第六章 醫學圖像分割

第六章 醫學圖像分割

第一節 醫學圖像分割的意義、概念、分類和研究現狀

所謂醫學圖像分割，就是根據醫學圖像的某種相似性特征（如亮度、顔色、紋理、面積等）将醫學圖像劃分為若幹個互不相交的“連通”區域的過程。一般來說，有意義的圖像分割結果中至少在一個包含感興趣目标的區域。

區域作為圖像分割中像素的連通集合和基本分割機關。

通常醫學圖像分割方法可以規劃為三大類：基于門檻值的分割方法、基于邊緣的分割方法和基于區域的分割方法。

第二節 基于門檻值的圖像分割方法

門檻值法是一種常用的将圖像中感興趣目标與背景進行分離的圖像分割方法，常用的門檻值法基本上都是基于一維灰階直方圖統計特征的分割方法，它簡單的用一個或幾個門檻值将圖像灰階直方圖分為兩段或多段，而把圖像中灰階值在同一段内的所有像素歸屬為同一個物體。

醫學圖像的二值化通常是指通過一定的方法使得醫學圖像上的所有點的灰階或顔色值隻有兩種取值。圖像二值化的主的主要就是為了簡化圖像，并使圖像具有鮮明的對比性，以便于對圖像進行後續處理。在N>2的情況下，圖像分割的結果并不一定隻具有兩種顔色或灰階值，此時該步驟便隻能被稱為圖像的多門檻值分割過程，而不能稱作圖像的二值化。
傳統的門檻值分割法通常直接利用圖像的一維灰階直方圖進行分割，或基于圖像本身的灰階或顔色的分布特征，來确定一個或多個門限T1、T2...TN,把N個門限将灰階所對應數軸劃分為N+1個區間。
該類方法适用于不太複雜且灰階分布較為中的圖像。其原因在于圖像的一維直方圖一般是圖像中各像素灰階值出現頻數的統計結果，它隻能分映出圖像中不同灰階值出現的頻率。而不能反映出某一灰階值的像素所對應的位置及其鄰域特征，是以它忽略了其空間鄰域資訊。
           

（1）p - 分位數法

為基本思想是是醫學圖像中目标所占圖像像素的比例等于其先驗機率p來設定門檻值。把大于門檻值的像素作為目标，小于門檻值的像素作為背景，最終實作快速分割。隻有當背景和目标差别比較顯著的時候，該方法比較實用。

（2）雙峰法

它假設圖像是由背景和前景組成，且灰階直方圖呈現雙峰結構：一個與目标相對應，另一個是背景。通過在雙峰之間的最低谷處選擇門檻值即可實作圖像的分割。

（3）疊代法

疊代法基于最優逼近的思想，通過疊代的過程選擇一個最佳門檻值，實作圖像的分割。對于直方圖呈現雙峰形狀且峰谷特征計較明顯的圖像，疊代法可以較快收斂到滿意結果，結果，此時疊代所得的域值分割圖像結果很好。

（4）最大熵法

熵是資訊論的一個術語，是所研究對象平均資訊量的表征。這種方法的目的在于将圖像的灰階直方圖分成兩個或多個獨立的類，使得各類熵的總量最大。由于基于熵的門檻值選取法受到目标大小的影響很小，是以可以處理目标較小情況下的分割，但一維最大熵法由于涉及對數運算，速度較慢，實時性差，對于細節較多，噪聲較大的圖像分割效果也不理想。

（5）矩量保持法

使門檻值分割前後圖像的矩保持不變。

（6）Ostu方法

利用方差來度量圖像灰階分布均勻性進行分割的一種門檻值化方法。該方法在一定的條件下不受圖像對比度與亮度變化的影響，被認為是門檻值自動選擇的最有效方法之一。其基本原理是将直方圖在某一門檻值處分割成兩組，一組用于背景，一組用于目标。當被分成兩組物體之間方差最大時，得到最佳分割門檻值。

第三節 基于邊緣檢測的圖像分割方法

基于邊緣檢測的基本的思想是先檢測圖像中的邊緣點，再按照一定的政策連接配接成輪廓，通過輪廓跟蹤完成區域分割。

一 梯度算子

梯度反映了圖像灰階局部變化的強弱，是以可以作為檢測邊緣點的依據。梯度算子可以有效的檢測出階躍型邊緣，而對屋脊型邊緣容易産生雙邊緣效果。

二 Scobel算子

Scobel算子是一種8鄰域算子，而梯度算子是一個4領域算子。Scobel算子對噪聲具有一定平滑作用，能提供較為精确的邊緣方向資訊，但它同時也會檢測出許多的僞邊緣，邊緣定位精度不高。當對定位邊緣精度不高時，可以采用該方法。

