医学图像分割方法综述

医学图像分割方法综述

林瑶，田捷1

北京,中国科学院自动化研究所人工智能实验室,100080

摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。

关键词：医学图像分割 综述

1．背景介绍

医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。

定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...：

g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。

(b) 是连通的区域。

g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。

g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。

医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。

为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x

g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.docsj.com/doc/031098616.html,

的某一类。

2．基于区域的分割方法

图像分割通常会用到不同对象间特征的不连续性和同一对象内部的特征相似性。基于区域的算2.1 法

是最常见的并行的直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分同类的物体灰度值或其他特征值相差很大时，它能很有效大的图像，

对于图像中不存在明显的灰的困难所在。至今仍有.2 区域生长和分裂合并

两种典型的串行区域分割方法。其特点是将分割过程分解为顺序的多个，该方法需要先选取一个种子用者必须在每个需要抽取出的区域中法测重于利用区域内特征的相似性。

阈值阈值分割割，它将图像分为目标和背景两大类；如果用多个阈值分割称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。

阈值分割的优点是实现简单，对于不的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。它也常被用于CT 图像中皮肤、骨骼的分割。

阈值分割的缺点是不适用于多通道图像和特征值相差不度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。

对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法不少学者针对该问题进行深入的研究，提出了许多新方法。在近年来的自动选取阈值方法中，基于最大熵原则选择阈值是最重要的方法之一，由T.Pun 首先在[9]中提出。这种方法的目的在于将图像的灰度直方图分成两个或多个独立的类，使得各类熵的总值最大，从信息论角度来说就是使这样选择阈值获得的信息量最大。J.N.Kapur 等人进一步发展了这种方法[10]，P.Sahoo等人提出了用Renyi熵代替常规熵的最大熵原则[11]。Jui-Cheng Yen等人提出用最大相关性原则选择阈值[12]，这种方法其实只是用他们定义的一个最大相关性原则取代了一般用的最大熵原则。

2区域生长和分裂合并是步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域点，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。区域生长算法的研究重点一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。区域增长方式的优点是计算简单。与阈值分割类似，区域增长也很少单独使用，往往是与其他分割方法一起使用，特别适用于分割小的结构如肿瘤和伤疤[13]。

区域生长的缺点是它需要人工交互以获得种子点，这样使植入一个种子点。同时，区域增长方式也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。为解决这些问题，J.F. Mangin 等提出了一种同伦的（homotopic ）区域生长方式[14]，以保证初始区域和最终抽取出的区域的拓扑结构相同。Shu-Yen Wan 等提出的对称区域增长算法[15]有效地弥补了原算法对种子点敏感和占用内存多的弱点，而且对3D 连接对象标记和删除空洞的算法效率较高。另外，模糊连接度方法与区域增长相结合也是一个发展方向[16]。

在区域生长或合并方法中，输入图像往往被分为多个相似的区域。然后类似的相邻区域根据某种判断准则迭代地进行合并。在分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并方法中[17]，区域从整幅图像进行分裂，然后将相邻的区域进行合并。分裂合并方法不需要预先指定种子点，它的研究重点是分裂和合并规则的设计。但是，分裂技术可能会使分割区域的边界被破坏。

2.3分类器和聚类

分类是模式识别领域中一种基本的统计分析方法。分类的目的利用已知的训练样本集在图像的特征空间找到点（1D）、曲线（2D）、曲面（3D）或超曲面（高维），从而实现对图像的划分。用分类器[2]进行分割是一种有监督的统计方法，它需要手工分割得到的样本集作为对新的图像进行自动分割的参考。分类器又分为两种：非参数（nonparametric）分类器和参数（parametric）分类器。典型的非参数分类器包括K近邻（KNN）以及Parzen窗（一种投票分类器）。它们对图像数据的统计结构没有要求。参数分类器的代表是Bayes分类器,它假定图像的密度函数符合高斯独立分布。分类器的有两个优点：(1) 不需要迭代运算，因此计算量相对较小。(2) 能应用于多通道图像。但是分类器同样没有考虑空间信息，因此对灰度不均匀的图像分割效果不好。分类器还要求由手工分类生成训练集，而手工分类的工作量很大。同时，用小量的训练集训练的分类器对大量的样本空间进行分类时会产生误差，因为它没有考虑到人体的解剖机构的个体差异。

聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的(unsupervised) 统计方法。因为没有训练样本集，聚类算法迭代的执行对图像分类和提取各类的特征值。从某种意义上说，聚类是一种自我训练的分类。其中，K均值、模糊C均值(Fuzzy C-Means)、EM(Expectation-Maximization)和分层聚类方法[18][19]是常用的聚类算法。K均值算法先对当前的每一类求均值，然后按新生成的均值对像素进行重新分类(将像素归入均值最近的类)，对新生成的类再迭代执行前面的步骤。模糊C均值算法从模糊集合理论的角度对K均值进行了推广。EM算法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。分层聚类方法通过一系列类别的连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。聚类分析不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。另一方面，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感[2]。

八十年代以来，聚类方法开始被用于核磁图像多参数特性空间的分类，如脑白质和灰质的分割。随着近十年来像数据保真度的提高，这类方法逐渐发展成熟起来，出现了一系列方法来提高聚类算法对图像灰度不均匀和噪声的鲁棒性，并在磁共振图像上取得了成功[1]。不均匀的医学图像可以先用校正算法消除偏场效应，再运用标准的分割算法[20] [21]。还有一些方法在分类的同时补偿偏场效应[22][23][24]，其中最有名的方法是Wells等提出的自适应分割方法[25]，在分类同时采用EM算法估计图像偏场。用此方法能够得到基于后验概率的模糊分割，但对大多数数据集仍需要一些人工交互提供训练数据。当然，并非所有人承认该方法是最好的解决方案，不少学者仍在继续研究其他解决方法。

2.4基于随机场的方法

统计学方法中最常用的一种是将图像看作一个马尔科夫随机场MRF。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是具有一定概率分布的随机变量。从观察到的图像中恢复实际物体或正确分割观察到的图像从统计学的角度看就是要找出最有可能即以最大的概率得到该图像的物体组合来。从贝叶斯定理的角度看，就是要求出具有最大后验概率的分布。

MRF(Markov random field)本身是一个条件概率模型，其中每个像素的概率只与相邻点相关。直观的理解是，在MRF假设下，大多数像素和其邻近的像素属于同一类。以L={(i,j):1≤i≤N1,1≤j≤N2}表示一个N1×N2的图像网格。以X={X ij}表示一个离散取值的随机场，随机变量Xij可取图像可能的灰度值集合G={g1,g2,...gM}中的一个，以x ij表示X ij的一个特定值。

定义一个图像中的邻域系统η={ηij ：(i , j )∈L}满足条件：对任意两个像素点x , y , 若x ∈y η, 则y ∈x η,如通常所说的的四邻域，八邻域等。用C 表示一个基于η的像素点小集合，其中的任何两个像素点每一个都相互属于另一个的邻域，以c 表示C 中的元素即C 中的一个像素点。在这些定义下，MRF 为满足下式的随机场：

)8( 该随机场中的变量符合下式所示的Gibbs 分布： L j)(i, )()},(),(,(∈?===≠==ij ij ij ij kl kl ij ij x X x X P j i l k x X x X P ηη{}∑

∑∈∈==?==C c c G

x x V x U x U Z x U Z x X P )

()()()(exp 1)(

其中U(x )是能量函数，可以采用各种形式。邻域系统η的定义和能量函数的参数决定了MRF 的性质。因此，使用MRF 模型进行图像分割的问题包括:邻域系统η的定义；能量函数的选择及其参数的估计；极小化能量函数从而获得最大后验概率的策略。邻域系统η一般是事先定义的，因而主要是后面两个问题。

