改进分水岭与K-means++结合的人体脊柱图像分割方法.docx
版权申诉
77 浏览量
2022-06-18
16:46:07
上传
评论
收藏 1.42MB DOCX 举报
0 引言
人体脊柱图像的准确分割对于脊柱微创手术十分重要，图像分割效果会直接影响其三维重建图像效果
以及微创手术前病灶信息的获取。由于不同成像设备和环境条件的影响，使得 CT 图像常常包含噪声。
为提高图像分割效果，人们提出了许多图像分割方法，主要分为基于阈值、边缘、区域、聚类分析、
能量泛函和人工神经网络的分割方法。
基于阈值的分割方法是根据一个或几个阈值对图像中的灰度值进行分类，常用的有自适应阈值法、最
大熵法、模糊阈值法、类间阈值法等。此类方法计算简单、高效、速度快，但对噪声比较敏感，且对
灰度差异不明显的目标分割效果不佳。如李长春等
［
1
］
使用基于多阈值分割与 B 样条插值的方法去除
CT 图像中的金属伪影。
基于边缘的分割方法通过检测不同区域边缘来分割不同目标，边缘检测效果好且速度快，但无法得到
好的区域结构，且抗噪性差。常见的边缘检测算子有 Robert 算子、Sobel 算 子 、 Prewitt 算子、
Canny 算子等。如李庆忠等
［
2
］
提出基于改进 Canny 算子的图像弱边缘检测算法，该算法通过改进梯
度倒数加权滤波的方法检测平滑块中细小的弱边缘。
基于聚类分析的图像分割方法根据相似性准则，将图像像素在特征空间进行分类聚集并进行分割，然
后将分割结果映射回原图像空间。此类方法主要包括 K 均值和模糊 C 均值聚类算法，但其主要缺点是
灰度值不均匀、对噪声比较敏感，且运算开销大。如姜文斌等
［
3
］
提出基于自适应权重法的 K-means
模型对遥感图像进行分割的方法，该方法利用二维高斯函数对遥感图像进行滤波平滑处理，然后根据
收敛度和自适应值找到最优权重作为初始聚类中心，以提高图像分割精度。
基于能量泛函的分割方法是通过连续曲线表示目标边缘，然后定义一个能量泛函使其自变量包括边缘
曲线，从而进行图像分割，最具代表性的是 Osher 提出的水平集模型。如黄国鹏等
［
4
］
利用偏移场校
正和局部区域信息拟合来构建能量函数，并通过加性算子分裂策略提高图像分割精度和效率。
基于人工神经网络的分割方法是通过训练多层感知机得到线性决策函数，然后通过决策函数对图像像
素进行分类，从而分割出目标的过程。其优点是有效解决了图像灰度不均匀和噪声问题，但需要大量
数据集，且速度很慢。如唐思源等
［
5
］
提出一种基于改进粒子群优化算法的 BP 神经网络医学图像分割
方法，提高了图像分割精度。
基于区域的分割方法主要采用分裂与合并两种方法，把具有相似性的像素连通，构成最终的分割区域 。
其优点是区域特征较好，且能有效克服图像分割空间小的缺点，但容易出现过分割现象。其中分水岭
变换分割是最强大、应用最广泛的基于区域的图像分割方法之一。针对其过分割的缺点，人们提出一
些改进的分水岭分割方法。如周小明
［
6
］
采用最大熵算法对梯度图像进行校正，然后进行图像分割，取
得了良好的图像分割效果。
随着机器学习算法的快速发展，越来越多机器学习算法被应用于解决分水岭算法的过分割问题
［
7
］
。机
器学习算法是一种监督算法，需要进行大量训练和相应标记才能对测试图像进行准确分割
［
8
］
。但在大
多数情况下，训练数据和测试数据的数量不足，无法保证训练图像的质量和相似度，故不需要标记数
据的无监督方法
［
9
］
在数据短缺情况下表现得更好。无监督的聚类方法不需要训练及标记数据，可自动
将相似数据点分组到同一聚类中。模糊 C-means 聚类
［
10
］
和 K-means 聚类算法
［
11
］
是最著名的无监
督聚类算法，已应用于各种领域的数据聚类。本文采用一种比 K-means 聚类算法更优秀的聚类算法
——K-means++聚类算法对人体脊柱图像进行去噪，并修改区域最小值。相较于 K-means，该算
法分割效率更高。为了得到更好的分割效果，采用在传统分水岭算法基础上进行改进的标记符控制的
分水岭算法
［
13
］
对 K-means++聚类算法处理后的初始聚类图像进行分割。
1 K-means++聚类算法
在原始人体脊柱 CT 图像中往往存在灰度相似的区域，这些区域会产生许多不必要的局部极小值，如
图 1 所示。
剩余16页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3659
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
