基于纹理合并的医学图像分割

2 计算所有相邻区域的 和定义阀值

3 如果，则将两个区域合并

4 合并所有满足条件3的区域并计算合并后区域的数量，

5 如果，结束整个合并过程，否则，返回计算过程2

2 试验结果及分析

(a) 原始图像 (b) 直接分割结果(c) 文献[6]分割合并结果 (d) 本文分割合并结果

(e) 原始图像(f) 直接分割结果 (g) 文献[6]分割合并结果 (h) 本文分割合并结果

图 1 不同方法的分割图像

Fig. 1 Segmentationresults obtained using different methods

本文的研究对象主要是针对医学图像的分割，我们选取两幅医学MR图像来检验本文提出算法的有效性，图像的大小分别为、。同时，本文选取同是采用分水岭算法的文献[6]作为比较。图（c）、图（g）是采用文献[5]的方法得到的分割结果。由于文献[6]抽取不同的纹理特征系数构成代价函数，将满足代价函数的分块合并。博士论文，分水岭算法。两幅图中都不同程度的存在着误分割和漏分割的问题。相比之下，本文采用区域分块的纹理相似性作为合并的依据更具有合理性。算法得到的分割结果：如图（d）、图（h）所示，能够真实的反映目标的实际轮廓，减少误分割。虽然分割块数较为接近，本文分割更加科学合理。

本文用纹理合并算法对分割后的图像进行合并时，使用了Haralick纹理和最大互信息相结合的方法。首先，将灰度图像量化为较少的几个灰度级，在本文中选取了8个灰度级，所以得到的纹理灰度共生矩阵是的矩阵。然后，根据最大互信息准则对相邻区域的纹理灰度共生矩阵进行合并操作。在此过程中，灰度级的选取对最终的合并结果有重要影响。分割后分块较小的图像，应该选取较小的灰度级。因为较大的灰度级意味着纹理灰度共生矩阵的值会比较稀疏，不利于纹理相似性合并。分割后分块较大的图像，应该选取较大的灰度级，有利于合并的精确性。因此，需要根据图像分割后的实际情况合理的选则灰度级。分割结果如表1所示：

分割图像3	像素大小	文献[6]分割块数	本文算法分割块数
图像(a)		9	7
图像(e)		8	9

表 1不同方法的分割比较

Table 1 Comparsion of different Segmentation methods

3 结论：

试验结果表明，图像预处理具有良好的去噪、抑噪效果，方便后续的区域纹理提取及合并。博士论文，分水岭算法。本文从Haralick纹理和最大互信息相结合角度出发，提出基于纹理合并的分水岭分割方法，将分割前图像预处理和分割后纹理合并相结合，有效的解决了过分割问题，分割图像也具有较好的完整性和精确性。由于纹理和最大互信息相结合提高了算法的复杂度，尤其随着灰度级选取的级数增加，计算量将会提高。博士论文，分水岭算法。今后的研究可以就如何进一步提高算法的效率提出改进。

参考文献
[1]罗慧韬,章毓晋.一个图像分割评价事例及讨论[J]. 数据采集与处理,1997,12(1)：18-22.
[2]Grau V, Mewes A U J, Alcaniz M, R, et al. Improvedwatershed transform for medical image segmentation using prior information[J].IEEE Transactions on Medical Imaging, 2004,23(4)：447-458.
[3]Hamarneh G, Li Xiaoxing. Watershed segmentationusing prior shape and appearance knowledge[J]. Image and Vision Computing, 2007：59-68.
[4]Zhong Yong, Xiong Naixue, He Ruhan. A Two-stageImage Segmentation Method Based on Watershed and Fuzzy C-Means[J]. 2008 IEEEAsia-Pacific Services Computing Conference. 2008：1550-1555.
[5]Cai W, Chen S, Zhang D. Fast and robust fuzzyc-means clustering algorithms incorporating local information for imagesegmentation[J]. Pattern Recognition, 2007,40(3)：825–838.
[6]Ng1 H P, Huang1 S.Medical Image Segmentation Using Watershed Segmentation with Texture-BasedRegion Merging[J]. 30th Annual International IEEE EMBS Conference Vancouver. British Columbia, Canada： IEEE Press, 2008：20-24.
[7]Eggermont J, Li R, Bovenkamp E, et al. Optimizing computedtomographic angiography image segmentation using fitness based partitioning[J].in Applications of Evolutionary Computing, ser. Lecture Notes in ComputerScience. Berlin, Germany： 2008：275–284.
[8]刘喜英,吴淑泉.基于改进分水领算法的医学图像分割的研究[J]. 微电子技术, 2003,8：39-42.
[9]Vincent L, Soille P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEETransactions on Pattern Analysis and Machine Intelligence. 1991,13(6)：583-598.
[10]Haralick R, Shanmugam K, Dinstein I. Textural Featuresfor Image Classification[J]. IEEE Trans. Syst, Man & Cybern. 1973,3(6)：610-623.
 

 2/2   首页 上一页 1 2