)9(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[26]，过强将导致对分割图的边缘过度平滑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，另外根据这些方法提出的解决图像分割办法是由最大后验概率准则(MAP)推导得出的，为了减少计算量而不得不简化模型的假设前提而得到次优解。尽管有这些缺点，MRF 还是一种应用广泛的模型[27][28]。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。MRF 经常与聚类分割方法结合使用，比如K 均值方法[29]，用以提高聚类算法对噪声的鲁棒性。

Geman 兄弟详细讨论了MRF 模型的邻域系统[30]，能量函数，Gibbs 采样方法等各种问题，提出用模拟退火算法来极小化能量函数的方法，并给出了模拟退火算法收敛性的证明，为基于MRF 模型的图像处理提供了理论基础。https://www.docsj.com/doc/031098616.html,kshmanan 等人提出了一种在模拟退火的同时进行能量函数的参数估计的方法[31]，先由初始估计的参数开始退火，退火过程进行一段后，由当前的退火结果重新估计参数，再在新参数的基础上继续退火。D.Geman 等人在提出了一种适用于纹理图像等各种图像分割的带限制条件的优化算法[32]，该算法至今仍被认为是一种较好的纹理图像分割方法。A.Banerjee 等人给出了一种用茶罐传播采样（Urn Sampling with Contagion）来取代通常的Gibbs 采样的算法[33]，该算法将每一个象素看作一个茶罐，每次采样只是依据能量函数以一定的概率向茶罐中放入不同种类的球，最后茶罐中个数最多的球就代表了该象素所属的类。

2.5其它基于统计学的方法

标记法（labeling ）是较常用的一种基于统计学的方法,这种方法就是将图像欲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，用一定的方式赋之以这些标号中的某一个，标号相同的像素就组成该标号所代表的物体。Weian Deng 等人给出了一种以随机标记法（probabilistic labeling ）来作为边缘检测后处理的迭代算法[34]。M.W.Hansen 等人给出了一种以人机交互式分割为基础的松弛标记算法[35]。松驰标记法是一种回归迭代方法[36]，这种方法对每一个像素进行决策分类；在当前迭代中根据相邻像素得出的决策在下一次迭代中的决策过程中将被引用。存在两种迭代方法：基于概率的决策方法以及基于模糊集的迭代方法。

Y . G . Leclerc 等人介绍了一种基于最小描述长度（MDL, minimum description length ）的算法[37]，其基本思想是用一个描述长度函数来描述图像的区域和边界信息，以此作为目标函数，通过极小化描述长度从而得到分割结果，文中讨论了最小描述长度目标函数与统计学方法中极大后验概率目标函数的一致性。

另一种较常用的基于统计学的方法是混合分布法（Mixture），这种方法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于

最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。前面提到的EM方法也属此类。L.Gupta等人给出一种利用Gaussian混合分布模型的方法[38]，文中讨论了Gaussian混合分布的参数估计算法。文[39]中针对医学图像中不可避免的局部体效应（Partial volume effect，指由于离散采样，一些不同器官交界处的单个像素中会包含来自来自不同器官的成分），讨论了两种用混合分布来描述这些边缘点处的局部体效应，即某个像素中来自不同器官的成分的含量。

3．边缘检测

基于边缘的分割方法可以说是人们最早研究的方法，基于在区域边缘上的像素灰度值的变化往往比较剧烈，它试图通过检测不同区域间的边缘来解决图像分割问题。

边缘检测技术[40]可以按照处理的技术分为串行边缘检测以及并行边缘检测。所谓串行边缘检测技术是指：要想确定当前像素点是否属于欲检测边缘上的一点，取决于先前像素的验证结果；而在并行边缘检测技术中，一个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及该像素点的一些相邻像素点，这样该模型可以同时用于图像中的所有像素点，因而称之为并行边缘检测技术。

最简单的边缘检测方法是并行微分算子法，它利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。近年来还提出了基于曲面拟合的方法，基于边界曲线拟合的方法，基于反应-扩散方程的方法，串行边界查找，基于形变模型的方法。下面分别介绍这些方法。。

3.1并行微分算子

并行微分算子法对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘。常用的一阶导数算子有梯度算子、Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。梯度算子不仅对边缘信息敏感，而且对于像素点也很敏感[41]。

为减少噪声对图像的影响，通常在求导之前先对图像进行滤波。常用的滤波器主要是高斯（Gaussian）函数的一阶和二阶导数，John Canny认为高斯函数的一阶导数是他求得的最优滤波器的较好近似[42]，一般采用Laplacian算子求高斯函数的二阶导数得到LOG(Laplacian of Gaussian)滤波算子，该算子由计算机视觉的创始人Marr首先提出[43]。近年来研究的滤波器还有可控滤波器[44]，B-样条滤波器[45]等。

3.2 基于曲面拟合的方法

这种方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。

Vishvjit S.Nalva等人提出一种用一维曲面来拟合局部窗口中的数据的方法[46]，先估计该窗口中的边缘方向，再用该方向上的一维曲面来拟合数据，决定边缘点。Robert M.Haralick 提出一种用二维三次多项式来拟合小窗口内的图像数据的方法[47]，为得到该多项式的系数，他先用离散正交多项式的线性组合来拟合数据，求得线性组合的系数后在据以得到三次多项式的系数，然后，求该多项式的二阶方向导数，以其过零点来决定边缘点。Loannis Matalas等人采用Haralick的这种方法作为他们提出的图像分割算法的第一步，先这样得到初始边缘点，然后再在此基础上用松弛标号法对找出的边缘点进行进一步的判断，去伪存真[48]。

3.3 基于边界曲线拟合的方法

这种方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的，而且由于它直接给出的是边界曲线而不象一般的方法找出的是离散的，不相关的边缘点，因而对图像分割的后继处理如物体识别等高层处理有很大的帮助。即使是用一般的方法找出的边缘点，用曲线来描述它们以便于高层处理也是经常被采用的一种有效的方式。

Lawrence H.Staib等人在[49]文中给出了一种用Fourier参数模型来描述曲线的方法，根据Bayes定理，按极大后验概率的原则给出了一个目标函数，通过极大化该目标函数来决定

Fourier系数。实际应用中，先根据对同类图像的分割经验，给出一条初始曲线，再在具体分割例子中根据图像数据优化目标函数来改变初始曲线的参数，拟合图像数据，得到由图像数据决定的具体曲线。这种方法比较适合于医学图像的分割。除了用Fourier模型来描述曲线外，近年来还研究了一些其它的曲线描述方法，如Ardeshir Goshtasby详细介绍了用有理Gaussian 曲线和曲面来设计和拟合二维及三维形状的方法[50]。Ming-Fang Wu等人给出了一种双变量三维Fourier描述子来描述三维曲面[51]。

3.4 基于反应-扩散方程的方法

基于反应-扩散方程的方法是从传统意义上的Gaussian 核函数多尺度滤波发展来的。Hummel 指出[52]如果从反应-扩散方程的观点来看待多尺度高斯滤波，可以被看作热传导中的线性扩散方程： )3( →

*y y I y I =yy xx t I I I I +=Δ=);,()0,,(),,(t x G x t x Pietro Perona等人提出了非线性扩散的概念[53]，(4)式变为

I c I t y x c I t y x c div I t ???+Δ=?=),,()),,(()

5( 其中c(x,y,t)是扩散系数，▽和Δ分别表示梯度算子和Laplacian算子。[53]文中给出 ，g()是一个非负单调减函数，即扩散系数随图像梯度的增大而减小，起到边缘增强的作用。

