当前位置：文档视界 › 基于水平集的牙齿CT图像分割技术

基于水平集的牙齿CT图像分割技术

龙源期刊网 https://www.docsj.com/doc/58252333.html, 基于水平集的牙齿CT图像分割技术

作者：汪葛王远军

来源：《计算机应用》2016年第03期

摘要：牙齿的计算机断层扫描（CT）图像中存在边界模糊、相邻牙齿粘连等情况，且拓扑结构较为复杂，要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法，特别是近年来用于牙齿分割的水平集方法进行介绍，对其水平集函数中各能量项进行研究，并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括：竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳，切牙与磨牙分割准确率分别为88.92%和92.34%，相比自适应阈值和传统水平集方法，分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上，通过对水平集函数中能量项进行优化和创新，有望进一步提高分割的准确率。

关键词：牙齿锥形束计算机断层扫描（CBCT）图像；图像分割；水平集；能量项；混合模型

中图分类号： TP391.413 文献标志码：A

0引言

近年来，人体组织器官的可视化技术已经成为计算机辅助诊断的重要工具。由于牙齿的计算机断层扫描（Computer Tomography， CT）图像同时包含了牙冠和牙根的解剖信息，为重建完整的牙齿模型提供了可靠数据。而牙齿的分割作为牙齿模型重建工作中的一个重要步骤，对牙齿分割方法的研究具有重要意义。

牙齿的形状和牙根的具体位置等信息对牙齿的正畸手术、种植手术、根管治疗等临床操作非常重要。通常手术前需

要对这些信息进行手动测量和获取，这个过程往往非常耗时，而且其准确性也不能达到非常高的要求。因此，通过获得牙齿的三维数字模型可以为口腔疾病的诊断和手术治疗方案的制定等提供完整的解剖信息，极大地提高诊断的准确性和手术的成功率。为了获得精确的三维信息，则必须要求对牙齿CT图像进行准确分割。目前基于水平集的图像分割算法已广泛应用于医学图像分割领域，这一类算法可以很好地解决外形复杂和拓扑结构变化剧烈的情况。本文主要针对水平集方法（Level Set Method， LSM）在牙齿CT图像分割应用中的研究进展进行综

述和讨论。

3结语

水平集图像分割方法研究

生物医学图像分割方法研究 1、图像分割概述图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。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。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。

【CN110223271A】血管图像的自动水平集分割方法及装置【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910364864.4 (22)申请日 2019.04.30 (71)申请人深圳市阅影科技有限公司地址 518102 广东省深圳市宝安区西乡街道臣田社区宝民二路东方雅苑2层B37 (72)发明人王纯亮　张超　赵清华　毛益进　 (74)专利代理机构北京康信知识产权代理有限责任公司 11240 代理人赵囡囡 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) (54)发明名称血管图像的自动水平集分割方法及装置 (57)摘要本发明公开了一种血管图像的自动水平集分割方法及装置。其中，该方法包括：获取初始血管模型，其中，初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的，半径函数用于描述血管区域；在局部流明统计模型的基础上，对初始血管模型进行水平集分割，得到分割后的血管模型，其中，局部流明统计模型包括血管沿中心线上的横截面的流明阈值。本发明解决了相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。权利要求书2页说明书13页附图6页CN 110223271 A 2019.09.10 C N 110223271 A

权　利　要　求　书1/2页CN 110223271 A 1.一种血管图像的自动水平集分割方法，其特征在于，包括：获取初始血管模型，其中，所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的，所述半径函数用于描述血管区域；在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割，得到分割后的血管模型，其中，所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值。 2.根据权利要求1所述的方法，其特征在于，在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割之后，还包括：利用分割后的血管模型对所述中心线和所述半径函数进行修正，以得到修正后的初始血管模型，直至所述中心线和所述半径函数满足第一预定条件；利用分割后的血管模型对所述局部流明统计模型进行修正，以对所述局部流明统计模型的流明阈值进行修正，直到所述局部流明统计模型满足第二预定条件；在修正后的局部流明统计模型的基础上，基于水平集分割方式对修正后的初始血管模型进行水平集分割。 3.根据权利要求1所述的方法，其特征在于，获取所述初始血管模型包括：获取所述初始血管模型对应的血管图像；对所述血管图像进行预处理，得到初始血管模型；其中，对所述血管图像进行预处理，得到初始血管模型包括：生成所述血管图像对应的血管的初始中心线，同时建立所述血管图像对应的血管的初始半径函数；基于所述初始中心线以及所述初始半径函数进行建模，得到所述初始血管模型。 4.根据权利要求2所述的方法，其特征在于，在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割包括：在所述局部流明统计模型的基础上，确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值，其中，所述分割阈值包括：上限阈值和下限阈值；利用所述分割阈值对所述初始血管模型进行分割。 5.根据权利要求4所述的方法，其特征在于，在所述局部流明统计模型的基础上，确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值包括：通过第一公式确定所述多个横截面中每个横截面的分割阈值的上限阈值，其中，所述第一公式为：T upper＝μ+p upper*ρ，T upper表示所述分割阈值中的上限阈值，μ表示所述多个横截面中每个横截面的平均流明值，p upper表示所述上限阈值的百分比，ρ表示所述多个横截面中每个横截面的流明值标准差；以及，通过第二公式确定所述多个横截面中每个横截面的分割阈值的下限阈值，其中，所述第二公式为：T lower＝μ-p lower*ρ，T lower表示所述分割阈值中的上限阈值，μ表示所述多个横截面中每个横截面的平均流明值，p upper表示所述下限阈值的百分比，ρ表示所述多个横截面中每个横截面的流明值标准差。 6.根据权利要求3所述的方法，其特征在于，在对所述血管图像进行预处理，得到初始血管模型之前，还包括： 2

