第七章醫(yī)學(xué)圖像分割韓貴來放射科放療適形放療：鉛模作準直器先確定病灶邊界適形放療：先確定病灶邊界Tumor適形放療：制鉛模，作準直器Lead適形放療：MLC:multi-leafcollimatorLead§7.1概述

圖像分割和描述的目的和應(yīng)用目的：將圖像中的目標分為各個感興趣的區(qū)域，并與圖像中各 種物體目標相對應(yīng)。 分割是將象素分類的過程，分類的依據(jù)可以是：

象素灰度值或連通關(guān)系 顏色（灰度）或多譜特性 圖像的空間模式特性，如紋理

目前機器理解圖像的內(nèi)容限于圖像的部分信息，因此分割 方法都具有局限性。

分割的基本要求：細；連；準基于區(qū)域的分割串行算法

并行算法傳統(tǒng)分割方法分類

基于邊界的分割機器閱讀理解串行算法并行算法 圖像邊界清晰與否在醫(yī)學(xué)影圖像分割的應(yīng)用：OCR錄入遙感圖像自動識別在線產(chǎn)品檢測醫(yī)學(xué)圖像樣本統(tǒng)計圖像編碼圖像配準的預(yù)處理像中十分重要。例如，X光片和CT片需要勾畫出腫瘤的明確邊界；在超聲圖像中只有精確地定出心房、心室的舒張、收縮輪廓，才能計算出心輸出量等參數(shù)。因此有必要對圖像的邊界進行特別處理。醫(yī)學(xué)圖像分割算法的研究是醫(yī)學(xué)圖像處理永恒的話題！象素分類圖象分割是按照某些特性(如灰度級,頻譜,紋理等)將圖象劃分成一些區(qū)域，在這些區(qū)域內(nèi)其特性是相同的或者說是均勻的，兩個相鄰區(qū)域彼此特性則是不同的，其間存在著邊緣或邊界。圖象分割從本質(zhì)上來說是將圖象中的象素按照特性的不同進行分類的過程。象素分類用閾值分割方法來分割一幅圖象時，若想從亮的背景中分離出暗的物體,利用一門限值T將象素分為“亮”的和“暗”的兩類。在邊緣檢測中，利用對一些差分算子的響應(yīng)值進行門限化，將象素分為“邊緣”上的點和“非邊緣”上的點兩類。醫(yī)學(xué)圖像分割閾值分割法——基于區(qū)域的并行分割算法區(qū)域分割法——基于區(qū)域的串行分割算法邊緣分割法——基于邊界的并行分割算法邊緣跟蹤與邊界擬合——基于邊界的串行分割算法7.2閾值分割(灰度級門限處理)由于圖像閾值分割的直觀性和易于實現(xiàn)的性質(zhì),使它在圖像分割應(yīng)用中處于中心地位.閾值分割(一)一般概念許多情況，圖象是由具有不同灰度級的兩類區(qū)域組成。如文字與紙張、地物與云層（航空照片）。其特點:直方圖具有兩個峰，分別與兩個灰度級范圍相對應(yīng)。故可選擇一個門限，將兩個峰分開。基本原理上圖(a)為一幅圖像的灰度級直方圖,其由亮的對象和暗的背景組成.對象和背景的灰度級形成兩個不同的模式.選擇一個門限值T,可以將這些模式分開.(b)包含3個模式.(a)單一門限(b)多門限進行分割的灰度級直方圖7.2.1全局閾值法原始圖像——f(x,y)灰度閾值——T閾值運算得二值圖像——g(x,y)