)

g(t)y,c(x,?=t)y,I(x,后来很多研究人员继续讨论了反应-扩散方程在图像处理中的作用，Francine Catte等人给出了两种反应-扩散方程模型并讨论了它们的性质[54][55]。Mark Nitzberg等人讨论了用非线性滤波进行边缘和角点（Corner）增强的方法[56]。Song Chun Zhu等人把马尔科夫随机场（Markov Rondom Field）模型与反应-扩散方程联系起来，通过极小化Gibbs分布的能量函数推导出反应-扩散方程[57]，而所用到Gibbs分布的能量函数是通过将原图像用LOG算子或Gabor 滤波器等进行滤波得到的。

3.5串行边界查找

串行边界查找方法通常是查找高梯度值的像素，然后将他们连接起来形成曲线表示对象的边缘。串行边界查找方法在很大程度上受起始点的影响，以前检测像素的结果对下一像素的判断也有较大影响。其困难是如何连接高梯度的像素，因为在实际图像中他们通常不相邻。另一个问题是噪声的影响。因为梯度算子具有高通特性，噪声通常也是高频的，因此可能造成一些错误边缘像素的检测。早在80年代初，串行边界查找方法就被用于检测X 射线的心血管图像以及肺部图像的边缘[1]。这些方法先从二维图像集中检测明显的边缘，然后进行基本的边缘分组，或用某种类型的轮廓查找启发式连接边缘，使得边缘具有平滑特性。

最有代表性的串行边缘检测方法是将边缘检测的问题转化为图论中寻求最小代价路径的问题。为求得最小代价，通常有两种方法：一种是贪婪法，即通过在图中进行全局搜索寻找对应最小代价的路径，这种方法的计算量太大；另外一种是动态规划的优化方法，为加快运算速度只求次优解。在此方法的基础上，为解决医学图像的分割，A. X. Falcao 等人在检测过程中引入了人的交互作用和判断力，提出了live wire 分割算法[58]。该算法为用户提供对分割过程的有效控制，使用户能在必要的时候方便地干预及影响分割的过程，从而保证分割的准确性。另外，它还使用户必须干预的次数和每次干预的时间尽可能少，既发挥人的判断力，又充分利用了计算机的运算性能，从而使分割方法具有实用性。中科院自动化所的罗希平等将基于模糊连接度的区域分割方法与live wire 算法相结合[59]，将物体边缘的查找限制在用基于模糊连接度的区域增长算法对图像做过度分割得到的可能的边缘范围内，极大地提高了live wire 算法的速度和分割的可靠性。

3.6 基于形变模型的方法

九十年代以来，随着医学影像设备的发展，可以获得更高空间分辨率和软组织分辨率的图像，基于形变模型的方法也开始大量应用于医学图像，并取得了成功[1]。基于形变模型的方法综合利用了区域与边界信息，是目前研究最多、应用最广的分割方法，可以宣称是过去几年计

算机视觉领域的成功关键[60]。在基于模型的技术中，形变模型提供了一种高效的图像分析方法，它结合了几何学、物理学和近似理论。他们通过使用从图像数据获得的约束信息（自底向上）和目标的位置、大小和形状等先验知识（自顶向下），可有效地对目标进行分割、匹配和跟踪分析。从物理学角度，可将形变模型看成是一个在施加外力和内部约束条件下自然反应的弹性物体。

形变模型包括形变轮廓(deformable contour)模型（又称snake或active contour），三维形变表面（deformable surface）模型。基于形变轮廓的分割过程就是使轮廓曲线在外能和内能的作用下向物体边缘靠近，外力推动轮廓运动，而内力保持轮廓的光滑性。形变表面模型是活动轮廓在三维空间的推广形式，可以更高效、更快地利用三维数据，而且更少地需要用户交互或指导。形变模型的主要优点是能够直接产生闭合的参数曲线或曲面，并对噪声和伪边界有较强的鲁棒性。还有一些形变模型利用了形状先验知识和标记点集合（point sets）等先验知识 [61][62][63]，可以使分割结果更为健壮和准确。不过，利用先验知识需要先进行样本训练，训练中需要人的交互，统计特定对象形状的变化信息。

参数形变模型的固定参数与内部能量约束限制了其几何灵活性，不能随意改变拓扑形状，并且对初始形状敏感。为了解决以上问题，研究人员提出了多种方法克服其局限性，提高算法自动化程度，同时维持形变模型的原有优点。一类方法是改进约束和交互支配模型的能量或内外力函数。D. Terzopoulos和M. Kass使用不同尺度的高斯势能力场以扩大捕获区域[64]；L. D. Cohen将压力场（pressure force）和高斯势能力场相叠加作为新的外力场[65]，这就是有名的气球理论（balloons），后来还有L. D. Cohen和I. Cohen提出的距离力场（distance potential force）[66]等等。1998年Chenyang Xu 等[67]提出了梯度矢量流（GVF）概念，用GVF场代替经典外力场。为增强参数模型的拓扑自适应性，Tim McInerney等[68]将形变模型用ACID (Affine Cell Image Decomposition)形式化，提出了一种拓扑自适应的形变模型（T-snake和T-surface）。该方法在维持原来形变表面模型的交互性和一些好特性的基础上，提供了一个高效的重新参数化的机制，允许参数形变表面渐变为复杂的几何形状，甚至在必要时修改其拓扑形状。有趣的是，与二维情况相比，有几种三维参数形变表面模型能自动适应对象拓扑[69][70][71][72][73]。T-surfaces是通过ACID框架自动重新参数化来改变拓扑，而这几种表面模型的重新参数化过程是基于三角形细分规则而不是目标对象的局部几何形状，这些三角形细化机制可以避免初值对结果的影响。

为解决拓扑灵活性，一些研究人员[74][75][76][77][78]将Osher和Sethian提出的水平集（level set）曲线演化技术[79]分割问题，提出了几何形变模形的方法。轮廓对应为一个更高维曲面的演化函数的零水平集，然后可用某种形式的偏微分方程来表示演化函数，利用图像信息（如边缘）来控制曲面演化过程的停止。该方法的主要特征是其可以自然地改变拓扑，因为水平集不需要被简单连通，即使在水平集改变拓扑时，更高维表面仍能维持一个简单函数。Osher 和Sethian的技术是一个巧妙的数学框架，偏微分方程控制着曲率相关的波前演化，当引入其它一些控制机制如内部形变能量和外部用户交互时，隐含公式远非参数公式方便。此外，更高维的隐含表面公式不容易间接通过更高维表示在水平集上施加任意几何或拓扑约束。因此，隐含公式可能会限制分割的易用性、高效性和自动程度。

4．结合区域与边界技术的方法

基于区域的分割方法往往会造成过度分割，即将图像分割成过多的区域。如果在基于区域的框架中没有在决策阶段包括边界的措施，可能导致噪声边界和对象内部出现空洞。人们往往将基于区域信息的方法与别的方法，主要是边缘检测的方法结合起来，研究结合区域与边界技术的方法。采用什么方式结合，怎样结合才能充分发挥各自的优势，获得好的分割结果是研究的重点。

