基于VC++图像阈值分割与轮廓提取技术研究与实现.docx

基于VC++图像阈值分割与轮廓提取技术研究与实现.docx

《基于VC++图像阈值分割与轮廓提取技术研究与实现.docx》由会员分享，可在线阅读，更多相关《基于VC++图像阈值分割与轮廓提取技术研究与实现.docx（9页珍藏版）》请在冰豆网上搜索。

基于VC++的图像阈值分割与轮廓提取技术的研究与实现

摘要：

目前，随着计算机图像处理技术的飞速发展，医学图像分割技术在医疗诊断中的应用也越来越广泛。

本文分析了区域的图像分割算法，提出了结合距离正则化的水平集演化模型的自适应算法，基于vc++6.0软件对人体心脏核磁共振图像进行了仿真实验分析。

关键词：

图像分割；医学图像；仿真实验

中图分类号：

tp391.41文献标识码：

a文章编号：

1007-9599

（2012）24-0028-03

1基于区域的图像分割算法概述

1.1阈值分割算法

阈值分割算法具有多种优点，包括简单便捷、性能高效等，对于目标背景与灰度级之间存在明显差异的图像来说，图像分割的效果比较理想。

阈值分割算法的应用首先要对图像进行部分预处理，为后期图像分割提供相关准备。

阈值分割算法在医学图像分割中经常用于身体骨骼、皮肤组织等医学图像。

但是，阈值分割算法也存在部分缺点，如果将阈值分割应用于灰度值差异不够明显，以及图像中噪声分布不均匀的图像中，其效果却不尽理想。

而且，阈值的选取对于医学图像的分割起着决定性作用，因此，阈值的选取也是至关重要的步骤。

1.2区域生长及分裂合并算法

区域生长算法的特点是图像分割步骤简单，经常用于对医学图像

中的小部分组织进行图像分割，例如肿瘤分割、伤疤分割等等。

如果将区域生长算法与其他算法结合应用，将会达到事半功倍的分割效果。

区域生长算法的缺点是其对于图像噪声极为敏感，而且需要人工手动得到种子点。

区域分裂合并算法与区域生长算法的理念不尽相同，区域分裂合并算法是通过对图像的不断分裂得到图像的各个区域，这些区域之间具有一定的关联性，各个区域中相邻的部分根据合并准则完成合并。

1.3分类器及聚类算法

分类器包括参数分类器与非参数分类器两种。

典型的非参数分类器有parzen窗、k近邻等；而贝叶斯分类器为参数分类器的典型代表。

分类器的优点较多，包括能够有效降低算法的计算量，也不需要进行迭代运算，从而提高算法效率等等。

分类器算法能够应用于多通道医学图像分割，但是，由于分类器算法没有完全考虑到图像的空间信息，因此，分类器算法应用于灰度分布不够均匀的医学图像中效果较差。

聚类算法与分类器算法具有较高的相似性，它是通过迭代计算将图像进行分类，再提取出图像不同部分的特征，属于自我训练算法的类型。

聚类算法包括em算法、模糊均值算法和分层聚类算法等等。

2结合距离正则化的水平集演化模型的自适应算法

2.1距离正则化的水平集演化模型

目前，测地线活动轮廓模型已经广泛应用于计算机图像处理和视觉处理相关领域，以及与图像分割算法的结合应用。

测地线活动轮

廓模型最终将图像轮廓作为高维隐式函数的零水平集，以偏微分方程进行驱动，得到零水平集方程的演化。

测地线活动轮廓模型是在演化中能够处理图像曲线的分裂与合

并，其得到的水平及方程值数确切可靠。

但是，测地线活动轮廓模型的水平集函数不能够保证在演化过程中为带符号的距离函数。

当测地线活动轮廓模型与距离函数相互偏离的时候，部分水平集函数的绝对值远远大于1，进而容易出现尖峰和深谷等情况，或者由于水平集函数的绝对值远远小于1，容易出现计算数值不再稳定的情况。

因此，在完成了多次水平集函数迭代更新计算之后，重新进行初始化使得水平集函数保持为目前的距离符号函数，这种行为不但增加了算法的复杂程度，也对算法数值计算造成一定影响。

