第7次課醫(yī)學(xué)圖像分割技術(shù)

1、醫(yī)醫(yī) 學(xué)學(xué) 圖圖 像像 處處 理理Medical Image Processing陳家益陳家益()廣東醫(yī)學(xué)院 信息工程學(xué)院 計(jì)算機(jī)科學(xué)教研室主要內(nèi)容：主要內(nèi)容：6.2 閥值分割法閥值分割法6.3 區(qū)域生長(zhǎng)法和分裂合并法區(qū)域生長(zhǎng)法和分裂合并法6.1 圖像分割的基本概念、特點(diǎn)和圖像分割的基本概念、特點(diǎn)和分類(lèi)分類(lèi)第六章 醫(yī)學(xué)圖像分割技術(shù)6.4 其他常用的醫(yī)學(xué)圖像分割方法其他常用的醫(yī)學(xué)圖像分割方法（1）基本概念 醫(yī)學(xué)圖像處理的最終目的是實(shí)現(xiàn)目標(biāo)的檢測(cè)識(shí)別、分類(lèi)、分級(jí)。要實(shí)現(xiàn)這些目標(biāo)，首先就得把感興趣的區(qū)域從圖像中分割出來(lái)。 圖像分割就是將圖像中的不同區(qū)域區(qū)分開(kāi)來(lái)，劃分后的區(qū)域是互不相交的，且同一區(qū)域的

2、每一個(gè)元素滿足某一個(gè)特定的準(zhǔn)則。具體來(lái)說(shuō)，圖像分割就是原圖像劃分為一系列互相連接但又不重疊的子區(qū)域。（1）基本概念 圖像分割是圖像工程中非常重要的一個(gè)環(huán)節(jié)。處于基礎(chǔ)的圖像處理和高層次的圖像理解之間。圖像圖像圖像預(yù)處理圖像預(yù)處理圖像分析圖像分析圖像理解圖像理解圖像分割圖像分割（2）醫(yī)學(xué)圖像分割的特點(diǎn) 醫(yī)學(xué)圖像分割方法針對(duì)具體的醫(yī)學(xué)應(yīng)用和分割任務(wù)，具有以下三個(gè)特點(diǎn)。需要結(jié)合利用醫(yī)學(xué)領(lǐng)域知識(shí)或先驗(yàn)知識(shí)進(jìn)行。重視多種分割算法的有效結(jié)合。大多需要人工干預(yù)。（3）圖像分割的分類(lèi) 圖像分割主要依賴(lài)于圖像中不同目標(biāo)或區(qū)域的影像特性，包括像素灰度值的變化、顏色或圖像的空間模式等。 醫(yī)學(xué)圖像的分割通常根據(jù)像素的灰

3、度變化，分為基于區(qū)域的分割和基于邊緣檢測(cè)的分割兩大類(lèi)。這兩種方法分別利用了同一對(duì)象或目標(biāo)的內(nèi)部特征或像素灰度分布具有相似性，以及不同對(duì)象或目標(biāo)之間特征或灰度值的不連續(xù)性。（3）圖像分割的分類(lèi) 基于區(qū)域的分割方法的算法有： 閥值法 區(qū)域生長(zhǎng)法 區(qū)域的分裂和合并法 分水嶺法（3）圖像分割的分類(lèi) 基于邊緣檢測(cè)的分割方法通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)解決圖像分割問(wèn)題。常用的算法有： 并行微分算子法 基于邊界曲線擬合法 基于形變模型的分割法（1）閥值分割法概述 閥值分割分為單閥值分割和多閥值分割。單閥值分割將圖像分割為目標(biāo)和背景，多閥值分割將圖像分割為多個(gè)目標(biāo)和背景。 閥值分割的依據(jù)是：目標(biāo)或背景內(nèi)的相鄰像素

