基于C-V模型的图像分割方法研究

摘要

图像分割在处理图像和分析图像中起着重要的作用，是图像处理分析的前提。在有着重要意义的同时，其也有着很大的挑战性。作为图像分割的一大分支，医学图像成像技术也在快速地发展。医学图像的信息处理在现代医学诊断中的作用越来越重要，而医学图像分割是计算机医疗辅助诊断系统中的关键技术。医学图像在其本质上具有多样性和复杂性的特征，传统的图像分割算法的分割效果不太理想，往往不能得到人们想要的结果，所以很多的学者一直在研究图像分割方法。
　　用偏微分方程的理论方法进行图像分割是最近三十几年才出现的一项新的技术，依据数学理论基础，其有着其他方法不具有的特点。
　　活动轮廓模型就是偏微分方程图像分割方法中的一个主流算法。活动轮廓模型融合了图像的多种信息，分割出来的图像边缘是一个封闭的曲线。同一时期，水平集方法被提出，两种方法因为其优缺点，它们的结合产生了几何活动轮廓模型，实现了优势互补。本文的研究就是几何活动轮廓模型中的一种模型C-V模型算法。
　　C-V模型是经典的基于区域的几何活动轮廓模型，能够很好地分割没有明显边缘的图像。然而对于某些噪声图像，它不能很好地处理，处理结果的好坏跟曲线初始轮廓位置关系太大，而且在运算过程中，需要不断的进行周期性初始化过程。
　　针对这些缺点，本文提出了两种改进算法，一种是基于Otsu方法的C-V模型改进算法，可以更有效的处理各种类型图像，有了更好的抗噪性和鲁棒性，减少了计算量，提高了运算速度，而且对初始轮廓位置要求降低。另一种是加入约束项的C-V模型改进方法，省去了初始轮廓曲线周期性初始化的过程，可以节约大量时间，并且降低了对边缘曲线的初始轮廓位置要求。

目录

声明

摘要

第1章 绪论

1．1 引言

1．2 医学图像分割的目的与意义

1．3 基于偏微分方程的图像分割

1．4 国内外研究现状

1．5 本文研究内容

第2章 图像分割的主要算法综述

2．1 基于阈值的图像分割

2．2 基于边缘检测的图像分割

2．2．1 并行微分算子

2．2．2 基于曲面拟合的方法

2．2．3 串行边界查找

2．3 基于区域提取的图像分割

2．3．1 区域生长法

2．3．2 分裂合并法

2．3．3 分类器和聚类

2．3．4 基于随机场的方法

2．4 结合特定理论工具的方法

2．4．1 基于数学形态学的图像分割

2．4．2 基于模糊集理论的图像分割

2．4．3 基于人工神经网络的图像分割

2．4．4 基于小波分析和变换的分割方法

2．5 基于偏微分方程的图像分割

2．6 活动轮廓模型算法

2．6．1 活动轮廓模型概述

2．6．2 参数活动轮廓模型

2．6．3 几何活动轮廓模型的提出

2．7 本章小结

第3章 C-V模型的相关原理

3．1 水平及方法原理

3．1．1 水平集方法简介

3．1．2 曲线演化理论

3．1．3 基于水平集的曲线演化理论

3．1．4 水平集的数值实现

3．1．5 水平集的初始化

3．2 活动轮廓模型原理

3．2．1 活动轮廓模型原理概述

3．2．2 气球力模型

3．2．3 GVF模型原理

3．3 几何活动轮廓模型原理

3．3．1 测地活动轮廓模型

3．3．2 M-S模型原理

3．4 C-V模型算法

3．5 本章小结

第4章 C-V模型算法的改进

4．1 基于Otsu算法的C-V模型改进算法

4．1．1 Otsu算法

4．1．2 改进的分割算法

4．2 加入约束项的C-V模型的改进算法

4．3 本章小结

第5章 结果与分析

5．1 传统算法结果

5．1．1 算子算法提取边缘

5．1．2 传统C-V模型边缘提取结果

5．2 基于Otsu算法的C-V模型改进算法的结果与临床应用

5．2．1 基于Otsu算法的C-V模型的结果

5．2．2 改进算法—的临床应用

5．3 加入约束项的C-V模型改进算法的结果

5．4 本章小结

第6章 总结与展望

6．1 本文工作总结

6．2 展望

参考文献

致谢