为了有效解决上述问题，逐渐提出了基于变分水平及的算法思想，测地线活动轮廓模型通过增加惩罚项使其在演化的过程中，始终能够存在于符号距离函数附近，省去了算法的初始化处理过程，真正提高了算法的效率。

但是，测地线活动轮廓模型通过增加惩罚项会使得扩散率不断提升，因此，可以通过改变惩罚项函数的方法来减少扩散率的提升。

此算法模型即为距离正则化的水平集演化模型，通过对模型惩罚项中的函数进行改进，能够使扩散率始终保持为常数，大大提高了计算数值的准确性。

2.2距离正则化的水平集演化模型改进

距离正则化的水平集演化模型具有多种优点，包括算法计算数值稳定准确、不需要进行初始化处理等等。

因此，距离正则化的水平

集演化模型代表了活动轮廓模型的重点研究方向。

但是，距离正则化的水平集演化模型在去除图像噪声和保留图像边缘方面相互矛盾，而且距离正则化的水平集演化模型不能完成自适应演化过程，需要在人机交互的条件下才能完成，由此，其应用于医学图像分割领域还不够完善。

本文提出了对滤波函数的改进，使得改进后的模型距离正则化的水平集演化模型能够实现自适应演化。

2.3模型滤波函数的改进

在去除图像噪声的时，需要对图像边缘信息进行保护。

因此，在滤波扩散过程中可以将传导系数应用于图像特征区域。

在图像相对平坦的区域，传导系数不但能够自动升高，还能够平滑图像平台区域中相对不够均匀的噪声，在图像边缘信息附近，传导系数的自动降低能够对图像边缘信息起到良好的保护作用。

由此，滤波扩散方程与1990年被提出，如式

（1）所示：

式

（1）

式

（1）称为pm方程，pm方程属于非线性扩散方程。

但是，pm方程仍然存在部分缺陷，例如部分边缘函数不能够完全满足pm方程的性能。

因此，重新将扩散方程修订为式

（2）所示：

式

（2）

式

（2）则为正则化pm方程，正则化pm方程在完成图像滤波的过程中，将梯度模值应用其中，使图像滤波与边缘检测能够有机结合。

正则化pm方程的传导系数能够随着图像信息的改变而变换，进而保留了图像边缘信息。

将单尺度高斯滤波与正则化的pm方程相互

结合之后对图像进行平滑处理，得到经过滤波之后的图像梯度模值，再经过正则化pm方程的计算，得到完成扩散率波之后的图像，从而在去除图像噪声时能够较好地对图像边缘信息进行保存，有利于图像梯度模值的精确计算。

正则化pm方程滤波之后得到式

（2）。

2.4模型的自适应演化

测地线活动轮廓模型与snake参数化模型存在相同的缺点，那就

是测地线活动轮廓模型不能够将图像的凹陷部分进行良好收敛。

为了克服这个问题，需要在模型中增加一定的收缩力，使其方向始终保持指向图像曲线内部，同时能够得到边缘停止函数的控制。

当曲线的凹陷部分进行演化时不会自动停止，反而是继续收缩到图像目标的边界。

收缩力作为模型中的常数（c），对图像曲线的演化方向有着直接影响。

如果初始曲线将目标便捷包围起来，则认为收缩力常数大于零，演化曲线的方向是向内收缩之后逐渐到目标边界；如果初始曲线是包含于目标边界内部的，则需要收缩力常数大于零，演化曲线的方向是逐渐向外扩散到目标边界。