4、間的灰度值是相似的，目標(biāo)和背景的像素在灰度上有差異，反映在直方圖上，目標(biāo)和背景則對(duì)應(yīng)不同的峰，選取的閥值應(yīng)位于兩個(gè)峰之間的谷底，從而將兩個(gè)峰有效地分開(kāi)。（1）閥值分割法概述 閥值分割的關(guān)鍵在于如何確定一個(gè)合適的閥值T，把圖像分割為以下圖像： 0 ( , )( , )1 ( , )f x yTg x yf x yT （1）閥值分割法概述 閾值閾值過(guò)小過(guò)小閾值閾值過(guò)過(guò)大大（1）閥值分割法概述 原始圖像原始圖像閾值圖像閾值圖像（1）閥值分割法概述 閥值分割法可以分為全局閥值法和動(dòng)態(tài)閥值法。 如果閥值T的確定只和整幅圖像f(x,y)的直方圖有關(guān)系， 即T=T(f(x,y) 則為全局閥值法。 如果閥值T

5、的確定不僅考慮全局閥值信息，在應(yīng)用到每個(gè)像素點(diǎn)時(shí)還依據(jù)當(dāng)前像素點(diǎn)的鄰域?qū)傩赃M(jìn)行微調(diào)，即T=T(f(x,y),p(x,y)，則為動(dòng)態(tài)閥值法。 （2）全局閥值法 最小極值點(diǎn)閥值法 對(duì)于符合如右圖模型特點(diǎn)的圖像，概率密度函數(shù)兩個(gè)峰之間的波谷最低處的灰度值可以作為分割閥值T，此閥值即為最小極值點(diǎn)閥值。 求解方法：滿足以上條件的z值即為最小極值點(diǎn)閥值T。22()()00p zp zzz 并并 且且（2）全局閥值法 Otsu法 (最大類(lèi)間方差閾值法) Otsu法的原理是，背景和目標(biāo)為來(lái)自?xún)蓚€(gè)總體的兩組灰度值樣本，以組間方差最大作為約束條件來(lái)確定閾值。Otsu法無(wú)需先驗(yàn)知識(shí)，也無(wú)需輸入?yún)?shù)，選取的閥值進(jìn)行分

6、割的效果比較理想。 函數(shù)graythresh( )就是使用Otsu法確定閥值。 （2）全局閥值法 Otsu法 (最大類(lèi)間方差閾值法) Otsu法閥值分割實(shí)例： level=graythresh(f); BW=im2bw(f,level);（2）全局閥值法 最小誤差閥值法 最小誤差閥值法也稱(chēng)全局最優(yōu)閥值法。如果圖像的目標(biāo)和背景的概率密度函數(shù)已知，或者目標(biāo)和背景的各自直方圖已知，分別為po(z)和pb(z)，并且目標(biāo)像素和背景像素在整張圖像中占的比例已知，分別為Po和Pb（ Po=1-Pb ），最小誤差閥值就是使得目標(biāo)和背景的誤分割誤差最小的閥值。（2）全局閥值法 最小誤差閥值法 選定任意一個(gè)閥值

7、t，則將一個(gè)背景像素誤分割為目標(biāo)像素的概率為：將一個(gè)目標(biāo)像素誤分割為背景像素的概率為： 總體誤分割的概率為：(t)(z)dzobtEp (t)(z)dztboEp ( )( )( )boobE tP E tP E tttt（2）全局閥值法 最小誤差閥值法 使總體誤分割的概率最小的閥值就成為最小誤差閥值。 將上式對(duì)t求導(dǎo)，并令其等于零，可得： 求解以上方程即得滿足分割誤差最小的閥值t=T。( )( )( )boobE tP E tP E t( )( )bbooP p tP p t （2）全局閥值法 最小誤差閥值法 從上述方程看，如果目標(biāo)和背景像素在圖像中所占比例相等，即Pb=Po =0.5，方程

