法,如自适应活动轮廓,引入与各象素点概率分布有关的统计图像能,使得活动轮廓模型克服噪声的影响,且分割的结果与活动轮廓的初始位置无关;为了使活动轮廓能收敛到曲率高的边缘,引入与活动位置有关的弹性系数、硬性系数,提出了一种松弛法。还可以利用图像的先验知识与Snake结合,即在Snake的内部能量函数中加入预知信息,能提高分割的速度及准确度。

3.6 基于模糊集理论的方法

为用不精确的知识表达事件,人们提出了模糊集合的概念。模糊集合理论能较好的描述人类视觉中的模糊性和随机性。由于图像中的边缘、拐角或者区域之间的关系难以精确的加以描述,具有不确定性和模糊性,把模糊集理论引入图像分割中来,取得了较好的分割效果,并特别在医学图像分析中得到了较多的应用。

结合信息论中交叉熵的概念,基于模糊集理论分割中提出了模糊散度的概念来表达图像中的模糊性。模糊散度既能定量反映集合内成员对该集合的隶属程度,又能结合概率分布表征两个集合之间的相似程度。类间最大模糊散度阈值化分割法就是利用模糊集的概念在分割图像时分别定义目标模糊集o和背景模糊集b,由于隶属度函数的形式和取值与阈值有关,对每个待选阈值能得到不同的类间模糊散度,可以将散度最大的阈值作为最优分割阈值,以此阈值来分割图像。类内最小模糊散度阈值化分割法是把分割后图像B和原来的图像G的目标之间的模糊散度和背景之间的模糊散度的和定义为B和G之间的模糊散度,当这个模糊散度最小时,可以看作在模糊信息意义上分割图最接近原始图,所以按这种准则来获得最优分割阈值实现对图像的分割。

其他基于模糊集理论的方法还有模糊C—均值聚类分割法、模糊边缘检测技术等。

模糊技术在图像分割中一个显著的应用特点是它几乎能与所有现有的分割技术结合使用,从而形成一系列的集成模糊分割技术。

3.7 其他方法

还有一些图像的分割方法,如:聚类法;用样条进行曲线拟合,它是一种SB法(串行边界)。此外,基于小波分析的分割技术也逐渐被应用在生物图像中。因为生物医学图像中软组织的物理和解剖特性,以上的方法一般不单独使用,而是融入其他的方法里。

除了上述方法外,很多研究者把数学形态学、遗传算法、信息融合技术和信息论等应用于此,针对不同的实际情况,提出很多改进的新算法。

摘要：图像分割是图像处理工作中重要的一步，论文简单介绍图像分割问题，讲述了现有主要的图像分割方法，为进一步进行该方面的研究提供一定的帮助。

关键词：图像分割,边界,区域

参考文献

[1]杜干，孙肖子．医学图像分割的神经网络方法[J]，西安电子科技大学学报，1998(5)．

[2]郑南宁，刘键勤．基于区域特征的自适应图像分割方法[J]，电子学报，1995 (7)．

[3]唐果，赵晓东，汪元美．三维医学图像分割与可视化研究[J]，计算机学报，1998(3)．

[4]朱俊株，郭立，王宁．一种基于模糊增强的图像分割方法[J]，微机发展，1999 (6)．

[5]王蓓，张立明．利用图像先验知识与Snake结合对心脏序列图像的分割[J]．复旦学报(自然科学版)，2003(1)．

[6]罗渝兰，王景熙，郑昌琼．图像分割在生物医学工程中的应用[J]，计算机应用，2002(8)．

医学图像分割进展 篇5

信息技术的飞速发展和计算机应用水平的不断提高,促使了医学成像技术的突飞猛进,人们能够获得大量高分辨率的医学图像,如:计算机断层成像(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、超声成像(Ultrasonography,US)等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节,如何把这些成像技术中获得的各种定量、定性数据进行分析,是至关重要的问题。只有把感兴趣的目标从图像背景中提取出来,才能够进一步对它们进行定量分析或识别,进而对图像进行理解。目前,医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。

