医学图像分割方法综述 -田捷

电玩女神 2022-09-17 14:23 474阅读 0赞

图像分割，这里分为以下几类：

一、基于区域的分割方法

思路：很好理解，应用这样一个基本事实——区域内特征的相似性。因为不同对象间特征是不连续的，同一对象内部特征是相似的。

1、使用阈值

假设目标和背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景对应不同的峰，而选取一个阈值恰好位于两个峰之间的谷，从而将各个峰分开。

问题：1、难以处理不存在明显灰度差异或灰度值范围有较大重叠的图像分割

2、仅考虑了图像的灰度信息，而没有考虑空间信息。

改进：基于过渡区的方法；利用空间位置信息的变化阈值法；结合连通信息的阈值法。

自动选取阈值方法中，基于最大熵原则选择阈值是重要的方法。

2、区域生长和分裂合并方法

区域生长思路：将具有相似性质像素集合起来构成区域。但是需要先选取一个种子点，然后设计区域增长规则。

分裂合并方法思路：分裂合并方法不需要预先指定种子点，他的研究重点是分裂和合并规则的设计。

3、使用分类器和聚类

分类器：分类是模式识别中的一种统计分析方法。分类的目的是利用已知的训练样本集在图像的特征找到点、线、面或超曲面，从而实现对图像的划分。是一种有监督的统计方法，它需要用手工分割得到的样本集作为对新的图像进行自动分割的参考。

聚类：是一种无监督的统计方法，不需要训练样本集，所以聚类算法迭代的执行图像分类和提取各类的特征值，从某种意义上讲，聚类是一种自我训练的分类。

4、基于随机场的方法

思路：将图像看作一个马尔科夫随机场MRF。把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量，从观察到的图像中恢复实际物体或正确分割观察到的图像这一问题，从统计学的角度来看，就是要找出最有可能，即以最大的概率得到该图像的物体组合来，从贝叶斯定理看，就是求出具有最大后验概率的分布。

\--还有其他基于统计的方法。

二、基于边缘的分割方法

思路：在区域边缘上的像素灰度值变化往往比较剧烈，基于边缘的分割方法是通过检测不同区域的边缘解决分割问题。

1、使用微分算子

思路：对图像中的灰度变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘。

2、基于曲面拟合、基于边界曲线拟合

曲面拟合思路：将灰度看成高度，用曲面来拟合一个窗口内的数据，根据该曲面决定边缘点。

边界曲线拟合思路：用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的。并且他直接给出的是边界曲线，因而对图像分割的后继处理如识别等高层处理很有用。

3、基于反应-扩散方程的方法

4、串行边界查找

思路：查找高梯度值的像素，然后将他们连接起来形成曲线表示对象的边缘。最具代表性的串行边缘检测方法是将边缘检测的问题转化为图论中寻求最小代价路径的问题。

5、基于形变模型

思路：形变模型的方法综合利用了区域与边界信息，是目前研究最多、应用最广的分割方法。改方法提供了一种高效的图像分析方法，结合了几何学、物理学和近似理论，他们通过使用从图像数据获得的约束信息和目标的位置、大小和形状等先验知识，可有效的对目标进行分割、匹配和跟踪分析。从物理学角度，可将形变模型看作是一个在施加外力和内部约束条件下自然反应的弹性物体。

形变模型包括：形变轮廓模型、三维形变曲面模型

1）形变轮廓模型：分割过程就是使轮廓曲线在外能和内能的作用下向物体边缘靠近，外力推动轮廓运动，内力保持轮廓的光滑性。

2）形变曲面模型：是活动轮廓在三维空间的推广形式，可以更高效、更快的利用三维数据。

三、结合区域和边界技术的方法

四、基于模糊集理论的方法

基于模糊理论的图像分割方法包括：模糊阈值分割方法、模糊聚类分割方法、模糊连接度分割方法。

五、基于神经网络的方法

思路：神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决。基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，在用训练好的ANN去分割新的图像数据。

其他方法：图谱引导法、基于数学形态学的方法、尺度空间理论。