在[80]中，图像先用基于区域的分裂合并方法分割图像，然后用边界信息对区域间的轮廓

进行优化。在[81]中，先在梯度幅值图像中检测屋脊点和波谷点,通过最大梯度路径连接奇异点获得初始图像分割，然后采用区域合并技术获得最终结果。在[82]中，Chakraborty 和Duncan 引入一种游戏规则，基于边界和基于区域的方法分别扮演游戏的参与者。分割过程以迭代方式进行，每一步迭代中每个选手根据上一步迭代的结果更换策略。每个选手将设法让对方脱离噪声和局部最小的影响，同时逼近正确的边界。在[83]中，Chakraborty等描述了一个框架，其中分割结果可看成是区域、梯度和曲率的最大匹配形式。高级匹配函数使各个特征匹配的乘积，它使各个特征的相关性最大。在[84]中，Ronfard扩充了形变模型的能量函数，在对象内部的某个位置，不能直接计算图像（梯度）能量，使用基于梯度的能量是为了让模型边界朝着已知的对象边界方向运动。Song Chun Zhu等人[85]提出的区域竞争法是另一个有代表性的结合区域与边缘信息的方法，也取得了较好的结果。该算法结合了早期的snake/balloon 模型和区域增长和Bayes/MDL（最小描述长度）方法的优点，可以保证收敛到一个局部最小值，并在一个统一的统计学理论架构中实现。在[86]中提出了一种结合区域和边界技术的方法，用于医学图像中器官的分割。用户在被分割对象中选择一个种子点，再使用一个affinity算子估计图像中最有可能位于对象边界上的象素。最后采用一个形变模型，使模型边界与对象边界一致。Amit Chakraborty等人将基于MRF模型分割中的能量函数与边界曲线的Fourier表示的参数估计结合起来，构成一个目标函数，通过该目标函数的优化而达到图像分割的目的[87]。

通过结合基于模型和基于区域的技术，这些方法较各个单独的方法的健壮性更强。但是，大多数仍需要好的初值避免局部最小。此外，大多数上述方法将先验模型用于基于区域的统计，在无法获得先验知识的情况下这些方法的可用性较差。

5．基于模糊集理论的方法

图像分割问题是典型的结构不良问题，而模糊集理论具有描述不良问题的能力，所以有研究者将模糊理论引入到图像处理与分析领域，其中包括用模糊理论来解决分割问题。基于模糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。

模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数，用该函数增强目标以及属于该目标像素之间的关系。这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择[88]。H.D.Cheng等人将模糊测度函数的概念引入最大熵原则，提出了模糊 C-分类最大熵原则[89]。Liang-kai Huang 等人提出的通过极小化图像的某种模糊测度来决定灰度阈值的方法[90]，他们提到的模糊测度包括熵和所谓的Yager测度。

模糊均值聚类(FCM，Fuzzy C-means)方法通过优化表示图像像素点与C-类中心之间的相似性的目标函数来获得局部极大值，从而得到最优聚类。这种方法计算量大，不具备实时性。FCM 方法常被用于医学图像的分割。Lee and Vannie[91]扩充了模糊C-均值算法以纠正医学图像中的强度偏差。Dzung L. Pham [92]提出一种自适应模糊C均值方法分割强度不均匀的医学图像。

在文献[16]中Udupa明确地阐述了如何更加有效地利用模糊理论来解决实际问题提出了几点建议，从而提出了模糊连接度的概念来对象进行刻划，他认为目标是以某种凝聚力凝聚在一起而形成物体的，他们提出的方法在医学图像的分割问题中得到了较好的结果。但此方法需要选择阈值和初始种子点，并且模糊连接度中参数的选择问题，都值得进一步研究。

6．基于神经网络的方法

在八十年代后期，在图像处理、模式识别和计算机视觉的主流领域，受到人工智能发展的影响，出现了将更高层次的推理机制用于识别系统的做法。这种思路也开始影响图像分割方法，在解决具体的医学问题时，出现了基于神经网络模型（ANN）的方法。

神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成。每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接的权值来实现。神经网络技术的产生背景也许是为了满足对噪声的鲁棒性以及实时输出要求的应用场合而提出的，一些研究人员也尝试了利用神经网络技术来解决图像分割问题。典型方法如：Blanz 和Gish[93]利用前向三层网络来解决分割问题，在该方法中，输入层的各个节点对应了像素的各种属性，输

出层结果为分割的类别数。Babaguchi等[94]则使用了多层网络并且用反向传播方法对网络进行训练，在它们的方法中，输入为图像的灰度直方图，输出为用于阈值分割的阈值，这种方法的实质是利用神经网络技术来获取用于图像分割的阈值。Ghosh等[95]构造了大规模连接网络，并在此基础上从噪声环境中提取目标物体。它们将图像理解为被高斯噪声污染的吉布斯分布随机场，利用网络获取目标物体。由于吉布斯分布考虑了相邻像素之间的关系，所以他们这种方法包含了一定的空间信息。Shah将边缘检测问题转换为能量最小化问题，利用网络技术来提取边缘[96]。

这些神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决问题，其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，在用训练好的ANN去分割新的图像数据。这种方法的一个问题是网络的构造问题。这些方法需要大量的训练样本集，然而收集这些样本在实际中是非常困难的。ANN同样也能用于聚类或形变模型，这时ANN的学习过程是无监督的。由于神经网络存在巨量的连接，所以很容易引入空间信息。但是使用目前的串行计算机去模拟ANN的平行操作，计算时间往往达不到要求。

7. 图像分割中的其它方法和问题

图像分割领域中的方法和文献很多，前面我们介绍的只是几大类较常用的方法，还有其他一些分割方法，如图谱引导法、基于数学形态学的方法等。最后，我们再简单介绍一下尺度空间理论在此领域的应用以及分割算法的评估问题。

7.1图谱引导（Atlas-guided）方法

图谱引导方法是利用已有标准模板对医学图像进行分割。模板是通过对大量的相同解剖部位的医学图像的整理得到的。图谱引导分割就是用模板做参考对新的该解剖部位的图像进行分割。和分类器相似图谱引导方法需要样本，不同的是图谱引导的模板是时域内的而分类器的样本是按特征空间组织的。

图谱引导的工作原理将已分割好的模板图像映射到待分割的目标图像上[97]。考虑到解剖结构的不确定性，映射过程往往是由一系列的线性映射和非线性映射构成。图谱引导分割主要用于对脑部MR图像的分割。另外，图谱引导分割可以方便的用作形态学特征的分析。图谱引导分割的优点是在分割的同时，分割出的每一类对应的解剖部位也唯一的确定了。但是考虑到人体解剖结构的千差万别，完全用简单的映射关系（即使是非线性映射）来对所有的图像进行分割在实现上是很困难的。这一点现在仍没有很好的解决。

7.2 数学形态学

数学形态学在图像处理中的应用近年来日渐受到重视，更多的系统都采用形态学算子来对图像进行预处理或后处理。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，结构元素可以具有任意大小。基本的形态学操作是腐蚀和膨胀，他们的一些基本运算相互结合可以产生复杂的效果，如而且他们适合于用相应的硬件构造查找表实现。

形态学理论在图像分割中的应用比较有代表性的是Luc Vincent等人提出的水线（watershed）算法[98]，研究人员至今已提出了多种使用watershed方法的形态学分割方法[99]。虽然这些方法已成功用于图像分类，但他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，watershed算法通常与其他方法结合使用。K. Haris提出将watershed与分层区域合并方法结合[100]，B.Chanda给出了一种基于形态学算子的多尺度滤波算法[101]，[102]文中介绍了一种在水线算法基础上的松弛标号法。