1 医学图像分割技术的发展

医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。人工分割是指由经验丰富的临床医生在原始胶片图像上直接勾画出有关组织的边界,或者通过图像编辑器用鼠标在计算机监视器上勾画出有关组织的边界成感兴趣的区域[2]。目前,人工分割的精度在所有分割方法中是最高的,被视为金标准。虽然人工分割的精度极高,但该方法费时、费力,其分割结果的优劣完全取决于操作者的经验知识,且分割结果难以重现。半自动分割方法是随着计算机科学的发展而产生的,它是把计算机强大的数据处理、存贮和记忆能力与人的知识和经验有机地结合起来,通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比,分割速度明显提高,但分割结果很大程度上仍然依赖于操作者的经验知识,这种情况在一定程度上影响了半自动分割技术在临床上的推广应用。自动分割是由计算机完成图像分割的全过程,完全脱离了人为干涉。由于该方法不存在人为因素的影响,因此能够很好地再现分割结果,为精确定量测量奠定了基础。但自动分割算法复杂,运算量较大,在有些情况下,仍然需要人工干预。因此,研究新的自动分割方法一直是近年来图像分割方法研究的重点。从目前图像分割技术的发展趋势来看,新分割方法的研究大多以下列几个方向为其目标:(1)自动,以最少的人机交互完成分割的全过程;(2)精确,以最优化的结果与解剖结构接近;(3)快速,以实时处理为最终目标;(4)自适应性,对于不同的应用可以自我学习,自我适应;(5)鲁棒性,对噪声、模糊等干扰具有较强的免疫力。

2 医学图像分割方法

医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础,也是临床医学应用的瓶颈,分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。由于医学图像具有极为繁杂的多样性和复杂性,加上目前医学影像设备(CT、MRI、PET等)成像技术上的特点,使得医学图像存在一定的噪声,图像中目标物体边缘也可能不清楚,这使得医学图像分割更加困难。因此,目前在医学图像分割方面仍然没有可以通用的理论和方法。一般来说,图像分割主要可分为基于区域的分割方法和基于边界的分割方法[3]。基于区域的分割方法,依赖于图像的空间局部特征,如:灰度、纹理及其它像素统计特性的均匀性等。基于边界的分割方法主要是利用梯度信息确定目标的边界,这种方法不依赖于已处理像素的结果,适于并行化,缺点是对噪声敏感,而且当边缘像素值变化不明显时,容易产生假边界或不连续的边界,在实际应用中往往需要把这两种方法结合起来。

2.1 基于区域的分割方法

2.1.1 区域生长法[4]

区域生长法是将具有相似性质的像素集中起来构成区域,该方法需要先选取一个种子点,然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长法的优点是计算简单,特别适用于描绘肿瘤和伤口等小而简单的结构,区域生长很少单独使用,往往与其他分割方法一起并用。区域生长法的缺点是:它需要人工交互以获得种子点,这样,使用者必须在每个需要抽取的区域中植入一个种子点。同时,区域生长法对噪声也敏感,导致抽取的区域有空洞,或者在局部体效应的情况下将原本分开的区域连接起来。为了克服这些缺点,陆剑锋[5]提出了一种通过计算种子点附近领域统计信息,自适应改变生长标准参数用于头骨CT、肝脏CT以及人脑MRI图像的分割算法,在切片图像预处理进程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对滤层切片进行滤波,结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性。

2.1.2 基于统计学的方法[6,7]

随机场的方法是空间像素点之间空间关联的统计学方法,如基于马尔科夫随机场(MRF)方法。统计学方法的实质是从统计学的角度出发对数字图像进行建模,把图像中各个像素点的灰度值看作具有一定概率分布的随机变量。MRF模型应用的难点在于选取合适的参数,控制空间相关性的强度,强度过强将导致分割图像边缘过度平滑,从而丢失一些重要的解剖细节信息。另外,应用MRF模型的算法计算量很大。尽管有这些缺点,MRF还是一种应用广泛的模型。MRF模型常被用于估计和校正核磁图像中的局部体效应和强度不均匀现象。另一种常用的基于统计学的方法为标记法(Labeling),此方法就是将图像分割成的几个物体各以一个不同的标号来表示,对图像中的每一个像素,用一定的方式赋予其中一个标号,标号相同的像素就组成该标号所代表的物体。Weian Deng[8]等人给出了一种以概率标记法作为边缘检测后处理的迭代算法。

