基于伪彩色图像处理的人体脑图像分割技术研究开题报告

[6] 苗凤君。B 超医学图像分割技术的研究[J]。中原工学院学报[A]。 2004， 15(2)： 4~8 [7] 张丽， 陈志强。 色彩调和理论在辐射成像的伪彩色处理中的应用[J ]。核电子学 与探测技术，2000，20(5)：233-235 [8] 宁国祥， 易新建。 红外焦平面阵列图像的伪彩色编码和处理[J ]。红外技术，2002， 24(2)：57-59 [9] 阮秋琦。 数字图像处理学[M ]。 北京： 电子工业出版社， 2001。 [10] 柏子游，张勇，虞烈。一种彩色图像的色彩分割方法[[J]。模式识别与人工智能， 1999， 12(2)：241244。 [11] 吴维聪编著．计算机图像处理[M]．上海科学技术出版社，1989：51~52 [12] 郭国栋，马颂德。彩色图像分割[J]。中国图像图形学报，1998， 3 (11)： 918-921 [13] 席砺药，闰宏伟。彩色图像的分割技术[[J]。微机发展，2003，13(4)：46-48。 [14] 蒋刚毅，郑义。关于彩色图象处理的形态学算子研究[[J]。中国图像图形学报， 2000， 5A (4)：293-299 [15] Judupa JK，Herman GT。3D imaging in medicine [M] 2nd Edition。Florida ： CRC Press ，1999 ：1～73
(4) 基于特定理论工具的方法 基于特定理论工具的方法主要有以下几种：基于数学形态学的方法、基于神经网络 的方法和基于图论的方法。基于数学形态学的方法主要利用一定形态的结构元素去度量 和提取图像中的对应形状，以达到对图像进行分析和识别的目的。基于形态学的彩色图 像分割方法的优点是：定位效果好，精度高，抗噪性好。但其缺点是：要求根据图像特 征事先选取合适的结构元素。另外，利用数学形态学进行操作比较耗时[13]。基于神经网 络的方法是将原彩色图像分割的问题转换为一个能量函数最小化的问题，该能量函数决 定了神经网络的结构。基于神经网络的方法需要事先对神经网络的权值进行大量的训练 才能得到一个完整的网络，训练过程非常耗时[14]。基于图论的方法是将原彩色图像分割 的问题转换为一个无向图最优化的问题。无向图的最优化方法主要有两种：最小生成树 （Minimal Spanning Tree）和最小割（Minimized Cut）基于图论的方法利用无向图表 示和组织图像，能够得到很好的分割效果[15]。但它的缺点是求解无向图最优化问题时耗 时较大。
它的具体分割方法有以下几种： (1) 基于直方图的方法 基于直方图的方法认为：直方图中的每个峰值均对应于一个区域，而位于两个相邻 峰值之间的谷值则对应于区域的边界。因此，利用直方图中所有的谷值可以确定一系列 的阐值，这些闭值界定了原彩色图像中各区域的颜色范围。对噪声和区域颜色不均匀比 较敏感，它通常只适合于分割噪声很小、区域颜色均匀的彩色图像[10]。 (2) 基于边界的方法 基于边界的方法认为：象素的颜色在两个区域的边界上将会剧烈变化，因此，可以利 用边缘检测算子来寻找区域的边界，从而实现对图像中各区域的划分。利用基于边界的 方法所得到的分割结果不仅包含了彩色图像的真实边界，同时也包含了大量由噪声引起 的伪边界。因此，基于边界的方法一般不能独用于彩色图像分割，它必须与其他类型的
毕业设计开题报告
1．结合毕业设计课题情况，根据所查阅的文献资料，撰写 2000 字左右 的文献综述：
文献综述
一、课题研究背景 在过去的十多年中，随着彩色技术的进步，彩色图像工程得到了迅速发展。彩色图
像工程主要包含三个层次：图像处理， 图像分析和图像理解。其中，图像处理是低层 操作，它的特点是输入、输出都是图像。典型的图像处理工作有：图像增强。图像分析 是中层操作，它的特点是输入为图像，而输出是对图像特征的描述。典型的图像分析工 作有：模式识别。图像理解是高层操作，它的特像理解工作有：计算机视觉。
在这些年发展中，出现了多种伪彩色的处理方法，例如：李今秀等人[3]利用Sobel 算子对图像进行边缘检测，突出感兴趣区域；然后根据边缘检测的结果做伪彩色处理。 蓝春生等[4]提出了另一种新方法，就是查表添色法。用这种伪彩色处理后，人的视觉感 知和图像理解显著改善，也明显提高了临床诊断和治疗水平，特别是那些疑难肿瘤病例。 还有李步洪等人[5]找到了一种符合实际临床要求的图像伪彩色处理方法——变换法。根 据这种方法， 通过计算机程序修改CA6300图像板卡中的查找表， 实现了对肺癌荧光黑 白图象的伪彩色处理，大大提高肺癌荧光图像的可鉴别度。
毕业设计开题报告
２．本课题要研究或解决的问题和你采用的研究手段（途径）：
