基于矩的纹理分割及其在超声图像中的应用

摘要

纹理分割是图像处理中一个重要研究内容。纹理特征的提取直接影响纹理分割结果的好坏。矩函数作为图像描述的算子能够较好地提取纹理特征。和连续矩相比，离散矩在计算数字图像时不需要积分空间离散化和空间坐标归一化，能够得到更高的精度。本文尝试使用离散Tchebichef矩和Krawtchouk矩提取图像纹理特征，并且将这种基于矩函数的纹理分割方法应用到超声图像的分割中去。 本文首先提出了基于离散矩提取纹理特征的方法。在使用Tchebichef矩和Krawtchouk矩以及非线性变换器得到纹理的特征空间并进行简化以后，分别使用BP神经网络和支持向量机对简化后的特征空间进行分类。在比较了两种分类器的误分割率后，得出支持向量机更适用于纹理特征分类的结论。随后将基于离散矩的分割结果和基于连续矩的分割结果相比较，证明离散矩在提取纹理特征方面的优势。 接下来我们讨论了两种基于边界的纹理分割方法。对于水平集主动轮廓模型，我们采用了多通道输入以便使用纹理特征进行分割。此外我们还增加了两个惩罚项，保持轮廓线单一的拓扑结构。对于离散动态轮廓模型，我们使用纹理特征图像的代替原图像提取能量参数，得到改进的图像外力推动轮廓演化。 我们通过对前列腺超声图像轮廓附近点取样，比较其内外特征值的灰度分布，进一步优化了特征空间。最后使用两种基于边界的分割方法对优化后的特征空间进行分割，得到了最终的结果，并指出两种方法的优点和不足。

目录

文摘

英文文摘

声明

第1 章 绪论

§1.1 课题背景和意义

§1.2 矩函数理论的发展

§1.2.1 几何矩

§1.2.2 复数矩

§1.2.3 Legendre矩

§1.2.4 Zernike矩

§1.2.5 Tchebichef矩

§1.2.6 Krawtchouk矩

§1.3 论文组织结构

第2 章 前列腺超声图像

§2.1 引言

§2.2 Ablatherm超声设备

§2.3 超声数据集

§2.4 目标轮廓

第3 章 基于离散正交矩的纹理分割

§3.1 引言

§3.2 基于离散矩的纹理特征提取

§3.2.1 基于Tchebichef矩的纹理特征提取

§3.2.2 基于Krawtchouk矩的纹理特征提取

§3.3 使用分类器分类

§3.3.1 特征空间的优化

§3.3.2 神经网络分类器

§3.3.3 支持向量机分类器

§3.4 结果分析与比较

§3.4.1 分类器性能比较

§3.4.2 矩函数特征提取能力的比较

第4 章 基于边界的纹理分割方法

§4.1 引言

§4.2 边界轮廓初始化

§4.3 基于水平集的主动轮廓模型

§4.4 离散动态轮廓模型

第5 章 结果分析和讨论

§5.1 基于离散矩的超声图像纹理特征

§5.1.1 模拟超声图像的纹理分割

§5.1.2 基于边界特征集的优化

§5.2 基于水平集主动轮廓模型的分割

§5.3 基于离散动态轮廓模型的分割

§5.4 结果分析

第6 章 总结和展望

§6.1 论文工作总结

§6.2 进一步研究方向

参考文献

致谢

附录