7.3 尺度空间理论的应用

尺度空间理论是多尺度计算机视觉的一个重要分支，自从witkin和koenderink开创性的工

作以来，这一领域已获得了长足的发展。尺度空间理论在计算机视觉里得到了广泛应用，在解决各种问题如边缘检测、匹配、分割和三维重建上，都取得了成功。从80年代后期开始，尺度空间（scale space）理论的概念被引入到医学图像的分割问题中，强调医学图像特征呈现出多种级别的现象[1]。这些方法在90年代中期前并未取得成功，但在90年代后期开始显现出一些光明前景。例如在北卡罗莱纳州大学提出的基于尺度空间的medial表示[103]，它是一种构造和绘制三维实体的多尺度medial方法，用medial表示的模型捕捉的先验几何信息可用于形变模型分割方法中，使形变过程中表面的几何和图像特征都向目标物体逼近，保证了三维对象分割的准确性。

7.4 分割评估

图像分割中另一个重要问题是对分割算法的定性和定量评估，这对于医学图像的分割尤其重要，因为分割的准确度直接关系到临床应用的效果。这一问题的难度在于目前还没有一个大家都能接受的对分割结果好坏的客观评判标准，Y. J. Zhang等人对图像分割算法的评价方法作了一个综述[4]。对算法的评价一般做法是将计算机的分割结果与实际结果（ground truth）相比较。对人工生成的图像等实际结果已知的情况这当然是没有问题的，但对一般的图像实际结果往往是未知的，这时候只好将人工分割的结果作为实际结果来与计算机的分割结果比较，这种做法的问题是不同的操作人员对同一幅图像的分割结果往往是有差异的。一种比较好的做法是如V.Chalana等人在[104]介绍的那样，获得好几个操作人员的手工分割结果，再比较计算机的分割结果是否与这些手工分割结果一致。目前，为促进分割方法的评估和开发，医学图像分割领域已出现了一些标准数据集，如哈佛大学的Internet Brain Segment Repository（IBSR）提供了脑部图像数据与专家指导分割的结。

8．本文总结

本文对医学应用领域中一些有代表性的图像分割方法做了一个比较全面的综述，并分析了几类方法的特点和局限性。近几年来虽然仍然有很多研究人员致力于医学图像分割的研究，发表了很多的研究成果，但由于问题本身的困难性，目前的方法多是针对某个具体任务而言的，还没有一个通用的解决办法。

医学图像分割方法的研究有四个显著的特点：

1、人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割结果，因而人们在继续致力于将新的概念，新的方法引入图像分割领域的同时，更加重视多种分割算法的有效结合，近几年来提出的方法大多数是结合了多种算法的。采取什么样的结合方式才能体现各种方法的优点，取得好的效果成为人们关注的问题，这可以说是近年来人工智能领域中综合集成的方法论在图像分割领域的体现。

2、医学图像分割一般要用到医学中的领域知识，如心室的大致形状，颅内白质和灰质的含量和相对位置关系等等。Tina Kapur[105]将分割可用的医学领域知识归纳为四种：一是图像中不同对象的灰度分布情况，二是不同成像设备的特点，三是对象的形状特征即解剖知识，四是不同对象间的空间几何关系。根据知识的不同表示方式，通常将基于知识的分割方法分为基于规则的方法和基于模型的方法。

3、经常采用三维分割的方式，这是因为一般的图像中仅仅具有二维数据，即三维景物通过摄象机或其它成像设备得到的二维投影，而医学图像中则直接给出了以二维切片形式组织的三维数据，这就为三维分割提供了可能。有两种三维分割方式：一种是直接在三维数据空间中分割，另一种是逐张切片进行分割。

4、医学图像分割由于被用于临床医疗，因此图像分割的准确性更为重要。图像分割一直是一个很困难的问题，目前的自动分割方法虽然在一些方面取得了一定的成功，但还远远不能满足医学图像处理的实践中对分割结果准确性的要求。因而，近年来由用户参与控制、引导的交互式分割方法在医学图像分割中正受到越来越多的关注。

目前人们仍在继续研究更先进的成像技术和更复杂的图像处理算法。图像分割方法的研究与分析其物理成像原理、图像形成和重构算法的关系更为密切，而且图像分割与其他图像处理分析任务（如图像增强、匹配、可视化）在识别对象结果和功能上是相关的，因此将他们结合起来共同研究是未来研究的一种趋势。另一方面，生物医学工程和计算机视觉领域的最新研究

成果也将影响和促进分割算法的研究。此外，医学图像的分割算法的验证和评估方法仍需进一步研究。总之，医学图像的分割算法的研究道路曲折而充满挑战。

参考文献

[1]James S.Duncan, and Nicholas Ayache, Medical Image Analysis: Progress over Two Decades and the Challenges

Ahead, IEEE Transaction on patter analysis and machine intelligence, 2000, 22(1):181-204.

[2]Dzung L.Pham, Chenyang Xu, Jerry L.Prince, “A Survey of Current Methods in Medical Image Segmentation”,

Technical Report JHU/ECE 99-01, Johns Hopkins Univ., 1998

[3]Nikhil R.Pal and Sankar K.Pal, A Review on Image Segmentation Techniques, Pattern Recognition,

1993,26(9):1277-1294

[4]Y.J.Zhang, A survey on Evaluation methods for image segmentation, Pattern Recognition, 1996, 29(8):1335-1346

[5]P.K.Sahoo, S.Soltani, A.K.C.Wang, and Y.C.Chen, A Survey of Thresholding Techniques. Computer Vision,

Graphics and Image Processing, 1988, 41:233-260.

[6]Zhang Y J,Gerbrands J J.Transition region determination based thresholding,PRL,12:13~23,1991.

[7]Nakagawa Y, Rosenfeld A., Some experiments on variable thresholding, PR, 11:191~204.1979

[8] C. Lee, S. Hun, T.A. Ketter, and M. Unser. Unsupervised connectivity-based thresholding segmentation of

midsaggital brain MR images. Comput. Biol. Med., 28:309–338, 1998.

[9]T.Pun, A new method for gray-level picture thresholding using the entropy of the histogram, Signal processing,

1980, 2:233-237

[10]J.N.Kapur and A.K.C.Wong, A New Method for Gray-level Picture Thresholding Using the Entropy of the

Histogram, Computer Vision,Graphics and Image Processing, 1985, 29:273-285,

[11]P.Sahoo,C.Wilkins and J.Yeager, Threshold selection using Renyi's entropy, Pattern Recognition, 1997,30(1):

71-84.

[12]Jui-Cheng Yen, Fu-Juay Chang and Shyang Chang, A New Criterion for Automatic Multilevel Thresholding,

IEEE Trans On Image Processing, 1995, 4(3):370-377.

[13]S. Pohlman, K.A. Powell, N.A. Obuchowski, W.A. Chilcote, and S. Grundfest-Broniatowski. Quantitative

classification of breast tumores in digitized mamograms. Medical Physics, 23:1337–1345, 1996.

[14]J.F. Mangin, V. Frouin, I. Bloch, J. Regis, and J. Lopez-Krahe. From 3D magnetic resonance images to structural

representations of the cortex topography using topology preserving deformations. J. Math. Imag. Vis., 5:297–318, 1995.

[15]Shu-Yen Wan 1 and William E. Higgin，Symmetric Region Growing，Departments of Electrical Engineering and

Computer Science and Engineering, Pennsylvania State University

[16]J. K. Udupa, and S. Samarasekera, Fuzzy Connectedness and Object Definition: Theory, Algorithms, And

Applications in Image Segmentation, Graphical Model and Image Processing, 1995, 58( 3): 246-261.

[17]I.N. Manousakas, P.E. Undrill, G.G. Cameron, and T.W. Redpath. Split-and-merge segmentation of magnetic

resonance medical images: performance evaluation and extension to three dimensions. Comput. Biomed. Res., 31:393–412, 1998.

[18]Tianhu Lei and Wilfred Sewchand. Statistical approach to X-Ray CT imaging and its applications in image

analysis – part II: A new stochastic model-based image segmentation technique for X-Ray CT image. IEEE T. Med.

