论文导读：较好的医学图像分割将有利于医生准确的把握病人的病情。分水岭算法是一种基于数学形态学的图像分割方法。本文提出基于最大互信息准则的纹理合并方法。最大互信息测度。分水岭算法，基于纹理合并的医学图像分割。
关键词：图像分割，分水岭算法，纹理合并，互信息
0 引言
近些年来，随着医疗技术的快速发展，对于医学图像的处理和分析广泛的应用于手术的术前诊断、术后监测等各种不同领域。医学图像分割技术是医学图像的处理和分析的关键技术之一。较好的医学图像分割将有利于医生准确的把握病人的病情，提高诊断的准确率。为此，医学图像分割也成为近些年来研究的热点，主要的分割方法[1]可以分为：基于阀值的分割方法，基于模型的分割方法，还有基于分水岭技术的分割方法。
分水岭算法是一种基于数学形态学的图像分割方法，该方法将图像的灰度值比喻为具有不同高度的地形表面，灰度值较大的区域形成了地形的山峰，灰度值较小的区域形成了地形的盆地。假设让水流从该地形表面流过，其会沿着最陡的斜坡路径流到表面的低洼处，形成积水盆地。相邻积水盆的交界处就构成了“分水岭线”。采用分水岭的图像分割方法具有良好的分割性能，但该方法对噪声敏感，由于噪声和梯度的局部不规则性等因素的影响，造成图像中存在大量隐含的局部凹凸区域。博士论文，分水岭算法。使得在分割过程中很容易造成过分割的问题，将图像中真实轮廓淹没在分割图像中。
因此，很多学者对传统的分水岭算法提出了改进[2-8]，例如：文献[2-3]引入先验信息减少分水岭算法带来的过分割问题。文献[4-5]利用分水岭算法与模糊C聚类相结合的方法分割图像，分割质量有一定的提高。
在本文中，提出一种基于纹理合并的新方法来解决传统的分水岭算法造成的过分割缺陷。首先，将图像进行预处理并使用分水岭算法对图像进行分割。然后，使用一个基于最大互信息的相似性准则对分割后的分块区域采用haralick纹理进行合并。这里本文基于的一个假设，属于同一组织结构的不同分块区域应该具有相同或相近的纹理特性。最终的试验结果印证了上述假设的正确性。
1 算法描述
1.1 图像的预处理和分割
分水岭算法最早由L. Vincent和P. Sollid[9]提出并应用于图像处理中，该分割算法是以图像中区域的像素近乎一致的特点为基础，主要目标是找出分水线。博士论文，分水岭算法。其分割时使用的是梯度图像，由于梯度图像中包含噪声和梯度的局部不规则性等因素的影响，直接使用分水岭算法分割容易产生过分割问题。一般情况下，先对图像进行去噪和平滑处理，然后再进行分割。以达到在图像处理初期最大程度的减少图像过分割的目的。本文首先对图像进行高斯滤波和sobel滤波，接着设定一个阀值，对于图像中的每个像素点，大于给定阀值的点保留原值，小于给定阀值的点设为零。使分割后的图像消除弱边缘。
1.2合并过分割算法
1.2.1纹理提取
在使用分水岭算法之前对图像进行去噪和平滑处理，可以一定程度上消除过分割现象。然后在分割的基础上对图像进行合并处理，进一步去除虚假边缘，保留实际边缘。因此，本文提出基于最大互信息准则的纹理合并方法[10]。
区域的纹理量化是区域描绘的重要方法之一，它能反映图像的平滑度，粗糙度和规律性等特性的相关信息。博士论文，分水岭算法。因此，本文采用Haralick纹理对分割后的区域进行处理。首先，对不同区域分别求取它们的纹理灰度共生矩阵。纹理灰度共生矩阵的定义如下：
 (1)
 表示值 与值 以某种指定的空间关系共同出现的次数， 、 表示图像像素横坐标和纵坐标的位置， 是一个位移量 ，描述了值为的像素和值为 的像素之间的位移关系。
纹理灰度共生矩阵是统计相邻两个灰度在图像中同时发生的概率，由于分割区域大小往往是不相等的，相同纹理区域对应的纹理灰度共生矩阵往往也会有较大偏差。因此，将纹理灰度共生矩阵进行归一化处理：
 (2)
1.2.2最大互信息测度
互信息是信息论中的一个基本概念，是两个随机变量统计相关性的测度，当两幅图像达到最佳配准时,它们对应像素的灰度互信息应达到最大，表明两幅图像的依赖程度最大。假设两幅图像 、 ，其互信息可以表示为：
 (3)
其中 是 、 的熵， 是联合熵。、 相似度越高，其互信息值将越大。
在本文中，假设分割后分别得到 个不同区域，然后分别对个不同区域求取归一化灰度共生矩阵：
 (4)
对于相邻的两个区域 、 ，如果它们属于同一组织结构，那么它们应具有相同或相近的纹理特性，即具有相同或相近的归一化纹理灰度共生矩阵。即求取它们的最大互信息值：
 (5)
我们设置一个阀值 来表示相邻区域的纹理相似程度，当 大于时，表明这两个区域可以合并。
具体的合并过程如下所述：
1/2 1 2 下一页 尾页 |