閾值選擇直接影響分割效果，通常可以通過對灰度直方圖的分析來確定它的值。

對象點背景點閾值選擇利用灰度直方圖求雙峰或多峰選擇兩峰之間的谷底作為閾值

全閾值分割結(jié)果全閾值分割的MATLAB實現(xiàn)I=imread('source.bmp');figure(1)imhist(I);T＝110;%=80;p=find(I<=T);I(p)=0;p=find(I>T);I(p)=255;figure(2)imshow(I);全閾值分割結(jié)果T=50的二值化圖像T=170的二值化圖像原始圖像圖像直方圖灰度級門限化半門限：或者：灰度級門限化多個門限的使用

假設(shè)一幅圖象包含兩個以上的不同類型的區(qū)域，我們可以使用幾個門限來分割圖象。如白血球圖象，直方圖上有細胞核、細胞質(zhì)、背景三個峰，可使用2個門限來分割圖象。自動閾值迭代法

基本思想：開始時選擇一個閾值作為初始估計值，然后按某種策略不斷地改進這一估計值，直到滿足給定的準則為止。在迭代過程中，關(guān)鍵之處在于選擇什么樣的閾值改進策略，好的閾值的改進策略應(yīng)該具備兩個特征，一是能夠快速收斂，二是在每一個迭代過程中，新產(chǎn)生閾值優(yōu)于上一次的閾值。

在無人介入的情況下自動選取閾值是大部分應(yīng)用的基本要求,自動閾值法通常使用灰度直方圖來分析圖像中灰度值的分布,結(jié)合特定的應(yīng)用領(lǐng)域知識來選取合適的閾值.自動閾值迭代法

(1)

選擇圖像灰度的中值作為初始閾值Ti=T0。(2)

利用閾值Ti把圖像分割成兩部分區(qū)域，R1和R2，并計算其灰度均值(3)計算新的閾值Ti+1(4)重復(fù)步驟2、3，直到Ti+1和Ti的值差別小于某個給定值迭代式閾值選擇的基本步驟如下:適用于背景和對象在圖像中占據(jù)的面積相近的情況.自動閾值迭代法

原始圖像迭代閾值二值化圖象迭代式閾值二值化圖像自動閾值迭代法

(a)原圖(b)圖像的直方圖(c)通過用迭代估計的門限對圖像進行分割的結(jié)果7.3區(qū)域分割基本思想

閾值分割法由于沒有或很少考慮空間關(guān)系，使多閾值選擇受到限制

基于區(qū)域的分割方法可以彌補這點不足，它利用的是圖像的空間性質(zhì)，該方法認為分割出來的屬于同一區(qū)域的像素應(yīng)具有相似的性質(zhì)，其概念是相當直觀的。

傳統(tǒng)的區(qū)域分割算法有區(qū)域生長法和區(qū)域分裂合并法。該類方法在沒有先驗知識可以利用時，對含有復(fù)雜場景或自然景物等先驗知識不足的圖像進行分割,也可以取得較好的性能。但是，空間和時間開銷都比較大。

條件(1)表明分割區(qū)域要覆蓋整個圖像且各區(qū)域互不重疊；條件(2)表明每個區(qū)域具有相同的性質(zhì)；條件(3)表明相鄰的兩個區(qū)域性質(zhì)相異不能合并為一個區(qū)域。形式化地定義如下：令I(lǐng)表示圖像,H表示具有相同性質(zhì)的謂詞,圖像分割把I分解成n個區(qū)域Ri,i＝1,2,…,n,滿足：基本公式區(qū)域生長區(qū)域生長法主要考慮象素及其空間鄰域象素之間的關(guān)系

開始時確定一個或多個象素點作為種子，然后按某種相似性準則增長區(qū)域，逐步生成具有某種均勻性的空間區(qū)域，將相鄰的具有相似性質(zhì)的象素或區(qū)域歸并從而逐步增長區(qū)域，直至沒有可以歸并的點或其它小區(qū)域為止。

區(qū)域內(nèi)象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。

區(qū)域生長是一種根據(jù)事前定義的準則將像素或子區(qū)域聚合成更大區(qū)域的過程.