Imag., 11(1):62–69, 1992.

[19]Z. Liang, J.R. MacFall, and D.P. Harrington. Parameter estimation and tissue segmentation from multispectral

MR images. IEEE T. Med. Imag., 13:441–449, 1994.

[20]B. Dawant, A. Zijidenbos, and R. Margolin. Correction of intensity variations in MR images for computer-aided

tissue classification. IEEE Trans. On Medical Imaging 1993, 12:770-781.

[21]J. Sled , A. Zijdenbos, and A.Evans. A nonparametric method for automatic correction of intensity nonuniformity

in MRI data. IEEE Trans. on Medical Imaging 1998, 17: 87-97.

[22]M. Unser. Multigrid adaptive image processing. In Proc. of the IEEE Conference on Image Processing (ICIP95)

(1995), vol. I, pp. 49-52.

[23]M. Yan, and J. Karp. An adaptive Bayesian approach to three-dimensional MR brain segmentation. In Proc. of

XIVth Int. Conf. on Information Processing in Medical Imaging ,1995, pp. 201-213.

[24] J. Rajapakse,J. Giedd, and J. Rapoport. Statistical approach to Segmentation of single-channel cerebral MR

images. IEEE Trans. on Medical Imaging 16 (1997), 176-186.

[25]W. Wells, W. Grimson, R. Kikins, and F. Jolesz. Adaptive segmentation of MRI data. IEEE Trans. on Medical

Imaging,1996, 15:429-442.

[26]S.Z. Li. Markov random field modeling in computer vision. Springer, 1995.

[27]K. Held, E.R. Kops, B.J. Krause, W.M. Wells, R. Kikinis, et al. Markov random field segmentation of brain MR

images. IEEE T. Med. Imag., 16(6), 1997.

[28]T.R. Reed and J.M. Hans Du Buf. A review of recent texture segmentation and feature extraction tecniques.

CVGIP: Im. Understand., 57:359–372, 1993.

[29]T.N. Pappas. An adaptive clustering algorithm for image segmentation. IEEE T. Signal Process., 40:901–914,

1992.

[30]Stuart Geman and Donald Geman, Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of

Images, PAMI, V.6, No.6, pp.721-741,1984

[31]Sridhar Lakshmanan and Haluk Derin, Simultaneous Paramer Estimation and segmentation of Gibbs Random

Fields Using Simulated Annealing, IEEE Trans On Pattern Analysis and Machine Intelligence, 1989, V ol.11, No.8,

pp.799-813

[32]Donald Geman, Stuart Geman,Christine Graffigne, and Ping Dong, Boundary Detection by Constrained

Optimazation, IEEE Trans On Pattern Analysis and Machine Intelligence,1990,V ol.12,No.7,pp.609-628

[33]A.Banerjee P.Burlina and F.Alajaji, Contagion-Driven Image Segmentation and Labeling, International

Conference On Computer Vision, 1998, pp.255-260

[34]Weian Deng and S.Sitharama Iyengar, A New Probabilistic Relaxation Scheme and Its Application to Edge

Detection, IEEE Trans On Pattern Analysis and Machine Intelligence, 1996, V ol.18, No.4, pp.432-437

[35]Michael W.Hansen,William E.Higgins,Relaxation Method for Supervised Image Segmentation, IEEE Trans On

Pattern Analysis and Machine Intelligence, 1997, V ol.19, No.9, pp.946-962

[36]Michael W.Hansen,William E.Higgins,Relaxation Method for Supervised Image Segmentation, IEEE Trans On

Pattern Analysis and Machine Intelligence, 1997, V ol.19, No.9, pp.946-962

[37]Y. G. Leclerc, constructing Simple Stable Descrptions for Image Partitioning, IEEE Trans On Pattern Analysis

and Machine Intelligence, 1989, V ol.3, No.1, pp.73-102.

[38]L.gupta and T.Sortrakul, A Gaussian-mixture-based image segmentation algorithm, Pattern Recognition, V.31,

N.3, pp315-326, 1998

[39]David https://www.docsj.com/doc/031098616.html,idlaw,Kurt W.Fleischer,and Alan H.Barr,Partial-V olume Bayesian Classification of Material Mixtures

in MR V olume Data Using V oxel HIstograms, IEEE Trans On Medical Imaging, 1998, V ol.17, No.1, pp.74-86 [40]Djemel Ziou, Salvatore Tabbone. Edge detection techniques-an overview. Department of math information, univ.

of Sherbrooke, https://www.docsj.com/doc/031098616.html,herb.ca,1997.

[41]田捷等，实用图像处理技术, 电子工业出版社, 1994.

[42]John Canny, A Computational Approach to Edge Detection, IEEE Trans On Pattern Analysis and Machine

Intelligence, 1986, V ol.8, No.6, pp.679-698.

[43]D.Marr著，姚国正等译，视觉计算理论, 科学出版社，1988.

[44]William T.Freeman and Edward H.Adelson,The Design and Use of Steerable Filters, IEEE Trans On Pattern

Analysis and Machine Intelligence, 1991, 13(9):891-906.

[45]K.-h.Liang,T.Tjahajadi,and Y.-h.Yang, Roof edge detection using regularized cubic B-spline filting, Pattern

Recognition, 1997, 30(5):719-728.

[46]Vishvjit S.Nalwa and Thomas O.Binford, On Detecting Edges, IEEE Trans On Pattern Analysis and Machine

Intelligence, 1986, 8(6):699-711.

[47]Robert M.Haralick, Digital Step Edges from Zero Crossing of Second Directional Derivatives, IEEE Trans On

Pattern Analysis and Machine Intelligence, 1984, V ol.6, No.1, pp.58-68.

[48]Loannis Matalas, Ralph Benjamin, and Richard Kitney, An Edge Detection Technique Using the Facet Model and

Parameterized Relaxation Labeling, IEEE Trans On Pattern Analysis and Machine Intelligence, 1997,V ol.19,No.4, pp.328-341.

[49]Lawrence H.Staib,and James S.Duncan, Boundary Finding with Parametrically Deformable Models, IEEE Trans

On Pattern Analysis and Machine Intelligence, 1992, V ol.14, No.11,pp.1061-1075

[50]Ardeshir Goshtasby, Design and Recovery of 2-D and 3-D Shapes Using Rational Gaussian Curves and Surfaces,

International Journal of Computer Vision, 1993, V ol.10, No.3, pp.233-256

[51]Ming-Fang Wu and Hsin-Teng Sheu, Representation of 3D surfaces by two-variable Fourier Descriptors, IEEE

Trans On Pattern Analysis and Machine Intelligence, 1998,V ol.20,No.8,pp.858-863。

[52]A.Hummel. Representations based on zero-crossings in scale-space, Proc.IEEE Computer Vision and Pattern

Recognition Conf., 1986, pp.204-209.

[53]Pietro Perona and Jitendra Malik. Scale Space and Edge Detection Using Anisotropic diffussion, IEEE Trans On

Pattern Analysis and Machine Intelligence, 1990,V ol.12, No.7, pp.629-639.

[54]Francine Catte, Pierre-Louis Lions,Jean-Michel Morel and Tomeu Coll,Image Selective Smoothing and Edge

Detection by Nonlinear Diffusion II, SIAM J. Numer. Anal V.29, N.3, PP845-866,1992.

[55]Mark Nitzberg and Takahiro Shiota.,Nonliear Image Filtering with Edge and Corner Enhancement, IEEE Trans

On Pattern Analysis and Machine Intelligence, 1992,V ol.14,No.8, pp.826-833.