8、可化簡(jiǎn)為： 最優(yōu)閥值為目標(biāo)和背景的概率密度函數(shù)的交點(diǎn)處對(duì)應(yīng)的灰度級(jí)。( )( )bbooP p tP p t ( )( )bop tp t （2）全局閥值法 最小誤差閥值法 實(shí)際應(yīng)用中，目標(biāo)和背景的出現(xiàn)和分布的概率很難獲得。在很多情況下，可以用近似的方法來(lái)替代。例如假設(shè) 、 都符合高斯分布，且均值 、 和方差 和 已知。則： ，( )( )bbooP p tP p t (z)(z)boppbobo22(t)21( )2bbbbp te 22(t)21( )2oooop te （2）全局閥值法 最小誤差閥值法 如果進(jìn)一步假設(shè) 和 相等且其值為 ，對(duì)應(yīng)的最優(yōu)閥值為： 如果假設(shè)目標(biāo)和背景像素在圖像中

9、所占的比例相等，即Pb=Po =0.5，則最優(yōu)閥值為2ln()2boobobPTP bo 2boT （2）全局閥值法 基于最小誤差法理論的迭代最優(yōu)閥值選取： 若假設(shè)目標(biāo)和背景出現(xiàn)的概率相同，且均為高斯分布，方差相等，則對(duì)應(yīng)的最優(yōu)閥值為 。在確定圖像符合雙峰模型后，可采用迭代法得到或逼近真正的最優(yōu)閥值。 1）選擇一個(gè)初始閥值T 。 2）用T實(shí)現(xiàn)圖像分割，把圖像像素分為兩類(lèi)。 3) 分別計(jì)算上一步獲得的兩類(lèi)像素的均值 和 。 4）依據(jù)公式 計(jì)算新的閥值。 5）若新的閥值T 和上一輪T 值相差的絕對(duì)值小于預(yù)先設(shè)置的一個(gè)參數(shù)thresh時(shí)，退出迭代，此時(shí)的T 值為最終的最優(yōu)閥值。否則回到第2步，繼續(xù)迭

10、代。12()/ 2T1212()/ 2T（2）全局閥值法 迭代最優(yōu)閥值分割:T=(max(f(:)+min(f(:)/2; flag=1; %計(jì)算初始閾值計(jì)算初始閾值Twhile(flag) g=f=T; %g與與f尺寸相同，尺寸相同，g中為中為1的點(diǎn)在的點(diǎn)在f中像素值中像素值=T newT=(mean(f(g)+mean(f(g)/2; %計(jì)算新的計(jì)算新的T flag=abs(newT-T)0.0001; %如果如果newT和和T相差不大相差不大， % flag為為0 T=newT; %改變改變TendBW=im2bw(f,double(T)/255);（3）動(dòng)態(tài)閥值法（3）動(dòng)態(tài)閥值法 當(dāng)圖

11、像的不同區(qū)域的背景或受到的干擾強(qiáng)度有明顯區(qū)別時(shí)，不宜使用全局閥值分割，可使用動(dòng)態(tài)閥值。 動(dòng)態(tài)閥值的思想： 把圖像劃分為若干個(gè)子圖像，則每個(gè)子圖像受到不均勻變化的影響較小，背景可近視看作均勻。 對(duì)每個(gè)子圖像單獨(dú)進(jìn)行閥值分割，再將每個(gè)子圖像的分割結(jié)果拼成整幅圖像。每個(gè)子圖像所用的閥值隨子圖像在原圖像中的位置而變化。（3）動(dòng)態(tài)閥值法f=imread(septagon2.jpg);m,n=size(f); segImg=zeros(m,n); subSize=200; stdT=6;for i=1:subSize:m for j=1:subSize:n subImg=f(i:i+subSize-1,j