2.1.3 人工神经网络法[9]

人工神经网络(ANN)是一种大规模并行连续处理系统。ANN具有模拟人类信号处理能力并且非常擅长解决模式识别领域中的模式分类问题,而医学图像分割问题正是对图像中的各个解剖结构进行分类和标记的问题。ANN的主要特点有:具有通过实例学习的能力,并能利用前馈网络概括所学内容;对于随机噪声有很强的鲁棒性,具有容错的能力和最优搜索能力。因此,当利用其它方法进行图像分割时,对于噪声、组织不均匀性、生物形态的多变性等问题,利用ANN技术可以得到很好的解决。但是,使用神经网络法时,因为网络中有许多相互连接,所以空间信息就能很容易地包含在分类过程中。此分割方法分为两种:有标准图像样本集和无标准样本集分割。有标准样本集的分割方法是首先对标准样本进行训练,得到神经网络分类器,待分割图像时根据分类器进行分类,没有标准标本集的分割方法是对像素特征设计一个非线性聚类器,目前这种分割方法主要集中对神经网络的改进上。

2.2 基于边缘的分割方法

2.2.1 基于形变模型的方法[10]

此类方法目前在医学图像分割中应用最广,它的特点是将图像数据、初始轮廓、目标轮廓和基于知识的约束统一于特征提取的进程中。形变模型包括二维形变轮廓模型(又称Snake)和三维形变曲面模型,还有一些利用形状先验知识和使用点集合先验知识的改进模型。形变曲面模型是活动轮廓在三维空间的推广形式。三维形变曲面模型可以更高效、更快捷地利用三维数据,而且更少地需要用户交互或指导。形变模型分为两大类:参数形变模型和几何形变模型。基于参数形变模型分割过程就是使模型在外能和内能作用下向物体边缘靠近,外力推动轮廓曲线运动,而内力保持轮廓的光滑性。几何形变模型方法利用曲线演化理论来实现。轮廓对应于一个更高维曲面的演化函数的零水平集,演化函数可用某种形式的偏微分方程来表示,利用图像信息(如边缘)来控制曲面演化过程的停止。形变模型的主要优点是能够直接产生闭合曲线或曲面,并对噪声和伪边界有很强的鲁棒性;缺点是:它对初始边界位置十分敏感,有时要求人工选择合适的参数。

2.2.2 基于数学形态学的方法[11,12]

随着数学形态学理论的不断完善和发展,数学形态学在图像边缘检测中得到广泛的研究和应用。数学形态是一门新兴科学,它建立在严格的数学理论基础上,其基本思想和方法对图像处理的理论和技术产生了重大影响,数学形态学已经构成一种新兴的图像处理方法和理论。形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行,结构元素可以任意大小。形态学的基本操作是膨胀、腐蚀、开闭运算,它们算法简单,同时能较好地保持图像的细节特征,很好地解决边缘检测精度与抗噪声性能的协调问题,缺点是算法的适应性差。形态学理论在图像分割中的应用有代表性的是Luc Vincent[13]等人提出的分水岭方法(Watershed)[14]。该算法的思想来源于地理学。经过分水岭方法处理后,将输出原始图像的过度分割图(分割的区域数目超过图像中包含的实际对象数),过度分割的区域数目取决于参数的大小。虽然这些方法已成功用于图像分割,但它们需要用户的交互或准确的关于图像结构的先验知识。为改进早期方法的这些问题,分水岭算法往往与其他方法结合使用。

2.2.3 基于小波变换的方法[15]