[56]Song Chun Zhu and David Mumford. GRADE:Gibbs Reaction and Diffusion Equations,International Conference

On Computer Vision, 1998, pp.847-854.

[57]Ping Liang and Y.F.Wang. Local scale controlled anisotropic diffusion with local noise estimate for image

smoothing and edge detection, International Conference On Computer Vision,1998, pp.193-200.

[58]A. X. Falcao, J. K. Udupa, S. Samarasekera and Shoba Sharma, User-steered Image Segmentation

Paradigms:Live Wire and Live Lane, Graphic models and Image Processing, 60, 233-260, 1998.

[59]田捷，罗希平，基于Live-Wire的交互式分割及其在医学图像中的应用，《中国学术期刊文摘》，2000, V ol.

6, No. 9, pp.1174-1175

[60]Tim McInerney and Demetri Terzopoulos，Deformable Models in Medical Image Analysis:A Survey，in Medical

Image Analysi s, 1(2), 1996.

[61]T. F. Cootes, C. Beeston, G. J. Edwards, and C. J. Taylor, “A unified framework for atlas matching using active

appearance models,” in Proc. Information Processing in Medical Imaging (IPMI’99), pp. 323–333, 1999.

[62]N. Duta, M. Sonka, and A. K. Jain, “Learning shape models from examples using automatic shape clustering and

Procrustes analysis,” in Proc. Information Processing in Medical Imaging (IPMI’99), pp. 370–375, 1999.

[63]A. Hill and C. J. Taylor, “Automatic landmark identification using a new method of non-rigid correspondence,”

in Proc. Information Processing in Medical Imaging (IPMI’97), pp. 483–488, Springer-Verlag, 1997.

[64]M. Kass, A. P. Witkin, and D. Terzopoulos, "Snakes: Active contour models" Int. J. Comput. Vis., vol.1, pp.

321-331, Jan. 1988.

[65]D. Terzopoulos, M. Kass, andA. P. Witkin, "Constraints on deformable models: recovering 3D shape and nonrigid

motion" Artificial Intelligence, vol. 36, no. 1, pp. 91-123, 1988.

[66]L. D. Cohen, "On active contours and balloons" GVGIP: Imag. Under. vol. 53, no. 2, pp. 211-218, 1991.

[67]Chenyang Xu and Jerry L. Prince, "Snakes, shapes, and gradient vector flow" IEEE Trans. Image Processing, vol.

7, pp. 359-369, Mar. 1998.

[68]Tim McInerney ，Topology Adaptive Deformable Surfaces for Medical Image V olume Segmentation，IEEE

TRANSACTIONS ON MEDICAL IMAGING, VOL. XX, NO. Y, MONTH 1999

[69]L F. eitner, P. Cinquin. Complex topology 3D objects segmentation. In Model-Based Vision Development and

Tools, volume 1609 of SPIE Proc. 16-26. Bellingham, WA: SPIE. , 1991.

[70]R. Szeliski, D. Tonnesen, D. Terzopoulos. Modeling surfaces of arbitrary topology with dynamic particles. In

Proc. Conf. Computer Vision and Pattern Recognition (CVPR'93), 1993.

[71]R. Whitaker. Volumetric deformable models. In Robb, R.A., ed., Proc. Third Conf. On Visualization in

Biomedical Computing (VBC'94), Rochester, MN, October, 1994, volume 2359 of SPIE Proc. Bellingham, WA: SPIE. 1994.

[72]R. Malladi, R. Kimmel, D. Adalsteinsson, G. Sapiro, V. Caselles, J.A. Sethian. A geometric approach to

segmentation and analysis of 3D medical images. In IEEE Workshop on Mathematical Methods in Biomedical Image Analysis, San Francisco, CA, June, 1996, 244-252. Los Alamitos, CA: IEEE Computer Society Press,1996.

[73]J. O. Lachaud, A. Montanvert. Deformable Meshes with Automated Topology Changes for Coarse-to-fine 3D

Surface Extraction. Medical Image Analysis 3(2):187-207,1999.

[74]V. Caselles, F. Catte, T. Coll, F. Dibos. A geometric model for active contours. Numerische Mathematik 66,1993.

[75]Malladi, R., Sethian, J. and Vemuri, B.C. (1995). Shape modeling with front propagation: A level set approach.

IEEE Trans. on Pattern Analysis and Machine Intelligence 17(2):158-175.

[76]R.Whitaker, Volumetric deformable models. In Robb, R.A., ed., Proc. Third Conf. On Visualization in

Biomedical Computing (VBC'94), Rochester, MN, October, 1994, volume 2359 of SPIE Proc. Bellingham, WA: SPIE. 1994.

[77]V. Caselles, R. Kimmel, G. Sapiro. Geodesic active contours. In Proc. Fifth International Conf. on Computer

Vision (ICCV'95), Cambridge, MA, June, 1995, 694-699. Los Alamitos, CA: IEEE Computer Society Press,1995. [78]G. Sapiro, R. Kimmel, V. Caselles. Object detection and measurements in medical images via geodesic

deformable contours. In Vision Geometry IV, volume 2573 of SPIE Proc., 366-378. Bellingham, WA: SPIE. 1995.

[79]S. Osher, J. A. Sethian. Fronts Propagating with Curvature Dependent Speed: Algorithms Based on

Hamilton-Jacobi Formulation. Journal of Computational Physics 79:12-49,1988.

[80]T. Pavlidis and Y. Liow, “Integrating region growing and edge detection,” IEEE Trans. Pattern Anal. Machine

Intell., vol. 12, pp. 225–233, Mar. 1990.

[81]L. D. Griffin, A. C. F. Colchester, and G. P. Robinson, “Scale and segmentation of grey-level images using

maximum gradient paths,” Image Vis. Comput., vol. 10, pp. 389–402, July/Aug. 1992.

[82]A. Chakraborty and J.S. Duncan. Integration of boundary finding and region-based segmentation using game

theory. In Y. Bizais et al., editor, Information Processingin Medical Imaging, pages 189–201. Kluwer, 1995. [83]A. Chakraborty, M. Worring, and J.S. Duncan. On multifeature integration for deformable boundary finding. In

Proc. Intl. Conf. on Computer Vision, pages 846–851, 1995.

[84]R. Ronfard. Region-based strategies for active contour models. Intl. J. of Computer Vision, 13(2):229–251, 1994.

[85]S.C. Zhu, T.S. Lee, and A.L. Yuille. Region competition: Unifying snakes, region growing, and bayes/mdl for

multiband image segmentation. In Proc. Intl. Conf. on Computer Vision, pages 416–423, 1995.

[86]Timothy N. Jones, Dimitris N. Metaxas. Image Segmentation Based on the Integration of Pixel Affinity and

Deformable Models. Proceedings of CVPR’98, June 1998 Santa Barbara, CA.

[87]Amit Chakraborty ,Lawrence H.Staib, and James S.Duncan, Deformable boundary Finding in Medical Images by

Integrating Gradient and Region Information, IEEE Trans On Medical Imaging, 1996, V ol.15, No.6, pp.859-870. [88]C.A.Murthy & S.K.Pal,Fuzzy Thresholding:Mathematical Framwork, Bound Functions and Weighted Moving

Average Techniques, PR Letter, 11, 1990.

[89]H.D.Cheng,Jim-Rong Chen and JiGuang Li, Threshold selection based on Fuzzy c-Partition entropy approach,

Pattern Recognition, V.31, N.7, pp857-870, 1998

[90]Liang-kai Huang and Mao-Jiun J.Wang, Image Thresholding by Minimizing the measure of Fuzziness, Pattern

Recognition, V.28, N.1, pp41-51, 1995

[91]S.K.Lee and M.W. Vannier, “Post-acquisition correction of MR in homogeneities,” Magnetic Resonance Med.,

V ol.36, pp. 276-286,1996。

[92]D.Pham and J. Prince, “An Adaptive Fuzzy Segmentation Algorithm for Three –Dimensional MRI”, Information

Processing in Medical Imaging, pp.140-153,1999.