通过查阅许多资料后，看到了许多中方法，其中利用Sobel算子对图像进行边缘检 测，突出感兴趣区域；然后根据边缘检测的结果做伪彩色处理的这种方法增强了图像的 可视性，突出病灶区，提高了医生的诊断率，但作为边界方法的一种，所得到的分割结 果不仅包含了彩色图像的真实边界，同时也包含了大量由噪声引起的伪边界。因此，基 于边界的方法一般不能独用于彩色图像分割，它必须与其他类型的方法(如：基于区域 的方法)结合使用。而另一种新方法，就是查表添色法。它的伪彩色图像处理软件是通 过用Visual Basic 6.0 for Windows 对Capsa system 1.0（Images Dept, China Animation Tech Co）的查表添色方法（Fill Lock Up Table），它是把黑白图像灰度自动分割成 16 色，分段添色。这种方法由于域值条件相同，可以对各种图像作对比性研究。二是 人工图像查表添色 ( Manual-Fill the Image LUT)，它是把图像的起始和终止灰度域 值确定后，根据RBG确定某一颜色域值，再添色。此法比较少用。三是键盘控制图像查 表添色( Key-Control-Fill the Image LUT )，它是用功能键F1 和F2 锁定16 色中某 一颜色，用↑和↓健任意提升或降低其域值，每健改变4bit。此法在很多情况下是非常 有用的。用这种伪彩色处理后，人的视觉感知和图像理解显著改善，也明显提高了临床 诊断和治疗水平，特别是那些疑难肿瘤病例。但这种方法在操作上还有许多有待学习和 讨论之处，不适合广泛应用于临床实验中，以上的这两种方法各有优缺点，在以后的研 究中会多用用其他的边缘算法来做，以提高图像的可视性，能给医生提供更多的信息， 进一步提高治疗的准确率。
彩色图像分割是彩色图像工程的中、高层操作中一个非常关键的部分。因为无论是 中层的图像分析，还是高层的图像理解，都需要先对原彩色图像进行分割，再对分割结 果进行特征提取、目标识别等工作，分割的质量将直接影响其后的工作能否成功。因此， 彩色图像分割在彩色图像工程中占有重要地位。彩色图像分割在各领域都有十分广泛的 应用。在互联网的图像检索中，样本图像中感兴趣的区域被分割出来，用于在目标图像 中查找与其相似的区域。在图像编码中，彩色图像被分割成不同的对象区域并分别进行 编码，从而实现码率压缩。在运动跟踪中 需要分割一系列的彩色图像序列以提取运动 目标。在医学上，皮肤的彩色显微图像被分割为感染部分和非感染部分，用于进行皮肤 癌的诊断。在这些应用中，分割都是为了进一步对图像进行分析、识别，分割的准确性 将影响后面工作的有效性。因此，彩色图像分割的方法至关重要。
参考文献
[1] 蓝春生，曹煜媛。医学图像的伪彩色处理[A]。中国体视学与图像分析，2002。9 [2] 烟玉芹，王光彬。伪彩色处理及其在医学上的应用[A]。医学影像学杂志 2003。13 [3] 李今秀，李均利。肺癌图像的伪彩色处理[A]。宁波大学学报（理工版）。2007。3 [4] 林棋榕，李永森。肺癌荧光图象的伪彩色处理[A]。光子生物医学。1998。12 [5] 章毓晋。图像工程（上册）图像处理和分析[M]。北京，清华大学出版社，2000。8
二、研究的目的和意义 医学数字图像的应用主要在于对图像特征的提取，这些图像特征包括有点的特征、
局部特征、区域特征和整体特征。伪彩色图像处理将明显提高对图像所有这些特征的识 别能力。首先，它可充分利用人眼对彩色的锐敏特点，提高对全貌图像的视觉感知。其 次，是作为整个图像的一部分，要判别目标物或病灶局部与邻近的解剖和生理关系，伪 彩色更能把轮廓的粗细、光滑、锐化、模糊、连续和分布等区域关系显示出来[6]。第三， 伪彩色处理可提高对目标物或病灶特征的识别，即提高对局部像素的灰度（黑白亮度和 色度）、空间（位置和几何形状）和时间（动态不同角度）的观察分析。这些特征的提 取和分析将明显提高医疗质量，特别是对术前风险程度和术后合并症的估计大有帮助。 几乎所有的医学黑白图像都可以作伪彩色处理。这正是目前新兴的可视化（Visual Mine） 技术所要研究的内容之一[7。8]。 三、研究内容
本课题将对伪彩色医学图像分割的关键技术进行研究和探讨。根据医学伪彩色处理 的图像分割实现方法，本文将主要围绕图像伪彩色处理的方法及实现展开探讨。
伪彩色图像处理技术是将黑白图像经过处理变为彩色图像， 可以充分发挥人眼对彩 色的视觉能力， 从而使观察者能从图像中取得更多的信息。经过伪彩色处理技术， 提 高了对图像特征的识别。临床研究对CT、MRI、B 超和电镜等图片均进行了伪彩色技术 的尝试， 取得了良好的效果， 部分图片经过处理后可以显现隐性病灶[9]。
方法(如：基于区域的方法)结合使用[11]。 (3) 基于区域的方法 基于区域的方法认为区域之间的象素差别很大，同一区域内的象素特性是相似的，
而不同。因此可以对图像中的象素进行分类。基于区域的方法主要有两种：区域生长以 及区域分离与合并。基于区域的方法优点是对噪声不敏感，但它依赖于事先定义的某个 一致性条件。然而，在某些彩色图像中，却并不是所有区域都能用一个相同的一致性条 件来描述，此时基于区域的方法将会造成图像中的某些区域过度分割。因此，它只适合 于彩色图像中所有区域都满足相同的一致性条件的情况[12]。