由此，如果收缩力的符号能够确定，曲线的演化只能遵循一个方向完成。

这就需要按照初始轮廓的目标边界及内部位置来定义收缩力的常数数值符号，但是无法完成自适应图像分割过程，对医学图像的分割有着一定限制性影响。

按照图像平面曲线的相关理论得到水平集单位向量公式：

式（3）

水平集函数如果在零水平集内获得负数值数，当在零水平集内

取得正数值数时，式（3）需要取负数值数。

水平集函数如果在零水平集内获得正数值数，或者当在零水平集内取得负数值数时，式（3）需要取正数值数，根据测地线活动轮廓模型可以得到：

式（4）

作为曲线的曲率，式（4）中包含了曲线单位向量，分析测地线活动轮廓模型可以知道，曲线的运动是经过单位向量的驱动实现的。

对水平集函数进行改变，使其能够或者按照初始曲线的位置来决定零水平集内部取得负数值数，外部取得正数值数；或者在零水平集内部取得正数值数，外部取得负数值数。

3改进后的水平集演化模型

本文将正则化pm方程与自适应算法相互结合，共同应用于距离正则化水平集方程之中，从而得到改进后的水平集演化方程：

式（5）

式（5）中，，作为经过正则化pm方程进行滤波处理之后的图像，采用的是式（4）中定义的初始函数。

进行迭代计算之后的是图像分割的最终结果。

4实验仿真结果分析

在医学图像分割应用中，病灶组织轮廓作为非常关键的组织特征信息，将其提取出来能够有助于医生对于病灶组织的判断分析，确诊患者病情，实施正确的医疗计划。

但是，很多医学图像由于受到医疗设备的影响，图像中经常包含大量的噪声，距离正则化的水平集演化模型采用的高斯滤波去噪方式，经常将医学图像的边缘信息

滤除，最终导致了图像分割的失效。

为了验证本文改进模型应用于医学图像分割的有效性，对医学图像进行了仿真实验分析，医学图像取为人体心脏核磁共振图像，实验终端中央处理器主频选为2.8ghz，内存为2g，软件系统采用的是vc++6.0。

对人体心脏核磁共振图像进行实验仿真分析，图像分割的目的是

将心脏内壁边缘提取出来，作为诊断心脏疾病的关键依据，如图1所示。

人体心脏核磁共振图像包含大量噪声，而且其内壁边缘非常模糊。

应用本文提出的改进算法能够将医学图像中的噪声滤除，并且保护医学图像的边缘，还具有较强的自适应曲线演化功能。

改进算法的常量演化速度值数始终为正数数值，按照图像初始轮廓的位置自适应演化，决定单位向量的演化方向，从而引导曲线的整体运动。

而距离正则化的水平集演化模型需要按照初始轮廓的位置决定常量演化速度值数的正负，由此得到不同的曲线演化方向。

（a）初始轮廓位于外部（b）距离正则化的水平集演化模型分割结果1

（c）改进算法图像分割结果1（a）初始轮廓位于内部图1医学图像分割实验结果

由图1和表1能够看出，本文提出的改进算法不需要人为手动调整常量演化速度符号，而常乐演化速度的数值永远大于0。

按照图像初始轮廓位置能够自适应地改变曲线单位向量的方向，引导曲线向内部和外部进行运动。

该算法由于改进了滤波函数模型，在保护

图像边缘信息方面稳定可靠，大大减少了迭代计算的次数，所占用的时间也远远小于距离正则化的水平集演化模型，真正提高了图像分割算法的效率。

无论图像轮廓与目标边界的距离是远是

近，都能够将人体心战内壁边缘的信息提取出来。

表1医学图像分割实验数据

模型初始轮廓位置 常量演化速度c迭代次数所用

时间

距离正则化的水平集演化

模型外部 1.5 300次41.1719s

改进算法 外部 1.5 150次33.1094s

距离正则化的水平集演化

模型内部 -1.5700次84.1719s

改进算法 内部 1.5 300次67.2031s5结论

综上所述，图像分割技术是医学图像处理领域中的重点研究，图像分割的准确性和稳定性将会直接影响医生对病灶部位的诊断，因此，医学图像分割技术在医疗领域的深入研究具有较强的实际应用价值。

参考文献：

[1]张健，宋刚.基于分裂式k均值聚类的图像分割方法[j].计算机应用，2011（02）.

[2]杨建功，汪西莉.一种结合图割与双水平集的图像分割方法[j].

计算机工程与应用，2012（03）.

[3]刘利雄，马忠梅，赵恒博，姚宇华，张麒.一种基于主动轮廓模型的心脏核磁共振图像分割方法[j].计算机学报，2012（01）.