医学图像分割综述

图像分割技术与MATLAB仿真知识讲解

图像分割技术与M A T L A B仿真

中南民族大学毕业论文(设计) 学院: 计算机科学学院专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文（设计）原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。作者签名：年月日

目录摘要 0 Abstract 0 引言 (2) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)

图像分割技术研究及MATLAB仿真摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。关键字：图像分割，MATLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the

基于水平集的gac模型的图像分割报告

偏微分方程与图像处理(GAC的水平集方法)

实验二 GAC 的水平集方法一实验目的采用GAC 模型的水平集方法检测图像中对象的轮廓，以便有效地进行分割。二原理分析推广GAC 模型的水平集方法对应的PDE 为： u gc u g u gk u t ?=?+???+?? （3.31）按照上式，曲线运动将受两种“力”的支配，第一种力来自于曲率几何形变—曲率运动（gc u gk u ?+?），不过它的强弱还要受到因子()g I ?的影响。 I ?为图象I(x,y)的梯度模值，函数g (r) 是可以是任何具有单调减性的函数。因为图象梯度模值I ?在图象的边缘附近有较大值，从而使g(I ?)取极小的值，故在图象边缘附近，该作用力将会变的很小，因此有时将边缘函数()g I ?称之为边缘停止函数。常数c 的作用是加速曲线向内部收缩。第二种力来自于g 的梯度(1,2)g αα?= ，它是一种不论当前C 的局部是在对象内部或外部，都能将曲线引向边界的“吸引力”。从而g u ??? 总是使曲线向着更接近于边界线的方向运动，最终达到贴近对象边界的稳定状态。由于这两种作用使曲线演化可最终达到紧靠轮廓这一稳定状态而不再继续演化。采用单边迎风方案，根据（1.76）式的数值方案实现上式：考虑到 0g >,0c > 可得： (1) () () {n n ij ij ij u u t g c +-=+?? () () () () max(1,0)min(1,0)max(2,0)min(2,0)x ij x ij y ij y ij D u D u D u D u αααα-+-+++++ (0) 2 (0) 212 [()()]}n ij ij x ij y ij g k D u D u ++ (2.1) 其中 () 2222 [(max(,0))(min(,0))(max(,0))(min(,0))] x ij x ij y ij y ij D u D u D u D u -+-+-? =+++ (2.3) ,1,1 (0) 2 i j i j x ij u u D u +--= 中心差分 (2.2)

基于水平集的牙齿CT图像分割技术

龙源期刊网 https://www.docsj.com/doc/58252333.html, 基于水平集的牙齿CT图像分割技术作者：汪葛王远军来源：《计算机应用》2016年第03期摘要：牙齿的计算机断层扫描（CT）图像中存在边界模糊、相邻牙齿粘连等情况，且拓扑结构较为复杂，要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法，特别是近年来用于牙齿分割的水平集方法进行介绍，对其水平集函数中各能量项进行研究，并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括：竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳，切牙与磨牙分割准确率分别为88.92%和92.34%，相比自适应阈值和传统水平集方法，分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上，通过对水平集函数中能量项进行优化和创新，有望进一步提高分割的准确率。关键词：牙齿锥形束计算机断层扫描（CBCT）图像；图像分割；水平集；能量项；混合模型中图分类号： TP391.413 文献标志码：A 0引言近年来，人体组织器官的可视化技术已经成为计算机辅助诊断的重要工具。由于牙齿的计算机断层扫描（Computer Tomography， CT）图像同时包含了牙冠和牙根的解剖信息，为重建完整的牙齿模型提供了可靠数据。而牙齿的分割作为牙齿模型重建工作中的一个重要步骤，对牙齿分割方法的研究具有重要意义。牙齿的形状和牙根的具体位置等信息对牙齿的正畸手术、种植手术、根管治疗等临床操作非常重要。通常手术前需要对这些信息进行手动测量和获取，这个过程往往非常耗时，而且其准确性也不能达到非常高的要求。因此，通过获得牙齿的三维数字模型可以为口腔疾病的诊断和手术治疗方案的制定等提供完整的解剖信息，极大地提高诊断的准确性和手术的成功率。为了获得精确的三维信息，则必须要求对牙齿CT图像进行准确分割。目前基于水平集的图像分割算法已广泛应用于医学图像分割领域，这一类算法可以很好地解决外形复杂和拓扑结构变化剧烈的情况。本文主要针对水平集方法（Level Set Method， LSM）在牙齿CT图像分割应用中的研究进展进行综述和讨论。 3结语