從滿足檢測準則的點開始(或者已知點)在各個方向上生長出區(qū)域。例如：每一步所接受的鄰近點的灰度級與先前物體的平均灰度級相差小于2。起始區(qū)域生長----分割區(qū)域

從滿足檢測準則的點開始(或者已知點)在各個方向上生長出區(qū)域。例如：每一步所接受的鄰近點的灰度級與先前物體的平均灰度級相差小于2。第二步區(qū)域生長----分割區(qū)域

從滿足檢測準則的點開始(或者已知點)在各個方向上生長出區(qū)域。例如：每一步所接受的鄰近點的灰度級與先前物體的平均灰度級相差小于2。第三步區(qū)域生長----分割區(qū)域區(qū)域生長

生長示例

(1)根據(jù)直方圖選取聚類中心的象素為種子 (2)根據(jù)與種子象素灰度差（<T等）判斷是否生長 (3)根據(jù)圖象邊緣確定生長何時終結(jié)原始圖T=3T=2T=7區(qū)域生長

選擇合適的種子點

確定相似性準則(生長準則)

確定生長停止條件步驟

區(qū)域生長abcde(a)原圖(b)種子圖(c)通過閾值測試的象素的二值圖像(d)區(qū)域生長后的分割圖(e)原圖的直方圖7.3.2區(qū)域分裂合并

主要步驟 先把圖象分成任意大小且不重疊的區(qū)域 然后再（根據(jù)準則）合并或分裂這些區(qū)域 （迭代進行直到實現(xiàn)分割）示例（四叉樹）：7.3.2區(qū)域分裂合并

令R代表整個圖象區(qū)域，P代表邏輯謂詞

把R連續(xù)地分裂成越來越小的1/4的正方形子 區(qū)域Ri，并且始終使P(Ri)=TRUE(1)對任一個區(qū)域Ri，如果P(Ri)=FALSE，就將 其分裂成不重疊的四等分(2)對相鄰的兩個區(qū)域Ri和Rj，如果P(Ri∪Rj)= TRUE，就將它們合并起來(3)如果進一步的分裂或合并都不可能了，則結(jié)束7.3.2區(qū)域分裂合并示例（四叉樹）：分裂分裂合并

7.3.2區(qū)域分裂合并(a)原圖像(b-f)不同閾值的區(qū)域分裂合并結(jié)果(32,16,8,4,2)

區(qū)域分裂合并法無需預(yù)先指定種子點,它按某種一致性準則分裂或者合并區(qū)域.可以先進行分裂運算,然后再進行合并運算;也可以分裂和合并運算同時進行,經(jīng)過連續(xù)的分裂和合并,最后得到圖像的精確分割效果.分裂合并法對分割復(fù)雜的場景圖像比較有效.7.3.2區(qū)域分裂合并

7.3.4分水嶺算法

分水嶺算法(watershed)是一種借鑒了形態(tài)學(xué)理論的分割方法，它將一幅圖象看成為一個拓撲地形圖，其中灰度值被認為是地形高度值。高灰度值對應(yīng)著山峰，低灰度值處對應(yīng)著山谷。將水從任一處流下，它會朝地勢低的地方流動，直到某一局部低洼處才停下來，這個低洼處被稱為吸水盆地，最終所有的水會分聚在不同的吸水盆地,吸水盆地之間的山脊被稱為分水嶺，水從分水嶺流下時，它朝不同的吸水盆地流去的可能性是相等的。

將這種想法應(yīng)用于圖像分割，就是要在灰度圖像中找出不同的吸水盆地和分水嶺，由這些不同的吸引盆地和分水嶺組成的區(qū)域即為我們要分割的目標。分水嶺形成示意圖分水嶺對應(yīng)于原始圖像中的邊緣7.3.4分水嶺算法

