论文部分内容阅读
目前,医学图像已经在临床诊断的有越来越重要的位置。能否对医学图像目标正确提取是医学影像领域的一个重要的课题。图像分割是对图像进行深入分析研究的预处理环节。医学图像分割的正确实现有助于实现医疗数据和各种疾病的诊断的可视化。由于医学图像的灰度分布不均,图像内部目标边缘模糊,传统的处理分割算法的效果并不理想。国内外许多学者针对医学图像提出了很多分割算法,大多数算法都是有针对性的。 本文主要研究了基于CV模型的水平集分割算法。CV模型是简化的M-S模型,该算法对于分割时的设定初始轮廓线不敏感,同时对于图像的噪声具有鲁棒性。CV模型的这些特点使得它能够适用于医学图像的分割,是目前医学领域中的一个研究热点。但由于水平集方法是在高一维中进行模型演化,因此计算量很大,因而CV模型应用于图像分割时,轮廓演变的时间长,效率低,制约了其在医学图像分割中的进一步发展。针对CV模型用于图像分割速度慢,效率低的缺点,本文提出新的分割模式,窗口化模型。窗口化模型是在对图像进行分割过程中,间断的对目标图像进行窗口化处理。窗口化主要是根据轮廓当前的演变状况,这种处理方式可以大幅减少参与模型进一步演变所需的数据量,减少了每次迭代所需的时间。为进一步提高算法效率,本文还提出优化轮廓演化的速度函数,演化速度在满足CFL条件的情况下,是伴随当前窗口化的规模进行的调整。速度的调整可以减少了整个演变过程所需的迭代次数。实验也表明,改进之后分割方法能够极大的提高医学图像的分割速度,同时也能够增加医学图像中细节部分的精度。