基于多尺度区域与类不确定性理论的局部阈值分割方法

医学图像受成像原理的限制,存在图像灰度分布不均匀、噪声大、组织间边界模糊等问题,传统的阈值分割方法通常难以获得精准的分割结果。针对这一问题,提出一种基于多尺度区域与类不确定性理论的阈值分割方法。首先,利用多层金字塔结构将原始图像分割成一组不同尺度的子区域;然后,基于类不确定性与区域均匀性度量构建带不等式约束的能量函数,并逐层迭代求解各子区域的最优局部阈值;最终,得到局部最优阈值掩膜,从而实现图像分割。通过仿真实验可得所提方法能有效克服噪声、局部灰度分布不均匀以及模糊边界等因素的干扰,算法性能显著优于经典的基于受限的目标灰度频率范围求解最优分割阈值方法(RCOtsu)和基于类不确定性及区域均匀性的能量最小化(MHUE)方法以及近年来提出的一些基于阈值分割方法。所提方法分割结果平均误分率(ME)为1.1%,与上述对比算法的平均误分率相比下降了2.1%;峰值信噪比(PSNR)为17.1 dB,比对比算法的平均指标下降了2.7 dB。实验结果表明,所提方法可以稳定、清晰地分割灰度不均和高噪声图像。