[93]W.E. Blanz and S.L.Gish, A connextionist classifier architexture applied to image segmentation. Proc.10th ICPR,

pp.272-277, 1990.

[94]N.Babaguchi, K.Yamada,K.Kisc and T.Tezuka, Connectionist model binarization. Proc.10th ICPR, pp.51-56,

1990.

[95]A. Ghosh, N.R. Pal and S.K. Pal, Imagesegmentation using a neural network, Biol. Cybern.66,151-158,1991.

[96]J. Shah, Parameter estimation, multiscale representation and algorithms for energy-minimizing segmentation,

Proc. Int. conf. Patten Recogniton,pp. 815-819, 1990.

[97]J.B.A. Maintz and M.A. Viergever. A survey of medical image registration. Med. Im. Anal., 2:1–36, 1998.

[98]Luc Vincent and Pierre Soille, Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion

Simulations,IEEE Trans On Pattern Analysis and Machine Intelligence, 1991,V ol.13,No.6,pp.583-598

[99]F. Meyer and S. Beucher, “Morphological segmentation,” J. Vis. Commun. Image Represent., vol. 1, pp. 21–46,

Sept. 1990.

[100]Kostas Haris, Serafim N. Efstratiadis. Hybrid Image Segmentation Using Watersheds and Fast Region Merging.

IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 7, NO. 12, DECEMBER 1998.

[101]B.Chanda,M.K.Kundu and Y.Vani Padmaha, A Multi-scale morphologic edge detector,Pattern Recognition, V ol.31, No.10, pp.1469-1478, 1998.

[102]Nathalie Giordana and Wojoiech Pieczynski, Estimation of Generalized Multisensor Hidden Markov Chains and Unsupervised Image Segmentaion, IEEE Trans On Pattern Analysis and Machine Intelligence, 1997, V ol.19, No.5, pp.465-475.

[103]S.M Pizer, DS Fritsch, P Yushkevich, V Johnson, EL Chaney. Segmentation, registration, and measurement of shape variation via image object shape. IEEE Transactions on Medical Imaging, 18: 851-865,1999.

[104]V.Chalana and Y.Kim, A Methodology for Evaluation of Boundary Detection Algorithms on Medical Images, IEEE Trans On Medical Imaging, 1997, V ol.16, No.5,pp.642-652.

[105]Tina Kapur, Ph.D. Thesis, Model based three dimensional Medical Image Segmentation, Artificial Intelligence Laboratory, Massachusetts Institute of Technology, May 1999.

A Survey on Medical Image Segmentation Methods

LIN Yao, TIAN Jie,

AIlab, Institute of Automation, Chinese Academy of Sciences, Beijing, 100080 Abstract—Image segmentation is one of the classical difficult problems for researcher.

With the development of medical imaging, image segmentation takes important role in

the medical application. In this article, a rather complete survey of the image

segmentation methods in the domain of medical application is given, especially those

new ideas, new methods and new improvement to the classical methods appeared in the

literature of the last few years. In the end, the characters of research on the medical

image segmentation methods are concluded.

Key words: Medical Image Segmentation; Survey

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可

医学图像分割方法综述

医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.docsj.com/doc/031098616.html,

图像处理文献综述

文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不

ebnnuqc医学_图像处理技术

^ | You have to believe, there is a way. The ancients said:" the kingdom of heaven is trying to enter". Only when the reluctant step by step to go to it 's time, must be managed to get one step down, only have struggled to achieve it. -- Guo Ge Tech 医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明 曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的 准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。

医学图像处理综述

医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展

过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分

医学图像分割方法汇总

医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)

图像分割文献综述

文献综述 图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。 图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。 自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。 基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差

不断积累，且无法修正。 基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：○1基于统计模型的分割方法；○2基于神经网络的分割方法；○3基于形变模型的分割方法。 主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。 即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线Ｃ相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式——能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

医学图像的分割

第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。

图像分割综述

摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫

Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov

图像分割方法综述【文献综述】

文献综述 电子信息工程 图像分割方法综述 摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。最后指出了图像分割的算法还有一些进一步优化的研究发展方向。 关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集 1.引言 对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。 一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。2、整体性。能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。4、稳定性，算法受噪声的影响性很小。 5、自动化，分割过程不需要人工的干预。但是让一种具体的图像分割方法全部满足上述特点是很难的，各种图像分割的方法都存在着必然的局限性，所以只能根据不同的适用领域和所要分割的图像区域特征来选择所对应的图像分割方法。 2．早期的图像分割方法 早期的图像分割方法，根据方法所利用的图像特征，分为边界法和区域法两类[4]。前者是根据

医学图像分割方法综述

医学图像分割方法综述 随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签：图像分割；区域生长；聚类；水平集；图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下： 其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上

图像处理文献综述

信息工程学院 毕业设计文献综述 姓名： 学号： 专业： 班级：

此栏为论文题目 作者姓名： （塔里木大学信息工程学院**系**班，电话号码） 摘要：在图像处理中，图像滤波起着重要作用。它可以有效地抑制（平滑）各种噪声、保持边缘信息，从而改善后续处理工作的质量（如提高图像分割精度等）。图像滤波的方法有很多，比如说中值滤波、均值滤波、高斯滤波、维纳滤波等，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，均值滤波是把每个像素都用周围的8个像素来做均值操作，高斯滤波实质上是一种信号的滤波器，其用途是信号的平滑处理，本文着重对中值滤波、均值滤波和高斯滤波进行分析，进一步了解它们的原理、特点、改进的算法及其应用。 关键词：图像；滤波；中值滤波；均值滤波；高斯滤波 一、引言 图像滤波就是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接受系统所需要的图像处理过程。[1]对图像滤波的要求是，既能滤除图像中的噪声又能保持图像的细节。[2]由于噪声和图像细节的混叠，所以在图像滤波中，图像的去噪与细节的保留往往是一对矛盾。 数字图像滤波技术是20世纪60年代发展起来的一门新兴学科，随着图像滤波理论和方法的进一步完善，[3]使得数字图像滤波技术在各个领域得到了广泛应用，并显示出广阔的应用前景。面对数字化时代的来临，图像滤波知识显得越来越重要，实际上图像滤波已经渗透到计算机、电子、地质、气象、医学等诸多领域。 二、正文 1、**的发展状况 图像滤波的发展大致经历了初创期、发展期、普及期和实用化期4个阶段。初创期开始于20世纪60年代，当时的图像采用像素型光栅进行少秒显示，大多采用中、大型机对其处理。[5]在这一时期，由于图像存储成本高、处理设备昂贵，其应用面很窄。进入20世纪70年代的发展期，开始大量采用中、小型机进行处理，图像处理也逐渐改用光栅扫描方式，特别是CT和卫星遥感图像的出现，

医学图像分割综述

医学图像分割综述 郭爱心 安徽大学 摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像处理技术

医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术： 图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自

图像分割阈值选取技术综述

图像分割阈值选取技术综述 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域。本文是在阅读大量国内外相关文献的基础上，对阈值分割技术稍做总结，分三个大类综述阈值选取方法，然后对阈值化算法的评估做简要介绍。 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[37]．简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。 阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产中，机器视觉运用于产品质量检测等等。在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。 2．阈值分割的基本概念 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。 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