论文部分内容阅读
人们在研究图像的过程中,经常会对图像中的某些部分感兴趣,而这些感兴趣区域一般都是对应着图像中特定的、具有独特性质的区域。为辨识和分析图像中的目标,首先需要将它们从图像中分离出来,然后才能进一步对目标进行分析。这种从原始图像中提取目标区域的技术就是图像分割技术。近年来,随着科学技术和信息技术的发展,图像处理已经成为科学研究领域中的重要工具之一。图像分割作为图像处理中的一项关键技术,已经逐渐深入到军事、医学、工业、航天等各个领域,得到了广泛应用并吸引了越来越多研究者的注意。医学图像的分割是近几年来图像处理领域的研究热点。利用医学图像分割技术对医学图像进行分割得到感兴趣区域后,可对医学图像的内容进行分析,从而帮助医务人员进行诊断和制定治疗方案。但由于医学图像具有噪声大、分辨率低、图像特性差异大等特点,降低了分割的质量。因此对医学图像分割技术的研究具有重要的意义。本文针对医学图像的特点,提出了一种基于数学形态学的医学图像分割方法。算法首先对医学图像进行去噪处理,然后将去噪后的图像作为分割图像进行分割,具体分为两个步骤进行:一是医学图像预处理;二是医学图像分割。一、医学图像预处理:对于医学图像来说,成像设备及组织器官复杂等的影响使得医学图像质量差,如果直接进行分割处理,将得不到理想的分割效果,影响对医学图像后期的分析,因此应先对医学图像进行预处理。本文算法使用小波阈值去噪算法对医学图像进行去噪预处理。小波阈值去噪算法(DWT)是小波去噪算法中最简单、最常用的算法,本文将其应用于医学图像去噪,使在尽可能保留细节信息的情况下达到很好的去噪效果。医学图像显示的是人体组织密度、厚度之间的强弱对比,组织内像素值的变化很小,且大部分医学图像有较大的背景平坦区域。使用小波阈值去噪算法对医学图像进行去噪的过程为:首先用Otsu法和迭代法对图像进行分割,将图像分割为细节区域和平坦区域两个区域,然后分别对这两个区域进行DWT去噪,最后将两个区域的去噪图像进行融合得到最终的去噪图像。二、医学图像分割处理:对医学图像进行去噪后,本文对数学形态学分水岭算法的参考图像进行优化,用于分水岭分割处理。算法将数学形态学分水岭算法和二维最大熵阈值分割法进行结合(二维最大熵阈值分割法解决了分水岭算法的‘过分割’现象,而分水岭算法解决了二维最大熵阈值分割法的计算复杂性和阈值判别存在误差的问题),很好地得到了医学图像的分割图像。本文基于数学形态学的医学图像分割法首先对去噪后的医学图像重建梯度图像(利用开闭重建);然后求出重建后的梯度图像的浮点活动图像(减少弱边缘),将此浮点活动图像作为分水岭变换的参考图像进行分割;最后将分割后的图像利用二维最大熵阈值分割法进行细分割,从而得到更好的分割图像。利用基于数学形态学的医学图像分割法对医学图像进行Matlab仿真实验,实验结果表明,文中对分水岭参考图像等的优化取得了明显的效果。