医学纹理合并分析

前言：本站为你精心整理了医学纹理合并分析范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

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。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。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。Cd[i,j]表示值i与值j以某种指定的空间关系共同出现的次数，r、c表示图像像素横坐标和纵坐标的位置，d是一个位移量(dr,dc)，描述了值为i的像素和值为j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。

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。对于相邻的两个区域k、l，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。我们设置一个阀值T来表示相邻区域的纹理相似程度，当CklMI大于T时，表明这两个区域可以合并。具体的合并过程如下所述：1)确定分割后得到的不同区域，Nk；2)计算所有相邻区域的CklMI和定义阀值T；3)如果CklMI>T，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，Nk+1；5)如果Nk=Nk+1，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

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100×64、100×64。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。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8×8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。

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。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。今后的研究可以就如何进一步提高算法的效率提出改进。