论文部分内容阅读
图像分割是图像处理中的一项关键技术，在计算机视觉和图像处理中是一个十分重要的研究方向。伴随着信息技术的发展，医学图像分割在医学应用领域发挥着越来越重要的作用。研究高效率的医学图像算法具有重要的理论研究意义和商业应用价值。在医学图像中，往往会有不必要的噪声分布在病灶区域，这样将加大医生准确诊断疾病的难度，当使用一般的图像分割方法去分割医学图像时，往往还需要提前对待分割图像进行去噪预处理，但这样又将大大增加整个分割处理的时间，制约了医学图像分割技术的推广应用。
针对以上现象，本文提出了一个基于非采样Contourlet变换(Non-SubsampleTransform NSCT)和图论的医学图像分割算法，首先对图像进行非采样Contourlet变换，得到多尺度和多方向信息的Contourlet系数。非采样Contourlet变换是具有多方向性并且具有时移不变性的快速图像分解算法。非采样Contourlet作为一种新的图像表示方式，其优异性逐渐被人们所认识和使用，因此使用非采样Contourlet变换来得到待分割的特征，不仅能获得充足的图像信息，而且使得表示更稀疏，计算更简单。基于图论的图像分割是近年来的一个研究热点，因为图论已经是一个研究和应用的相对比较成熟的理论。本文主要介绍了两种基于图论的分割方法:归一化分割和等周分割法，因为基于图论的分割方法总体上计算量较大，并且易受噪声影响，在图像分割前先采用非采样Contourlet变换提取图像的低频信息，研究表明低频系数保留了被处理图像中的大部分信息，将不必要的噪声过滤掉了，减少了图像中的冗余信息，在分割过程中大大节省了时间，并且得到了很好的分割效果。
本文提出的算法在医学图像上进行了验证，实验结果表明，本文所提算法得到了很好的效果并且大大缩短了处理时间，这在实际应用中具有重要意义。实验结果证明，该算法的识别准确率较高，具有较高的有效性和稳定性。