基于分水岭算法的医学图像分析

快速有效地对二维凝胶电泳图像等类似结构的图像进行分割。此外，结 合实验讨论了去除过分割的方法， 实现了改进的形态学梯度重建的算法。 该算法通过对梯度图像进行预处理，极大程度地去除了过分割。 提出的新方法已经应用于大量医学图像，实验结果表明本文提出的 算法对具有不同结构的医学图像的分割具有很好的效果。 关键词：医学图像处理，形态学梯度重建，曲线结构，脊线提取，分水 岭分割，过分割
1.1.2 图像分割的方法及意义
图像分割作为图像处理领域中极为重要的内容之一，是实现图像分析与理解的 基础。确切地说，现有的许多技术如图像描述和识别，图像可视化，基于目标的图 像压缩等技术，很大程度上依赖于分割结果。 从概念上来说，所谓图像分割就是按照一定的原则将一幅图像或景物分为若干 个部分或子集的过程。图像分割也可以理解为将图像中有意义的特征区域或者需要 应用的特征区域提取出来，这些特征区域可以是像素的灰度值、物体轮廓曲线、纹 理特性等，也可以是空间频谱或直方图特征等。在图像中用来表示某一物体的区域， 其特征都是相近或相同的，但是不同物体的区域之间，特征就会急剧变化。目前已 经提出的图像分割方法很多，从分割依据的角度来看，图像的分割方法可以分为相 似性分割和非连续性分割。相似性分割就是将具有同一灰度级或相同组织结构的像 素聚集在一起，形成图像的不同区域；非连续性分割就是首先检测局部不连续性， 然后将它们连接在一起形成边界，这些边界将图像分成不同的区域。由于不同种类 的图像，不同的应用场合，需要提取的图像特征是不同的，当然对应的图像特征提 取方法也就不同，因此并不存在一种普遍适应的最优方法。 图像分割方法又可分为结构分割方法和非结构分割方法两大类。结构分割方法
其中 P(Ri)为定义在集合 R，上的点上的逻辑属性， ∅ 表示空集。 关系(1)表明分割必须是完全的，图像中的每一像素必须有其归属的区域； 条件(2)要求区域中的像素点必须满足连通性准则； 关系(3)则说明不同区域必须是不相交的； 条件(4)表明同一区域内的像素点应有相同或相似的属性，这种属性可以是各种 图像特征或效应与某种语义的描述； 关系(5)则说明不同的区域对于逻辑属性是不同的，即分割后的每个区域将达到 最大尺度。
MEDICAL IMAGES ANALYSIS BASED ON WATERSHED ALGORITHM ABSTRACT
Image segmentation stands for representing an image as a set of connected regions. In the fields of image processing, segmentation attracts most of the attentions. It is the foundation of image understanding, pattern recognition and object-based image compression. This technique has made a profound effect on other image processing fields. At present, there are many methods trying to solve this problem, some of them are based on the characteristic of certain images, and some are general methods. From the two aspects of theoretical study and practical application, this dissertation pays more emphasis on the segmenting images with different structures, and implements two novel algorithms to segment images with different structures, i.e. extracting of curvilinear structure and improved watershed transform. Retinal images have many tiny structures, which are capillary vessels. In order to extract the curvilinear structure from these images, this dissertation provides an algorithm, which calculates the maximum of every pixel gradient values in different directions, and then compares the maximum with a given threshold to decide whether the pixel is part of the curvilinear structure or not. During the extracting, The heavy noise created by the extraction process is reduced by the application of mathematical morphology. Watershed segmentation based on mathematical morphology is a popular tool for image processing. It is easy and intuitive, rapidly computational and parallelizable. It is sensitive of obscure boundary, and can get a single-pixel boundary which has connected and closed profile. But there is much over segmentation in the results of the method. With minute analysis