近年来,在低频和高频分析时有“变焦”特征的小波变换在医学图像分割中,得到广泛应用。用小波进行医学图像阈值分割的思想是利用二进制小波变换将图像直方图分解为不同层次的小波系数,依照给定的分割准则和小波系数选择阈值门限,整个过程由粗到细,由尺度来控制。如果分割不理想,则可利用直方图在精细的子空间上的小波系数逐步细化图像分割;用小波进行边缘检测,则是利用小波系数模的极大值。文献[16]提出了一种小波多尺度几何活动的曲线模型,就是小波边缘检测的方法;采用间隔采样的离散小波变换提取图像特征,在矢量量化聚类的基础上,通过增加马尔可夫随机场的限制条件,建立起小波空间内的分割统计模型。在小波最高层空间简单设置初始聚类情况,经过优化迭代过程以及相邻空间内的分割结果的遗传,使其逐层自适应地收敛到最佳聚类状态。在多尺度分析下,图像的类别信息和位置信息是一对矛盾,两者之间存在不确定性[17]。因此,必须充分考虑各尺度之间的拓扑关系和对称性,如此会大大提高分割算法的计算效率。

3 医学图像分割新技术

3.1 基于模糊技术分割[18]

模糊技术是建立在模糊集合理论基础上的,能很好地处理三维医学图像内在的模糊性,而且对噪声不敏感。由生物医学成像设备获取的图像数据具有内在的不确定性,这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辨率方面的局限性以及成像设备的其它物理限制等。这些不确定性是模糊技术在图像分割中得到广泛应用的一个决定性的因素,因为模糊技术正是为了处理事物的不确定性而诞生的。

2003年,Hiew等人[19]提出了一种应用于对三维MR图像进行分割的自适应空间FCM算法[20]。输入的图像可能由于噪声和强度的不均匀而浑浊,该算法考虑了空间连续性的约束,采用相异索引(dissimilarity index)的方法,使获得的局部空间连续性约束能够减少噪声的影响和分类的不明确性。与其它已公开的算法比较,该算法的有效性在广义模糊试验中用模拟和实际的MR图像都得到了证实。

3.2 基于知识的分割[21,22]

基于知识的分割是所有图像分割方法中最重要的方法之一。近年来随着人工智能技术的发展,基于知识的分割方法也得到了广泛地研究和应用。基于知识的分割方法主要包括两个方面的内容:知识的获取,即归纳及提取相关的知识,建立知识库;知识的应用,即有效地利用知识实现图像的自动分割。基于知识的分割,其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置;(2)解剖学知识,即某器官的解剖学和形态学信息,以及其几何学与拓扑学的相互关系,这种知识通常是用图谱来表示的;(3)成像知识,这类知识与成像方法及其具体的设备有关;(4)统计知识,例如MRI的质子密度(PD)、T1和T2统计数据,并把它们与解剖学的有关数据联系起来。

2002年,Boscolo等人[23]提出了一种新颖的基于知识的分割方法。医学图像分割通常需要医学专家对感兴趣的解剖结构区域提供准确、持续的鉴定,而Boscolo等人的分割方法将基于知识的分割系统与一套熟练的主动轮廓模式(active contour mode1)[24]相结合,此方法利用一种高级过程的引导对不同的解剖结构进行粗略的分割,使用者无需提供初始轮廓放置,而由高级过程自动执行必须的参数优化。关于被分割的解剖结构的知识,则用一个叫做可能性密度函数根据统计学规律定义成位置、大小、图像亮度等参数。目前,该方法正在进一步研究是否确实能够提供持续的高级分割。

3.3 基于仿生模式识别的分割[25]

近年来出现的仿生模式识别方法,一经提出便受到了广泛的关注,该方法以多维空间几何分析理论为基础,利用特征空间同类样本的连续性规律,对一类事物的“认识”,实际上是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和认识,再根据这种规律性建立起“多维空间中非超球复杂几何形体覆盖”,将简单的点划分转换为点的覆盖过程,从而从根本上改变传统模式识别的弊端,将误识率基本降为零,避免由于误识而产生的严重后果。仿生模式识别已成功应用于多个领域并取得了一定的成果[26,27],也为医学图像分割开辟了一个崭新的研究方向。