12、:j+subSize-1); if(std2(subImg)stdT) T=1.0; else T=graythresh(subImg); end segSub=im2bw(subImg,T); segImg(i:i+subSize-1,j:j+subSize-1)=segSub; endend（1）區(qū)域生長(zhǎng)法 和閥值法相似，區(qū)域生長(zhǎng)法也是基于區(qū)域相似性進(jìn)行分割，不同的是：閥值法獲得閥值T后，分割過(guò)程可以并行實(shí)現(xiàn)，不同的圖像區(qū)域同時(shí)進(jìn)行分割；而區(qū)域生長(zhǎng)法是串行的算法，除第一步外，每一步算法都依賴(lài)于上一步的計(jì)算結(jié)果。（1）區(qū)域生長(zhǎng)法 區(qū)域生長(zhǎng)法的基本思想： 將具有相似性質(zhì)的像素合并起來(lái)構(gòu)成區(qū)域，

13、需要在待分割區(qū)域指定一個(gè)或多個(gè)種子點(diǎn)作為生長(zhǎng)的起點(diǎn)。種子點(diǎn)可以人工指定，也可以設(shè)定規(guī)則由計(jì)算自動(dòng)指定。 確定種子點(diǎn)后，根據(jù)生長(zhǎng)規(guī)則，將種子像素周?chē)ㄒ话氵x擇8鄰域）符合生長(zhǎng)規(guī)則的像素劃分到種子點(diǎn)所在的區(qū)域；再將新納入的像素點(diǎn)作為種子點(diǎn)繼續(xù)進(jìn)行生長(zhǎng)，直到?jīng)]有滿足生長(zhǎng)規(guī)則的像素為止。這樣就由最初的種子點(diǎn)產(chǎn)生一個(gè)連通的區(qū)域。（1）區(qū)域生長(zhǎng)法 運(yùn)用區(qū)域生長(zhǎng)法的三個(gè)關(guān)鍵點(diǎn)： 選擇合適的種子點(diǎn)：種子點(diǎn)是區(qū)域生長(zhǎng)的起始點(diǎn)，會(huì)決定區(qū)域生長(zhǎng)的位置。 “最小區(qū)域”閥值的確定：如果生成的區(qū)域小于閥值，則拋棄。 生長(zhǎng)區(qū)域的合并原則：如果一個(gè)像素同時(shí)屬于多個(gè)區(qū)域，則這些區(qū)域會(huì)被合并。（1）區(qū)域生長(zhǎng)法 區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)：

14、 充分考慮圖像的局部特性，特別適用于分割小的結(jié)構(gòu)。（1）區(qū)域生長(zhǎng)法 區(qū)域生長(zhǎng)法實(shí)例：已知種子點(diǎn)：像素值為1 和5的種子；相似性準(zhǔn)則：像素與種子像素灰度差的絕對(duì)值小于等于閾值 T； （b）: T=3，恰好分成兩個(gè)區(qū)域； （c）: T=1，有些像素?zé)o法判斷； （d）: T=6，整個(gè)圖被分成一個(gè)區(qū)域。（1）區(qū)域生長(zhǎng)法種子點(diǎn)：像素值為 6 的種子；相似性準(zhǔn)則：相鄰像素與種子像素灰度差的絕對(duì)值小于等于閾值T2；（1）區(qū)域生長(zhǎng)法f=im2double(f);maxT=0.05;g=zeros(size(f);seeds=*;for i=1:size(seeds,1) x=seeds(i,1);y=seed

15、s(i,2); g=g+regiongrowing(f,x,y,maxT);endfigure,imshow(g);function J=regiongrowing(I,x,y,growThresh)J=zeros(size(I);ImgSize=size(I);rgnMean=I(x,y);rgnPtsNum=1;neib=-1 0;1 0;0 -1;0 1;neibPos=0;neibList=zeros(4,3);pixdist=0;while(pixdistgrowThresh & rgnPtsNum=1)&(yn=1)& (xn=ImgSize(1)&(yn=ImgSize(2); if(ins&(J(xn,yn)=0) neibPos=neibPos+1; neibList(neibPos,:)=xn yn I(xn,yn); J(xn,yn)=1; end end dist=abs(neibList(