基于紋理合并的醫(yī)學(xué)圖像分割-1

1、基于紋理合并的醫(yī)學(xué)圖像分割1 確定分割后得到的不同區(qū)域，2 計算所有相鄰區(qū)域的 和定義閥值3 如果，那么將兩個區(qū)域合并4 合并所有滿足條件3的區(qū)域并計算合并后區(qū)域的數(shù)量，5 如果，結(jié)束整個合并過程，否那么，返回計算過程22 試驗(yàn)結(jié)果及分析 (a) 原始圖像 (b) 直接分割結(jié)果(c) 文獻(xiàn)【6】分割合并結(jié)果 (d) 本文分割合并結(jié)果 (e) 原始圖像(f) 直接分割結(jié)果 (g) 文獻(xiàn)【6】分割合并結(jié)果 (h) 本文分割合并結(jié)果圖 1 不同方法的分割圖像Fig. 1 Segmentationresults obtained using different methods本文的研究對象主要是針對醫(yī)

2、學(xué)圖像的分割，我們選取兩幅醫(yī)學(xué)MR圖像來檢驗(yàn)本文提出算法的有效性，圖像的大小分別為、。同時，本文選取同是采用分水嶺算法的文獻(xiàn)【6】作為比擬。圖c、圖g是采用文獻(xiàn)【5】的方法得到的分割結(jié)果。由于文獻(xiàn)【6】抽取不同的紋理特征系數(shù)構(gòu)成代價函數(shù)，將滿足代價函數(shù)的分塊合并。博士論文，分水嶺算法。兩幅圖中都不同程度的存在著誤分割和漏分割的問題。相比之下，本文采用區(qū)域分塊的紋理相似性作為合并的依據(jù)更具有合理性。算法得到的分割結(jié)果：如圖d、圖h所示，能夠真實(shí)的反映目標(biāo)的實(shí)際輪廓，減少誤分割。雖然分割塊數(shù)較為接近，本文分割更加科學(xué)合理。本文用紋理合并算法對分割后的圖像進(jìn)行合并時，使用了Haralick紋理和最大

3、互信息相結(jié)合的方法。首先，將灰度圖像量化為較少的幾個灰度級，在本文中選取了8個灰度級，所以得到的紋理灰度共生矩陣是的矩陣。然后，根據(jù)最大互信息準(zhǔn)那么對相鄰區(qū)域的紋理灰度共生矩陣進(jìn)行合并操作。在此過程中，灰度級的選取對最終的合并結(jié)果有重要影響。分割后分塊較小的圖像，應(yīng)該選取較小的灰度級。因?yàn)檩^大的灰度級意味著紋理灰度共生矩陣的值會比擬稀疏，不利于紋理相似性合并。分割后分塊較大的圖像，應(yīng)該選取較大的灰度級，有利于合并的精確性。因此，需要根據(jù)圖像分割后的實(shí)際情況合理的選那么灰度級。分割結(jié)果如表1所示： 分割圖像3 像素大小 文獻(xiàn)【6】分割塊數(shù) 本文算法分割塊數(shù) 圖像(a) 9 7 圖像(e) 8 9

4、 表 1不同方法的分割比擬Table 1 Comparsion of different Segmentation methods3 結(jié)論：試驗(yàn)結(jié)果說明，圖像預(yù)處理具有良好的去噪、抑噪效果，方便后續(xù)的區(qū)域紋理提取及合并。博士論文，分水嶺算法。本文從Haralick紋理和最大互信息相結(jié)合角度出發(fā)，提出基于紋理合并的分水嶺分割方法，將分割前圖像預(yù)處理和分割后紋理合并相結(jié)合，有效的解決了過分割問題，分割圖像也具有較好的完整性和精確性。由于紋理和最大互信息相結(jié)合提高了算法的復(fù)雜度，尤其隨著灰度級選取的級數(shù)增加，計算量將會提高。博士論文，分水嶺算法。今后的研究可以就如何進(jìn)一步提高算法的效率提出改良。參考

5、文獻(xiàn)【1】羅慧韜,章毓晉.一個圖像分割評價事例及討論. 數(shù)據(jù)采集與處理,1997,12(1)：18-22.【2】Grau V, Mewes A U J, Alcaniz M, R, et al. Improvedwatershed transform for medical image segmentation using prior information.IEEE Transactions on Medical Imaging, 2004,23(4)：447-458.【3】Hamarneh G, Li Xiaoxing. Watershed segmentationusing prior

6、shape and appearance knowledge. Image and Vision Computing, 2007：59-68.【4】Zhong Yong, Xiong Naixue, He Ruhan. A Two-stageImage Segmentation Method Based on Watershed and Fuzzy C-Means. 2021 IEEEAsia-Pacific Services Computing Conference. 2021：1550-1555.【5】Cai W, Chen S, Zhang D. Fast and robust fuzz

7、yc-means clustering algorithms incorporating local information for imagesegmentation. Pattern Recognition, 2007,40(3)：825838.【6】Ng1 H P, Huang1 S.Medical Image Segmentation Using Watershed Segmentation with Texture-BasedRegion Merging. 30th Annual International IEEE EMBS Conference Vancouver. Britis

8、h Columbia, Canada： IEEE Press, 2021：20-24.【7】Eggermont J, Li R, Bovenkamp E, et al. Optimizing computedtomographic angiography image segmentation using fitness based partitioning.in Applications of Evolutionary Computing, ser. Lecture Notes in ComputerScience. Berlin, Germany： 2021：275284.劉喜英,吳淑泉.基于改良分水領(lǐng)算法的醫(yī)學(xué)圖像分割的研究. 微電子技術(shù), 2003,8：39-42.Vincent L, Soille P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations. IEEETransactions on Pattern Analysis and Machine Intelligence. 1991,13(6)