吴海珍等人[28]提出一种基于仿生模式识别的医学图像分割算法,该算法以仿生模式识别为基础,采取先覆盖后分割的方法。以核磁共振(MRI)脑图像分割为例,并与神经网络方法、支持向量机方法进行了分割效果比较。实验结果表明,该方法有效地提高了分割精度,改善了分割性能,具有更强的鲁棒性和实用性。

4 医学图像分割方法评价

医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现,以通过选择算法参数来适应不同类型图像的需要。另外,通过比较多个算法分割特定图像的性能,有助于在具体分割任务中选取合适的算法。这对于医学图像的分割尤为重要,因为分割的准确度直接关系到临床应用效果。现有的评价方法可分为两类:直接分析法和间接实验法。分析法直接研究分割算法本身的原理特性,通过分析得到算法性能;实验法则根据分割图像的质量间接地评判算法的性能。分析法得到的结果比较客观,但许多算法直接分析比较困难,且分析法不可能获得分割算法的所有性质,常与其他算法结合使用。但是,由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异等原因,目前还没有一种能对所有图像都产生满意分割效果的分割方法。各种算法都具有很强的针对性,往往是基于特定的领域、特定的成像模型。如今对医学图像分割算法的评价还是以主观评价为主,尽管主观评价存在很多缺点,但是由于医学图像的复杂性以及图像分割理论的不完善,目前还不能完全用客观评价的方法对医学图像分割算法进行评价,所以今后对医学图像分割算法的主观评价仍将占主导地位。

5 展望

医学图像分割概述 篇6

医学图像分割是医学图像处理与分析中的关键技术, 也是医学图像处理领域中的经典难题。由于噪音、场偏移效应、局部体效应等影响, 获取的医学图像不可避免的具有模糊、不均匀等特性。医学图像分割成了医学研究和计算机图像领域的研究的热点。

医学图像分割至今已有上千种分割方法, 其中既有经典的方法也有结合新兴理论的方法。在医学领域中, 图像分割是病变区域提取、特定组织测量以及实现三维重建的基础, 因此图像分割技术在医学图像处理中具有十分重要的意义, 仍是当前医学图像处理和分析的热点。目前国内外广泛使用的医学图像分割方法主要是基于区域的或基于边界的方法。

2 医学图像分割方法种类

2.1 医学图像分割技术

基于区域的图像分割技术强调的是同一对象内部特征的相似性, 这类分割算法的目的是按照解剖的或功能的角色把这些区域进行划分。基于边界的图像分割技术强调的是不同对象间特征的不连续性, 是依赖于图像中物体边界周围的梯度特征进行分割。基于区域或边界的方法可分为阈值分割算法、区域生长和分裂合并算法、聚类算法和边缘检测方法。

阈值分割算法利用图像中目标物体与背景灰度上的差异, 把图像分为不同灰度级的目标区域和背景区域, 用一个或几个阈值将图像的灰度级分为若干个部分, 认为属于同一个部分的像素是同一个物体;区域生长的基本思想是将具有相似特性的像素集合起来构成区域。首先为每个需要分割的区域确定一个种子像素作为生长起点, 然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中;聚类算法通过相似性的概念来把像素或体素划分到它所属的类型中的, 是一种目前非常流行的非监督分类算法;在图像分割中, 常用的边缘检测算子有:梯度算子、Sobel算子、Laplacian算子、Roberts算子、Canny算子等, 跟踪检测出的边缘点以构成边缘。

医学图像分割至今尚无通用的自身理论, 随着各学科许多新理论和方法的提出, 出现了许多与一些特定理论方法相结合的医学图像分割方法。主要包括基于模型的方法、基于知识和图谱的方法、基于数学形态学的方法、基于人工神经网络的方法、基于分形的方法和基于遗传算法的方法等。

2.2 偏移场医学图像分割

由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。现有的偏移校正方法分为:预处理方法和后处理方法。

预处理方法是基于MR设备特性, 需要用磁共振设备专门采集用于校正的数据, 必须获得原图像的扫描状态;后处理方法是基于图像特性, 可以适用于任何MR图像, 但是这种方法基本不能区分真实图像中与偏差场相似的成分, 造成真实图像中这一部分的失去或是偏差场不能完全校正。后处理方法中包括曲面拟合、空间滤波、统计方法和基于域的转化方法。

