基于局部統(tǒng)計(jì)和結(jié)構(gòu)的活動(dòng)輪廓分割模型.pdf

1、圖像分割是將原始圖像劃分為一系列彼此互補(bǔ)交疊的勻質(zhì)區(qū)域從而提取圖像中感興趣的區(qū)域(region of interest，ROI)。核磁共振成像(magnetic resonance image，MRI)技術(shù)在醫(yī)學(xué)疾病診斷和治療等領(lǐng)域中的作用日益重要。對(duì)于MR圖像分割是器官解剖、組織量化測(cè)量、病理成因分析、病癥發(fā)展追蹤等醫(yī)療手段必不可少的研究準(zhǔn)備和基礎(chǔ)。然而由于拍攝過(guò)程中光頻振動(dòng)的不確定和雜質(zhì)的存在，會(huì)分別引起圖像緩慢的灰度不均勻性（即屬

2、于同一目標(biāo)的灰度隨空間的變化而不同）和一定程度的噪聲。因此基于全局灰度統(tǒng)計(jì)信息的分割模型在處理含灰度不均勻性和噪聲的圖像時(shí)會(huì)產(chǎn)生錯(cuò)誤的分割結(jié)果。同時(shí)，由于醫(yī)學(xué)圖像中的局部容積效應(yīng)(Partial Volume Effects)，即目標(biāo)邊界呈現(xiàn)出對(duì)比度較低和不連續(xù)的現(xiàn)象會(huì)嚴(yán)重影響組織器官的分割提取，尤其是腦和血管的MR圖像。另一方面，由于醫(yī)學(xué)圖像中紋理、不規(guī)則變化的灰度不均勻性、噪聲等，以及目標(biāo)邊界的結(jié)構(gòu)可能較為復(fù)雜，因此，對(duì)醫(yī)學(xué)圖像中的

3、目標(biāo)實(shí)現(xiàn)智能提取和識(shí)別是目前極具實(shí)用價(jià)值的一項(xiàng)科研任務(wù)，進(jìn)一步增加了分割的難度和挑戰(zhàn)。
　　 針對(duì)醫(yī)學(xué)圖像分割的需求及難點(diǎn)，本文利用活動(dòng)輪廓模型對(duì)醫(yī)學(xué)圖像進(jìn)行分割進(jìn)行了深入研究。本文的主要工作和研究成果如下:
　　 (1)針對(duì)同時(shí)含噪聲、灰度不均勻性及多個(gè)待分割目標(biāo)的圖像，提出一種基于改進(jìn)的模糊聚類(lèi)(fuzzy c-means clustering，F(xiàn)CM)算法的Chan-Vese(CV)模型。本文基于直方圖統(tǒng)計(jì)灰度種類(lèi)

4、、并利用鄰域內(nèi)計(jì)算的空間信息修正隸屬度函數(shù)以此克服灰度不均勻性和噪聲的影響，將改進(jìn)后的FCM算法應(yīng)用到CV模型的區(qū)域檢測(cè)項(xiàng)，可準(zhǔn)確的對(duì)像素點(diǎn)歸類(lèi)，成為曲線的演化依據(jù)。在演化時(shí)采用一種各向異性的模板來(lái)控制輪廓線的及時(shí)分裂，在較短時(shí)間內(nèi)分割出更多目標(biāo)。
　　 (2)針對(duì)圖像中光滑和紋理這兩種不同組成成份，提出一種能同時(shí)考慮光滑部分和紋理部分的分割模型。首先在局部塊中分別檢測(cè)圖像卡通部分的灰度統(tǒng)計(jì)特征以及紋理部分的特征信息用以計(jì)算區(qū)別

5、不同紋理之間的Kullback-Leibler(KL)距離，并且該局部塊能夠根據(jù)圖像的梯度信息自動(dòng)調(diào)整其大小。進(jìn)一步采用Split Bregman方法對(duì)模型進(jìn)行快速求解，在醫(yī)學(xué)和紋理圖像的實(shí)驗(yàn)上驗(yàn)證了該本文模型能夠明顯的提高準(zhǔn)確性和時(shí)效性。
　　 (3)提出一種結(jié)合了圖像結(jié)構(gòu)信息、并基于灰度和梯度模兩種統(tǒng)計(jì)特征新型活動(dòng)輪廓模型?；叶炔痪鶆蛐岳碚撋鲜强臻g不規(guī)則變化的，且分布并不單一，提取水平集曲線鄰域內(nèi)灰度和梯度模的統(tǒng)計(jì)特征檢測(cè)不

