一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值(FCM)的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振(MR)脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。

变分水平集方法在灰度不均图像分割中的应用

灰度不均严重影响图像分割的准确性,主动轮廓模型广泛应用于图像分割中。为了克服灰度不均对图像分割的影响,提出了一种基于变分水平集的主动轮廓模型。该模型利用了图像局部统计信息的均值和方差,适合对灰度不均图像分割。为了检验算法的性能,利用该算法和经典算法作对比实验,结果表明,不管是对合成图像还是真实图像的分割,都验证了该方法的有效性,而且该方法在曲线演化过程中无需重新初始化水平集函数,在一定程度上减少了计算量。

基于局部统计信息的主动轮廓模型

灰度不均普遍存在于医学图像中,为了克服灰度不均对图像分割的影响,基于图像的局部统计信息,结合偏移场校正模型,建立了高斯分布的主动轮廓模型.引入水平集函数,并根据变分法原理,实现了该算法.最后利用新算法和经典算法作对比实验,结果表明,新算法对合成图像和真实图像的分割都取得了较好的结果,具有更强的鲁棒性.