(1) 空间滤波的方法。基于空间滤波的偏移校正方法, 假设偏移场是由空间的低频亮度变化组成。这些方法, 先从原图中计算出偏移场, 然后通过将原始图像和偏移图像对应像素相除来进行偏移校正。各种空间滤波方法的主要不同在于在提取步骤中滤波方式的不同。滤波器分为低通滤波和同态滤波。

(2) 统计的方法。基于统计的方法主要目的在于图像分割, 在算法设计的时候考虑到了偏移场的影响。主要分为基于最大似然 (maximum likelihood) 和最大后验概率 (maximum a posteriori) 的方法、基于模糊C均值的方法和基于直方图的方法。

(3) 域的转化方法。代替空间域, 偏移校正可以在其他域中执行, 可以是双重性的, 如傅立叶域或者小波域, 或者补偿性, 如概率密度函数域。在这些域中, 可以对偏移场做出不同的假设, 校正之后, 再被转化到空间域中。

3 总结

医学图像分割是医学图像处理领域中的经典难题。医学图像处理与分析是近年来新兴的交叉学科, 随着图形、图像技术的发展, 医学图像的质量和显示方法得到了极大的改善, 从而借助于数字图像处理与分析手段使得诊疗水平大大提高。

由于偏移场的存在使磁共振图像的分割比其他医学图像分割困难的多, 现有偏移校正方法存在一定局限性, 即在偏移估计与校正的过程中, 会造成不同程度的信息丢失。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 介绍了基本的医学图像分割方法, 对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

摘要：在医学研究和实践中, 经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量, 从而得出该组织病理、或功能方面的重要信息。由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。医学图像分割算法的研究仍是当前医学图像处理和分析的热点。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 并对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

关键词：医学图像分割,偏移场,自动化分割

参考文献

[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.

[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.

图像分割算法研究 篇7

1 图像分割方法

图像分割的方法和种类有很多, 有些分割运算可直接应用于任何图像, 而另一些只能适用于特殊类别的图像。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤, 图像分割结果的好坏直接影响对图像的理解。分割算法基本可以分为两大类:边缘检测和阈值分割。

1.1 边缘检测

边缘是指图像中灰度发生急剧变化的区域。图像灰度的变化情况可以用灰度分布的梯度来反映, 给定连续图像f (x, y) , 其方向导数在边缘法线方向上取得局部最大值。图像的边缘是指图像局部区域亮度变化显著的部分, 该区域的灰度剖面可以看作是一个阶跃, 既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图像的边缘部分集中了图像的大部分信息, 边缘检测主要是图像的灰度变化的度量、检测和定位。图像边缘检测的基本步骤如下:

1) 滤波。边缘检测主要基于导数计算, 受噪声影响, 但是滤波器在降低噪声的同时也导致边缘强度的损失。

2) 增强。增强算法将邻域中灰度有显著变化的点突出显示, 常通过计算梯度幅值完成。

3) 检测。有些图像中梯度幅值较大的并不是边缘点。常用的边缘检测是梯度幅值阈值判定。

4) 定位。精确确定边缘的位置。

边缘检测常用的算子有梯度算子Roberts, Sobel, Prewitt;Laplace算子;二阶导数过零点算子;canny算子等。

1.2 阈值分割

阈值分割法是一种基于区域的图像分割技术, 其基本原理是通过设定不同的特征阈值, 把图像像素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。阈值分割法是将灰度图像变为二值图像以达到分割目的的方法, 它是一种并行区域法。其过程是决定一个灰度值, 用以区分不同的类, 这个灰度值就叫做“阈值”, 把灰度值大于阈值的所有像素归为一类, 小于阈值的所有像素归为另一类。阈值法是一种简单但是非常有效的方法, 特别是不同物体或结构之间的有很大的强度对比时, 能够得到很好的效果。阈值分割实现简单、计算量小、性能较稳定, 已被应用于很多的领域。

