医学图像分割 matlab,MATLAB在医学图像分割处理中的应用

淩亂°似流年 2023-01-14 15:57 234阅读 0赞

ValueEngineering 0 引言 医学图像分割是将图像分割技术应用于医学领域的成功示例，它是医学图像处理的重要手段，在很大程度上提高了医生的确诊率。基于不同设备和运行原理的医学图像比较复杂，包括(PET)正电子放射断层成像、(CT)计算机断层扫描、(SPECT)单光子辐射断层扫描、(Ultrasound)超声成像、(MRI)磁共振成像等其它图像。本课题将在Matlab 平台上结合图像分割的基本原理对胸部 MRI 图像进行分割，实验证明，利用该方法能够清晰准确标记肿瘤轮廓。 1 基于图像边缘的分割技术 作为医学图像处理中的关键技术之一，边缘检测的目的就是从含有噪声信息的医学图像中找出目标物的所在位置，广泛应用于肿瘤病灶的确定、冠心病诊断、造影血管检测以及医学图像匹配等方面。一般意义上的边缘指的是局部极值点或者那些灰度发生迅速变化的点，可大致分为：屋顶边缘(Roof Edge)、线性边缘(Line Edge)和阶跃边缘(Step Edge)。 为更加准确地找出图像中的边缘点，学者们研究设计了诸多检测算子(Edge Detectors)，并对检测出的边缘点进行跟踪，形成图像边缘。本文引入马尔算子———先利用高斯函数对原始图像进行平滑滤波处理，之后再采用 Laplacian 算子(log)和 Canny 算子。 1.1 Marr-Hildreth(马尔)算子 Marr-Hildreth(马尔)算子也称为高斯—拉普拉斯算子，利用阶跃型边缘的一阶导数可以取得局部的极值，其二阶导数是零。因此，离散数字图像中的边缘点一定是二阶导数的零点，即将二阶导数为零点作为确定边缘的依据，常用的二阶导数算子是 Laplacian 算子，二元函数 的 Laplacian 变换定义如下： 荦2f(x，y)= 鄣2f 鄣2x2 + 鄣2f 鄣2y2 (1) 用 f(i，j)表示图像处理前点(i，j)的灰度值，g(i，j)=荦2f (x，y)表示图像处理后点(i，j)的灰度值，则用差分形式表示式(1)为： g(i，j)=\[f(i+1，j)+f(i-1，j)+f(i，j+1)+f(i，j-1)-4f(i，j)\] (2)对图像进行滤波时采用拉普拉斯算子，常用的Laplacian 算子有 3\*3 算子和 5\*5 算子，分别如图 1、图 2 所示。 图 1 3\*3Laplacian 算子 -1 -1 -1 -1 -1 -1 -1 8 -1 -1 -1 -14 0 0 0 0 图 2 5\*5Laplacian 算子 0 0 0 0 0 0 0 0 -1 -2 -1 -1 -2 -2-1 -1 -1-2-1 16 -10 0 0 0 经过 Laplacian 算子滤波后得到的 g(i，j)中，一对相邻像素异号时，两者之间存在边缘。但是这种根据图像强度的二阶导数为零来求解图像的边缘点的算法，很容易受到噪声的影响。因此，结合拉普拉斯算子的边缘检测和高斯滤波，形成拉普 拉斯高斯算子 LoG (Lapulacianof gaussian)，将图像和高斯滤波器作卷积运算，既能滤掉噪声，还能保证图像的平滑性。LoG 算子表示如下： h(x，y)=荦2\[g(x，y)\*f(x，y)\]=\[荦2g(x，y)\]\*f(x，y) (3) 式中，f(x，y)是图像函数，g(x，y)= 1 2πσ2 exp\[- x2+y2 2σ \]。 则 LoG 算子为： LoG(x，y)=荦2(g(x，y))=\[ 鄣2 鄣x2 + 鄣2 鄣y2 \] 1 2πσ2 exp\[- x2+y2 2σ \] =- 1 2πσ4 \[2- x2