基于Mumford-Shah模型醫(yī)學(xué)圖像分割算法的研究.pdf

1、圖像分割是指把圖像劃分成一系列彼此互不重疊的均質(zhì)區(qū)域。醫(yī)學(xué)圖像分割是圖像分割處理中的一個(gè)重要研究領(lǐng)域，是用計(jì)算機(jī)對(duì)人體組織進(jìn)行定性、定量分析以及可視化的一個(gè)必不可少的步驟。 Mumford-Shah模型是由Mumford和Shah于1989年在他們的論文中提出的一個(gè)能量泛函模型，因該模型能夠統(tǒng)一的同時(shí)實(shí)現(xiàn)圖像的平滑與分割處理而受到人們廣泛的關(guān)注。 Chan和Vese以Mumford-Shah模型為基礎(chǔ)，引入水平集的方法，

2、提出一種帶圖像全局信息的無邊界曲線演化模型，簡(jiǎn)稱C-V模型。C-V模型不依賴于圖像的局部梯度，而是利用了圖像全局的信息，通過最小化Mumford-Shah能量泛函，實(shí)現(xiàn)全局最優(yōu)的圖像分割結(jié)果。然而，當(dāng)初始水平集曲線位于圖像的平滑區(qū)域或?qū)O度凹陷的區(qū)域進(jìn)行分割時(shí)，由于該模型沒有利用圖像局部的梯度信息，導(dǎo)致水平集曲線的收斂速度緩慢，常常需要反復(fù)多次迭代計(jì)算，才能達(dá)到所期望的圖像邊緣；并且在傳統(tǒng)的水平集曲線演化模型和C-V模型中，每次迭代都需

3、要對(duì)曲線的符號(hào)距離函數(shù)(Signeddistancefunction，SDF)重新進(jìn)行初始化，這無疑帶來了大量計(jì)算過程，相當(dāng)耗時(shí)。針對(duì)上述曲線演化模型中存在的問題，本文提出了一種新的曲線演化混合模型，其基本思想就是：將曲線演化所需要的圖像局部梯度信息、圖像的全局信息和符號(hào)距離函數(shù)的能量懲罰項(xiàng)整合為一個(gè)在變分框架下的能量泛函模型，從而避免了曲線每次迭代的重新初始化，加快了曲線演化的速度。 在Mumford-Shah模型中，兩相(t

4、wophase)圖像分割方法是指采用一條水平集曲線將圖像分為曲線內(nèi)(目標(biāo)圖像)和曲線外(背景圖像)兩部分，不適用于多目標(biāo)醫(yī)學(xué)圖像的分割。雖然多目標(biāo)圖像分割可以采用多相(multi-phase)曲線演化方法實(shí)現(xiàn)，但是多條曲線同時(shí)演化，收斂速度緩慢，非常耗時(shí)，并且容易產(chǎn)生重疊區(qū)域，分割精度不夠高。因此，針對(duì)多相圖像分割問題，本文又介紹了一種基于改進(jìn)Mumford-Shah混合模型、耦合模糊C均值聚類(FuzzyC-meansalgorith