2 图像分割算法

对灰度图像, 基于各像素值的阈值是仅考虑各像素本身灰度值而确定的, 因而算法一般较简单, 但抗噪声能力不强。所确定的阈值 (对多阈值分割是阈值序列) 作用于整幅图像的每个像素, 因而对目标和背景的灰度有梯度变化的图像效果较差。

图像的灰度直方图是图像各像素灰度值的一种统计度量。许多常用的阈值选取方法就是根据直方图来进行的。根据对图像模型的描述, 如果对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可以将目标和背景分开。谷的选取有许多方法, 下面介绍几种算法。

2.1 极小值法

极小值法原理:图像由前景和背景组成, 在灰度直方图上, 前后二景都形成高峰, 在双峰之间的最低谷处就是图像的阈值所在。如果将直方图的包络看作是一条直线, 则选取直方图的谷可借助求曲线极小值的方法。设用h (z) 代表直方图, 那么极小值点就应同时满足:h (z0)

其中σ为高斯函数的标准差。

极小值点法实现简单、计算量小, 而且只产生一个阈值, 但是它必须准确算出双峰的位置, 而且要保证不能有毛刺的存在。而且具体图像要用的高斯滤波器系数不同, 系数选取又不当分割后的效果将很不理想。

2.2 求导法

求导法是改进了的极小值法, 它也是求极小点, 不同的是它不是通过比较的方法, 而是通过求导的方法找阈值。设用g (z) 代表直方图, 那么最小点应同时满足:

导数使用gradient指令, 一阶导数P=gradient (g) , 二阶也就是Q=gradient (P) , 那么在图像灰度范围1到256内寻找满足条件P=0and Q>0的点, 可以得到Z0阈值点。理论上一阶导数应该是0, 但是实际中通常由于毛刺的存在, 一阶导数是不为零的, 而是无限趋近于零, 因而给程序设计带来不便。可以让一阶导数P取大些, 计算出的阈值个数增加了, 要对比的图像也多了, 但是却可以找到合适的阈值, 通过调整P可以来调节计算出的阈值的个数。编程时我先设定P<0.1, 若找不到, 就增大P来寻找。

求导法是也受图像毛刺的影响, 毛刺会使图像产生很多满足P的点, 使计算出的阈值更多而且远离理想阈值点。因而要使图像平滑, 必然要滤除掉毛刺。可以通过高斯滤波, 滤波系数可以设为定值。

求导法实现起来比较简单, 计算量小, 性能比较稳定, 分割结果也较理想, 但是由于它需要人工的比对, 花费大量的时间才能算出理想的结果。

2.3 平均法

平均法原理简单, 基于对称的理论。先统计出大于零的总的像素个数P, 然后设定条件:从1开始到某一点大于零的总的像素个数为Q (Z) , 一旦Q (Z) >P/2就停止运算, 计算出的这一点就是阈值点Z0。优点是程序设计简单, 运算量小, 运行也稳定, 缺点是它是根据直方图对称的原理计算的阈值, 因而当基本对称时分割效果最好, 而普遍效果一般。

2.4 直方图变换法

直方图变换法, 是利用一些像素领域的局部性质变换原始的直方图为一个新的直方图。这个新的直方图与原始直方图相比, 或者峰之间的谷底更深, 或者谷转变成峰从而更易于检测。这里的像素领域局部性质, 在很多方法中经常用的是像素的梯度值。例如, 由于目标区的像素具有一定的一致性和相关性, 因此梯度值应该较小, 背景区也类似。而边界区域或者噪声, 就具有较大的梯度值。利用直方图变换方法, 根据梯度值加权, 梯度值小的像素权加大, 梯度值大的像素权减小。这样, 就可以使直方图的双峰更加突起, 谷底更加凹陷。

直方图变换法是通过对直方图进行变换找到直方图的谷, 然后进行分割的。相比其它程序比较复杂, 但可靠性高。

2.5 边缘检测法

边缘是图像的特征之一, 通过分离边缘就可以实现对图像的分割, 流程图如图1所示。边缘检测是用各种算子模版与图像作卷积运算实现, 边缘检测的结果往往离提取图像信息的要求还很远。

