论文部分内容阅读
图像分割是临床辅助诊断和器官特征识别的关键技术。由于实际生活中的图像固有的模糊性和灰度不均匀性等缺陷，使得至今没有一种图像分割算法能够理想的处理全部图像，所以图像分割技术仍是普遍关注的热点问题。变分水平集算法不仅可以获得目标的封闭轮廓和处理结构复杂的目标，而且可以采用简单的数值方案迭代求解。但是，初始轮廓和活动曲线演化控制参数的手工设置使其应用受到了限制。 本文以区域能量匹配水平集模型(RSF level set)为基础，对变分水平集模型的初始轮廓引导机制进行了研究。论文的主要工作如下: (1)研究了变分水平集图像分割算法的原理与特点，并对典型的Mumford-Shah模型、CV模型和区域能量匹配水平集模型进行了分析与比较。 (2)研究了聚类的图像分割方法，其中主要介绍了K均值聚类、模糊C聚类和均值漂移聚类三种常用的图像分割算法的原理及其优缺点，最后通过实验对比了三种聚类算法的分割精度和运算速度。结果表明，均值漂移聚类算法分割精度较高。 (3)研究了K均值-区域能量匹配水平集模型、模糊C均值聚类-快速变分水平集算法算法和均值漂移-区域能量匹配水平集模型的初始轮廓引导机制，并通过实验对这三个水平集模型进行了分析。结果表明，均值漂移-区域能量匹配水平集模型可以无需任何先验知识获得逼近目标边界的初始轮廓，鲁棒性、自适应性等方面更有优势。 (4)本文提出了一种结合最大类间方差法和区域能量匹配(OTSU-RSF)水平集算法。首先，采用最大类间方差法，也称OTSU法对图像进行预分割，将此分割结果对RSF水平集模型进行初始化并估计其演化参数。通过实验对OTSU-RSF多阈值方法和OTSU-RSF单阈值两种方法的分割图像的特点进行了分析，最后用OTSU-RSF多阈值算法进行图像分割的结果与Li bingnan的fuzzy level set算法作比对，验证本文的算法具有一定的准确性和快速性等优点。