论文部分内容阅读
随着医学成像技术的迅速发展,医学影像在科研领域与医疗诊断治疗中具有越来越重要的意义和价值。医学图像分割技术作为一种处理医学影像的重要手段,在医学图像处理领域发挥着重要作用,引起了相关领域专家和学者们的广泛关注。超像素作为图像中具有相似特征的像素的集合,数量比像素数小很多。对于像素数目越来越多的医学图像来说,用超像素代替像素作为图像基本单元可以极大地提高图像处理的速率,而且超像素还能够反映出图像中像素点之间的部分空间与特征关系,可以提高目标提取的精确度。在本文中,我们主要对超像素分割算法中的SLIC(simple linear iterative clustering)算法在医学图像超像素分割中的应用进行了研究与改进。本文针对医学图像对超像素分割结果精确性的要求,改进了传统的SLIC超像素分割算法在迭代更新聚类中心过程中的更新策略。在更新聚类中心的时候只使用与原聚类中心灰度相似的像素点来计算新的聚类中心,提出了医学图像的std_SLIC超像素分割算法。该方法首先采用三维直方图去噪模型对原始医学图像进行处理,减少图像中噪声的干扰,然后利用gamma增强模型增大目标区域与背景区域的对比度,减少目标区域边界像素点划分错误的概率。最后用改进了聚类中心更新策略的std_SLIC算法对医学图像进行超像素分割,得到最终的超像素分割结果。该方法减小了特征不相似的像素点对计算新聚类中心过程的影响,使得聚类中心的更新更加精确。实验结果表明,本文提出的算法在医学图像超像素分割的精确度上有显著提高。std_SLIC算法与SLIC算法一样应用像素点的颜色信息和空间位置信息计算像素之间相似性。医学图像多为灰度图像,可以应用的颜色信息只有像素点的灰度值。但是不同的组织器官具有各自独特的纹理特征,利用这些纹理特征可以区分不同的组织器官。纹理特征的变化也可以反映人体器官的性质特征和病理改变,对医学研究、医疗诊断和临床治疗有极大的帮助。因此,将图像的纹理特征应用到像素间相似度的计算当中,对于提高医学图像超像素分割的精度和准度有很大的帮助。由于人体结构的复杂性,医学图像中的纹理特征十分复杂,因此本文采用局部纹理特征提取方法来提取医学图像中的纹理特征。本文在综合分析了一些局部纹理特征提取方法之后,选取了Ltridp算法的幅值模式来提取图像的纹理特征。在对医学图像进行了去噪和增强之后,将提取出的纹理特征信息加入到std_SLIC超像素分割算法计算像素间相似度的过程中,提高超像素分割的精准度。实验结果表明,融合图像纹理特征的std_SLIC超像素分割算法进一步提高了分割的精确性。