实现边缘检测的算子很多, 各种算子对边缘的提取效果也不同, 从效果来看, canny效果比较好, 但是边缘检测只能为人们提供不完整的边缘信息, 不是人类所要获取的信息, 还要进行处理。

2.6 迭带法

迭代法是基于逼近的思想, 其步骤如下:

1) 求出图像的最大灰度值和最小灰度值, 分别记为ZMAX和ZMIN, 令初始阈值T0= (ZMAX+ZMIN) /2;

2) 根据阈值TK将图像分割为前景和背景, 分别求出两者的平均灰度值ZO和ZB;

3) 求出新阈值TK+1= (ZO+ZB) /2;

4) 若TK=TK+1, 则所得即为阈值;否则转2) , 迭代计算。

具体实现时, 首先根据初始开关函数将输入图逐个图像分为前景和背景, 在第一遍对图像扫描结束后, 平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将输入图分为前景和背景, 并用做新的开关函数。如此反复迭带直到开关函数不在发生变化, 此时得到的前景和背景即为最终分割结果。迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在, 但在图像的细微处还没有很好的区分度。对某些特定图像, 微小数据的变化却会引起分割效果的巨大改变, 两者的数据只是稍有变化, 但分割效果却反差极大。对于直方图双峰明显, 谷底较深的图像, 迭代方法可以较快地获得满意结果, 但是对于直方图双峰不明显, 或图像目标和背景比例差异悬殊, 迭代法所选取的阈值不如其它方法。

2.7 大津法

图像记t为前景与背景的分割阈值, 前景点数占图像比例为w0, 平均灰度为u0;背景点数占图像比例为w1, 平均灰度为u1, 则图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t, 当t使得值g=w0* (u0-u) 2+w1* (u1-u) 2最大时t即为分割的最佳阈值。

大津法可作如下理解:该式实际上就是类间方差值, 阈值t分割出的前景和背景两部分构成了整幅图像, 而前景取值u0, 概率为w0, 背景取值u1, 概率为w1, 总均值为u, 根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量, 方差值越大, 说明构成图像的两部分差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小, 因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大, 因此在实现时采用了等价的公式g=w0*w1* (u0-u1) 2。在测试中发现, 大津法选取出来的阈值非常理想, 表现较为良好。虽然它在很多情况下都不是最佳的分割, 但分割质量通常都有一定的保障, 可以说是最稳定的分割。

3 结束语

介绍了多种图像分割的方法, 原理不同, 分割的结果也各异, 为我门进一步对图像分割评价和获取信息提供了重要依据。极值法、求导法都是直接对直方图研究, 而直方图变换法则是通过变换直方图, 使求谷值转换为极大值的方法;迭代法和大律法则是通过类间方差公式的不同变换形式来计算阈值;平均法是通过理想情况来类比寻一般情况求取阈值。

参考文献

[1]Barrera J, Tomita N S, Silva F S C, et al."Automatic Programming of Binary Morphological Machines by PAC Learning"[C].SPIE, Proceed-ings Neural, Morphological and Stochastic Methods in Image and Signal Processing, 1995.

[2]Hirata N S T, Barrera J, Terada R."Text Segmentation by Automatically Designed Morphological Operators"[C]."Proc.Of SIB-GRAPI'2000", Gramado, Brazil, October, 2000.

[3]卢超.基于熵的多点脉搏传感器信息融合方法[J].佳木斯大学学报:自然科学版, 2009 (5) .

[4]刘斌, 欧宗瑛, 等.一种序列切片图像的快速自动分割方法[J].武汉大学学报:信息科学版, 2009 (5) .

[5]卢超.单片机同PC机通信的一种新方法[J].矿山机械, 2007 (4) .

[6]黄长专, 王彪, 杨忠.图像分割方法研究[J].计算机技术与发展, 2009, (6) .

[7]卢超.基于PC机与单片机分布式温度采集系统的设计[J].仪表技术与传感器, 2007 (6) .

[8]章日康.基于偏微分方程及变分水平集的图像分割[D].电子科技大学, 2008.