6、同區(qū)域的灰度差異和灰度不均勻性。特別的，針對(duì)傳統(tǒng)活動(dòng)輪廓模型中全變差形式的正則項(xiàng)保持邊緣不足，將結(jié)構(gòu)張量通過(guò)水平集函數(shù)的對(duì)偶變量嵌入關(guān)于水平集函數(shù)的正則項(xiàng)，使得水平集曲線高效率的逼近圖像的目標(biāo)邊界而避免產(chǎn)生過(guò)度平滑，進(jìn)而利用改進(jìn)的Chambolle對(duì)偶算法對(duì)整個(gè)模型進(jìn)行快速求解。與其他同類(lèi)的經(jīng)典方法相比本文算法不論對(duì)初始條件的魯棒性、分割時(shí)效和精度均有明顯提高。
　　 (4)針對(duì)圖像中深凸的拓?fù)浣Y(jié)構(gòu)以及灰度不均勻性和噪聲的同時(shí)存

7、在的情況，提出一種魯棒型基于非局部分片局部塊統(tǒng)計(jì)方法的活動(dòng)輪廓模型。由于灰度不均勻性隨空間變化且分布并不規(guī)則，因此可以將灰度不均勻性和噪聲一樣看做一種灰度不規(guī)則變化的情況。利用一種分片局部塊統(tǒng)計(jì)信息的區(qū)域項(xiàng)計(jì)算像素點(diǎn)的歸屬度，作為驅(qū)動(dòng)曲線演化的力之一?；叶炔灰?guī)則變化影響水平集曲線演化到目標(biāo)邊界的效率，因此通過(guò)加上一個(gè)灰度懲罰項(xiàng)來(lái)控制當(dāng)遇到灰度不規(guī)則變化時(shí)的水平集曲線的演化。同時(shí)利用圖像梯度信息作為權(quán)值用于計(jì)算關(guān)于水平集函數(shù)的正則項(xiàng)，進(jìn)一

8、步增強(qiáng)水平集曲線的形狀與目標(biāo)邊界擬合。應(yīng)用于醫(yī)學(xué)圖像和自然圖像上的實(shí)驗(yàn)證明該算法能夠明顯抑制強(qiáng)噪聲和灰度不均勻性的影響，取得高效率和高準(zhǔn)確性的分割結(jié)果。
　　 (5)局部容積效應(yīng)、噪聲、灰度不均勻性的共同作用增加了MR圖像中血管、組織末梢等具有細(xì)長(zhǎng)拓?fù)浣Y(jié)構(gòu)的分割難度。針對(duì)這些問(wèn)題，從兩個(gè)方面將圖像的結(jié)構(gòu)信息與活動(dòng)輪廓模型相結(jié)合。一方面，利用基于圖像的結(jié)構(gòu)信息改進(jìn)的梯度流方程訓(xùn)練關(guān)于水平集函數(shù)的對(duì)偶變量以增強(qiáng)撲捉深凹型的目標(biāo)結(jié)構(gòu);

9、另一方面，根據(jù)圖像邊界的結(jié)構(gòu)變化自適應(yīng)的計(jì)算全局和局部的灰度統(tǒng)計(jì)信息，不僅克服了灰度不均勻性，同時(shí)進(jìn)一步提高了曲線演化的效率。局部統(tǒng)計(jì)信息可以正確指導(dǎo)曲線克服灰度不均勻性，尤其是在臨近邊界處的灰度不均勻性，從而捕捉到正確的目標(biāo)邊界。而在遠(yuǎn)離邊界處根據(jù)全局灰度統(tǒng)計(jì)信息演化，能夠加快曲線演化到圖像的目標(biāo)邊界。根據(jù)基于邊界和基于區(qū)域的活動(dòng)輪廓模型的特點(diǎn)，利用基于結(jié)構(gòu)信息改進(jìn)的梯度流方程(Gradient Vector Flow, GVF)計(jì)算