三 Kirsh算子

Kirsh算子對于灰階的微小變化比較敏感，由于同時檢測8個方向的灰階變化，并取之中最大值，是以屬于一種最佳适配的邊緣檢測法。

以上三種方法在運用它們進行邊緣增強運算後，都需要設定一個适當的門限T以确定邊緣點和非邊緣點。

四 Laplacian算子

利用該算法，在結果圖像中，通過檢測過零點判斷邊緣的存在即如果某對相鄰像素異号，那麼他們之間就存在邊緣。

五 Marr算子

其基本思想是先利用圖像進行高斯濾波，然後再用Laplacian算子進行邊緣檢測。在Marr算子中，高斯濾波器寬度的大小直接影響着邊緣檢測結果，一般來說，寬大越大，抗噪聲的能力就越強，但會導緻一些變化細微的邊緣難以檢測出來。

通常，通過各種邊緣檢測算子處理後得到的邊緣圖像一般是一幅二值圖像，其中邊緣點被置為黑（白），非邊緣點則被置為白（黑）。很明顯還需要一個對各區域對應封閉輪廓進行跟蹤和區域填充的後處理過程才能最終保證圖像分割的有效完成。

第四季 基于區域的圖像分割方法

基于區域的圖像分割方法基于區域均勻性要求把具有某種相似性的像素或區域連通起來，進而構成最終的分割區域。如果說門檻值法進行圖像分割隻孤立的考慮每個像素的灰階，基于邊緣的分割方法隻考慮領域内的特征變換，基于區域的分割方法則以區域為處理對象，同時考慮區域内部和區域之間的同異性，及決定它們是進行合并還是進行分割來實作圖像的分割。它充分的利用了圖像的局部空間資訊，可有效的客服其他方法有可能存在的圖像分割空間不連續的缺點，但通常容易造成過渡分割。

常見的基于區域的分割方法有區域生長法和分裂合并法等。

區域生長法的基本思想是将具有相似性質的像素合起來構成區域，具體的做法是標明圖像中要分割的目标物體的一個種子點或一個小塊作為種子，再在種子的基礎上不斷将周圍的像素以一定的相似規則合并到種子區域中，其中相似性根據可以根據灰階級、彩色、梯度等特征進行确定。該方法的關鍵在于設計合适的特征度量和區域生長準則。常用的生長準則有：基于區域灰階差準則、基于區域灰階分布統計性質準則和基于區域形狀準則。

在區域生長中要解決的3個問題：選擇種子像素點；標明生長标準；指定停止生長的标準。

分裂合并法首先是将圖像分割為初始的區域，然後分并這些區域，并逐漸改善區域分割的性能。直到最後将圖像分割為最少的均勻區域為止。基于區域分類合并的圖像分割技術主要分為3種：即合并、分裂及合并-分裂相結合。合并的方法是，圖形首先被分割成很多的一緻性較強的小區域，然後根據某種均勻性判斷不斷疊代進行合并，形成大的區域，達到分割圖像的目的。分裂的方法是将整幅圖像作為原始分割結果，隻要目前的分割結果不能保證足夠的均勻性，就按照一定規則将其分裂，直到每個區域内部都是相似的時候為止。合并-分裂相結合的方法是将相鄰且具有相似特征的區域合并，而将具有明顯不均勻的特征區域進行分裂。

分離合并法進行圖像分割不需要預先指定種子點，它的研究重點是分裂和合并規則以及區域均勻性準則的設計，它對圖像的品質，特别是同一物體内的灰階均勻性要求較高，否則很容易出現過度合并和過度分裂。

第五節 基于模式識别原理的圖像分割方法

用于圖像分割的模式識别方法可以分為：模式分類法和模式聚類法兩大類。

模式分類法是模式識别領域中一種基本的統計分析方法，它使用分類器實作對圖像的分割，是一種有監督的統計分割方法，一般需要用手工分割得到的樣本集作為對新圖像進行自動分割的參考。分類器的設計與訓練是這類方法實作的關鍵，通常分類器分為非參數分類器和參數分類器兩種。用于圖像分割的最常見的非參數分類器是K近鄰方法，它對圖像的統計特性沒有特殊的要求或約定。而貝葉斯分類器是常用的參數分類器，它一般假定圖像的機率密度函數是符合高斯分布。模式分類法通常要去由手工分類産生分類集，然後進行訓練，而手工分類的工作量很大，同時，用少量的訓練集訓練的分類器對大量的樣本空間進行分類時又會産生泛化誤差，容易産生誤分類。

模式聚類法是按照“物以類聚”的原則，對圖像資料進行分類。聚類法需要把資料分成組，産生的每一組資料稱為一個簇，簇中的每一個資料被稱為一個對象。聚類的目的是使得統一簇中的對象的特性盡可能的相似，而不同簇對象間的特性差異盡可能的大。屬于一種無監督的統計分割方法。

第六節二值圖像的數學形态學運算

針對處理對象的不同，數學形态運算基本可以分為二值圖像形态學運算和灰階圖像形态學運算。

數學形态學的基本運算有膨脹（擴張）、腐蝕（侵蝕）、開和閉運算。基于這些基本運算可以推導群組合成各種數學形态學的算法。

第七節 醫學圖像分割效果的評價

醫學圖像的分割評價方法一般可以分為：分析法和經驗法。