局部二值擬合模型在醫(yī)學(xué)圖像分割中的應(yīng)用.pdf

1、圖像分割是圖像理解與識(shí)別的前提。作為圖像處理的基礎(chǔ)環(huán)節(jié)，一直是圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的熱點(diǎn)和難點(diǎn)問(wèn)題。利用水平集方法實(shí)現(xiàn)的活動(dòng)輪廓模型近年來(lái)受到眾多學(xué)者的關(guān)注，先后提出了分段恒定(Piecewise Constant，PC)模型、局部二值擬合模型、局部圖像擬合(Local Image Fitting，LIF)等經(jīng)典模型。但這些模型在分割灰度不均勻或弱邊緣圖像時(shí)，效果并不理想。PC、LBF、LIF等經(jīng)典模型都只進(jìn)行了兩相分割，但真實(shí)圖像

2、通常包含多個(gè)同質(zhì)目標(biāo)區(qū)域，傳統(tǒng)的兩相水平集方法無(wú)法分割，所以多相水平集分割具有重要研究意義。本文主要進(jìn)行了以下幾方面的工作:
　　(1)提出基于局部梯度的LBF模型。通過(guò)在LBF模型的數(shù)據(jù)項(xiàng)中加入局部梯度信息，實(shí)現(xiàn)對(duì)原始圖像更準(zhǔn)確地近似。實(shí)驗(yàn)證明基于局部梯度的LBF模型在分割灰度不均勻或弱邊緣圖像時(shí)能得到更好的分割結(jié)果。將基于局部梯度的LBF模型與N個(gè)水平集函數(shù)表示2的N次方個(gè)相的多相分割模型相結(jié)合，給出完整的公式推導(dǎo)過(guò)程，并與原

3、LBF模型結(jié)合N個(gè)水平集函數(shù)表示2的N次方個(gè)相的多相分割模型相比較。實(shí)驗(yàn)證明基于局部梯度的LBF模型結(jié)合N個(gè)水平集函數(shù)表示2的N次方個(gè)相的多相分割模型能得到更好的分割結(jié)果。
　　(2)提出控制水平集函數(shù)定義順序的區(qū)域競(jìng)爭(zhēng)模型，實(shí)現(xiàn)區(qū)域競(jìng)爭(zhēng)模型在任何初始情況下都能保證對(duì)有完全重疊區(qū)域圖像的有效分割。每次影子圖更新后，通過(guò)對(duì)所有影子圖的正值區(qū)域的位置關(guān)系進(jìn)行判斷。如果有定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內(nèi)

4、，則調(diào)換這兩個(gè)影子圖的定義順序。將提出的控制水平集函數(shù)定義順序的區(qū)域競(jìng)爭(zhēng)模型與基于局部梯度的LBF模型相結(jié)合，給出完整的公式推導(dǎo)過(guò)程。實(shí)驗(yàn)證明當(dāng)定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內(nèi)時(shí)，改變水平集函數(shù)定義順序的分割結(jié)果比沒(méi)有改變水平集函數(shù)定義順序的分割結(jié)果更優(yōu)。
　　(3)原多層水平集方法中對(duì)水平線li和分層數(shù)m的值沒(méi)有明確定義，但li和m的取值對(duì)多層水平集方法的實(shí)現(xiàn)至關(guān)重要。針對(duì)這一情況，本文通過(guò)增加