局部二值擬合模型在醫(yī)學圖像分割中的應用.pdf

1、圖像分割是圖像理解與識別的前提。作為圖像處理的基礎環(huán)節(jié)，一直是圖像處理和計算機視覺領域的熱點和難點問題。利用水平集方法實現的活動輪廓模型近年來受到眾多學者的關注，先后提出了分段恒定(Piecewise Constant，PC)模型、局部二值擬合模型、局部圖像擬合(Local Image Fitting，LIF)等經典模型。但這些模型在分割灰度不均勻或弱邊緣圖像時，效果并不理想。PC、LBF、LIF等經典模型都只進行了兩相分割，但真實圖像

2、通常包含多個同質目標區(qū)域，傳統(tǒng)的兩相水平集方法無法分割，所以多相水平集分割具有重要研究意義。本文主要進行了以下幾方面的工作:
　　(1)提出基于局部梯度的LBF模型。通過在LBF模型的數據項中加入局部梯度信息，實現對原始圖像更準確地近似。實驗證明基于局部梯度的LBF模型在分割灰度不均勻或弱邊緣圖像時能得到更好的分割結果。將基于局部梯度的LBF模型與N個水平集函數表示2的N次方個相的多相分割模型相結合，給出完整的公式推導過程，并與原

3、LBF模型結合N個水平集函數表示2的N次方個相的多相分割模型相比較。實驗證明基于局部梯度的LBF模型結合N個水平集函數表示2的N次方個相的多相分割模型能得到更好的分割結果。
　　(2)提出控制水平集函數定義順序的區(qū)域競爭模型，實現區(qū)域競爭模型在任何初始情況下都能保證對有完全重疊區(qū)域圖像的有效分割。每次影子圖更新后，通過對所有影子圖的正值區(qū)域的位置關系進行判斷。如果有定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內

4、，則調換這兩個影子圖的定義順序。將提出的控制水平集函數定義順序的區(qū)域競爭模型與基于局部梯度的LBF模型相結合，給出完整的公式推導過程。實驗證明當定義順序大的影子圖的正值區(qū)域完全處于定義順序小的影子圖的正值區(qū)域內時，改變水平集函數定義順序的分割結果比沒有改變水平集函數定義順序的分割結果更優(yōu)。
　　(3)原多層水平集方法中對水平線li和分層數m的值沒有明確定義，但li和m的取值對多層水平集方法的實現至關重要。針對這一情況，本文通過增加