UR
i =1
n
i
= R(i ∈ Z + ) ；
(2)
Ri 是一个联通区域；
1
上海交通大学硕士论文
第一章 研究背景介绍
(3) 对于所有 i ≠ j ，有 Ri I R j = ∅ ； (4) P ( Ri ) = true ； (5) 若 i ≠ j ，则 P ( Ri U R j ) = false ；
上海交通大学 学位论文原创性声明
本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立 进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不 包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意 识到本声明的法律结果由本人承担。
上海交通大学 硕士学位论文 基于分水岭算法的医学图像分析 姓名：种伟亮 申请学位级别：硕士 专业：模式识别与智能系统 指导教师：王利生 20070101
基于分水岭算法的医学图像分析 摘 要
图像分割是将图像表示为物理上有意义的连通区域的集合。在图像 处理领域，图像分割占有其极为重要的地位，它是实现图像内容理解、 模式识别、基于目标的图像压缩等诸多技术的关键之基础，它的分割结 果很大程度上影响着这些技术的最终结果。目前，已经有很多图像分割 的方法提出，有些是针对特定图像的，有些是一般方法。本文在针对医 学图像的研究中，从理论研究和实际应用的角度出发，围绕医学图像中 不同结构的分割问题展开讨论，实现了医学图像中两类不同结构的分割 算法，亦即，曲线结构(脊线)的提取和改进的分水岭算法。 对于视网膜图像的分析可以看到，它的血管部分是带有许多细微结 构(毛细血管)的曲线状结构。对于该类图像，本文提出了一种基于图像 梯度值提取曲线结构的算法。 它计算每一个像素在不同方向上的梯度值， 然后取其中的最大值为该像素的梯度值，通过与特定的阈值进行比较来 判断该像素是否属于所要提取的结构。此外，对提取过程中产生的噪声 进行了分析，结合数学形态学的理论和方法进行了有效的去除，从而使 该算法能很好的完整提取视网膜图像中的血管部分。 分水岭分割算法是根据数学形态学提出的一种基于区域的分割方 法。该方法简单、直观，速度快且可并行处理，对微弱边缘敏感，而且 可以得到单像素宽的、连通的、封闭的轮廓。但它也存在一个严重的问 题—过分割。本文结合以往的研究工作，详细讨论了分水岭变换的定义、 种类和实现方法，并在此基础上改进了该算法，通过采用更快的排序算 法，合理的内存管理以及对淹没过程中的不确定性的合理处理，从而能
保密 □，在____年解密后适用本授权书。 本学位论文属于 不保密□√。 （请在以上方框内打“指导教师签名：王利生
日期：
2007 年 1 月 22 日
日期： 2007 年 1 月 22 日
上海交通大学硕士论文
第一章 研究背景介绍
第一章 研究背景介绍
1.1 图像分割概述；
学位论文作者签名：种伟亮
日期：
2007 年 1 月 22 日
上海交通大学 学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本 人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
应用计算机进行数字图像处理的目的不外乎两个，其一是生成更适合于人类视 觉观察和识别的图像，其二是希望计算机能够自动进行识别和理解图像。无论是为 了何种目的，图像处理的关键一步是对包含有大量各式各样景物信息的图像进行分 解。分解的最终结果就是图像被分成一些具有各种特征的最小成分，这些成分可称 为图像的基元。产生这些基元的过程就是图像分割的过程。图像分割是图像分析的 第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中 最古老和最困难的问题之一。 1.1.1 图像分割的定义 所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根 据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从 背景或其他伪目标中分离出来。由于这些被分割的区域在某些特性上相近，因而图 像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的。 图像分割可用的特征包括：图像灰度、颜色、纹理、局部统计特征或频率特征 等，利用这些特征的差别可以区分图像中不同目标物体。由于我们只能利用图像信 中某些部分特征分割区域，因此各种方法必然带有局限性和针对性，只能针对各种 实际应用领域的需求来选择合适的分割方法。 从能量的角度分析，分割的任务是将图像划分为不同的区域，根据区域间灰度 的不连续搜寻区域间的边界达到图像分割的目的，其数学描述如下[1]： 若令 R 为整幅图像区域，R1，R2，…，Rn 表示 R 中被划分成的 n 个子区域， 那么，R 和分割的子区域应满足如下关系和条件： (1)