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

图像分割技术综述---20050620

综述：PDE图像分割技术沈民奋汕头大学工学院，广东省图像处理重点实验室，汕头 515063 摘要：偏微分方程（PDE's）图像处理在图像处理的各个方面已经得到了广泛的应用，该方法通常与水平集方法配合使用。在图像分割方面提出了许多基于偏微分方程（PDE's）的方法，比如，M-S分片光滑法，C-V无需边缘的活动围线法，P-D测地活动区域组等等。本文追踪偏微分方程（PDE's）图像分割的发展，回顾偏微分方程（PDE's）图像分割领域的重要文献，也简述了偏微分方程（PDE's）图像分割中的数值技巧。从本文的综述可以看出，当前偏微分方程（PDE's）图像分割的主要发展趋势有三个方面：将图像分割的边界特征和区域特征相结合；建立新的水平集方法来实现偏微分方程（PDE's）图像分割；将偏微分方程（PDE's）图像分割技术与传统技术如贝叶斯方法相结合。关键词：偏微分方程，图像分割，水平集，活动围线，综述中图分类号：TP391.4 文献标识码：A 文章编号： 0 引言图像分割是图像分析和计算机视觉中一个基本处理环节。这方面的文献很多。本文主要关注偏微分方程（PDE）图像分割的最新进展。方程的建模通常是根据变分法寻找一个使能量泛函最小化的函数，并辅之以水平集技术。尽管本文主要综述关于二维灰度图像的分割方法，由于偏微分方程图象处理的固有优势，这些方法往往很容易推广到彩色图像分割或序列图像的运动追踪问题[1,5,29,30,33,35,41]。传统的图像分割方法，无论是基于时域还是频域的分割，总是利用图像中的灰度边界信息或灰度同质区域进行分割图像。偏微分方程图像分割也是基本如此。从根本上说，偏微分方程图像处理是基于对图像的确定性描述，近年来，许多研究人员试图把概率性描述的一些手段与偏微分方程图像处理相结合。最早的偏微分方程图像分割借助于各向异性的灰度扩散技术，扩散的结果是使得原输入图象变换成为由一些分片光滑的灰度同质区域所组成的近似图像，从而更容易分割出图像中的不同区域。后来，随着水平集方法的提出，曲线演化和传统的参数型曲线演化相比，变得更加方便和有效。因此，曲线演化或称活动围线模型成为图像分割的主流。此后，偏微分方程活动围线的发展主要在于两个方面：多相活动围线和边界无关的活动围线模型。最近，活动围线和先验形状信息相结合的方法也相继被提出。另一方面，偏微分方程图像分割的技术改进也来自于新的数值技巧，比如改进传统的水平集方法；多尺度水平集技术；甚至完全抛开水平集方法而寻找方程的直接数值求解。偏微分方程图象处理的一般方法是这样的：给定一个问题，在特定准则下最小化一个能量泛函，使得最小化函数即为问题的解。以图像分割为例，这些准则通常是图像中的灰度边缘信息或灰度同质区域信息；其次，根据这些准则确立一个能量泛函，使得仅在我们所期望达到的分割边界上该能量泛函达到最小；然后，从最小化问题中推导出相应的欧拉-拉格朗日方程（组），方程的解的存在性往往需要专门给出证明；最后，使用适当的数值技术求解这个方程（组）。偏微分方程图象处理确实能够提供与传统图象处理手段所不同的处理方法和效果，尤其对于复杂的图像分割问题显得灵活和有效。最近偏微分方程图象处理的繁荣就是由于它所能够提供灵活多样的，而且往往是传统处理方法所不能企及的处理性能。过去二十年来，有很多偏微分方程图像分割的文章相继发表，有基于边缘或测地边缘的活动围线模型，分片光滑的灰度同质区域分割模型，和结合其它方法（如贝叶斯方法）的偏微分方程图像分割模型。读者也可以参

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

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

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