L=watershed(f)MATLAB函數(shù)不準確標記分水嶺算法導(dǎo)致過分割

原始圖像分水嶺分割結(jié)果局部極小值7.3.4分水嶺算法

分水嶺算法是以梯度圖的局部極小點作為吸水盆地的標記點,由于梯度圖中可能有較多的局部極小點,因此可能會導(dǎo)致過分割.7.3.4分水嶺算法

缺陷：可能出現(xiàn)“過度分割”問題。當人看一個有邊緣的物體時,首先感覺到的便是邊緣.在邊緣處，灰度和結(jié)構(gòu)等信息的產(chǎn)生突變.邊緣是一個區(qū)域的結(jié)束,也是另一個區(qū)域的開始,利用該特征可以分割圖像.由于圖像數(shù)據(jù)是二維的,而實際物體是三維的,從三維到二維的投影必然會造成信息的丟失,再加上成像過程中光照的不均和噪聲等因素的影響,使得有邊緣的地方不一定能被檢測出來,而檢測出來的邊緣也不一定代表實際邊緣.圖像的邊緣有方向和幅度兩個屬性,沿邊緣方向像素變化平緩,垂直于邊緣方向像素變化劇烈.邊緣上的這種變化可以用微分算子檢測出來,通常用一階或二階導(dǎo)數(shù)來檢測邊緣.7.4邊緣分割法理想的邊緣斜坡數(shù)字邊緣由于光學(xué)系統(tǒng)等種種原因，實際的邊緣不是一條線而是有斜坡的，它對應(yīng)邊緣的模糊程度圖顯示實際情況的放大：顯示了邊緣的模糊情況圖中也顯示了一、二階導(dǎo)數(shù)作用的結(jié)果：一階導(dǎo)數(shù)在邊緣上是正的二階導(dǎo)數(shù)在邊緣上：從黑到邊緣:正,從邊緣到亮:負在邊緣上:0過零的特性:二階導(dǎo)數(shù)在邊緣上從正到負有一個過零的特性，這對確定一個寬的邊緣的中心是很有用的結(jié)論：1。一階導(dǎo)數(shù)可以用于檢測圖象中的一個點是否在邊緣上,(檢測邊緣)2。二階導(dǎo)數(shù)的符號可以用于判定一個邊緣象素是在邊緣亮的一邊還是在黑的一邊，以及一個寬的邊緣的中心邊緣及檢測原理右圖討論了noise的影響1。小的noise對一階導(dǎo)數(shù)的影響較小，2。二階導(dǎo)數(shù)對noise非常敏感3。Noise大時，對一、二導(dǎo)數(shù)影響都較大總之在存在較小的noise的應(yīng)用中，noise是需要認真考慮的邊緣檢測基于一階導(dǎo)數(shù)的邊緣檢測算子包括Roberts算子、Sobel算子、Prewitt算子等.通過2×2或者3×3的模板作為核與圖像中的每個像素點做卷積和運算,然后選取合適的閾值以提取邊緣.拉普拉斯邊緣檢測算子是基于二階導(dǎo)數(shù)的邊緣檢測算子,對噪聲敏感,一種改進方式是先對圖像進行平滑處理,然后再應(yīng)用二階導(dǎo)數(shù)的邊緣檢測算子.圖像邊緣對應(yīng)一階導(dǎo)數(shù)的極大值點和二階導(dǎo)數(shù)的過零點。邊緣檢測梯度算子是一階導(dǎo)數(shù)算子

幅值

方向角

梯度算子

數(shù)字圖像處理中用差分代替微分

近似計算Roberts算子Z1Z2Z3Z4Z5Z6Z7Z8Z9-10010-110Prewitt算子Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-1-1000111-101-101-101Sobel算子Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-2-1000121-101-202-101梯度算子011-101-1-10-1-10-10101101-2-101-2-10-2-10-102012PrewittSobel用于檢測對角邊緣的Prewitt算子和Sobel算子方向模板東西南北梯度算子原圖Prewitt算子Sobel算子Roberts算子Kirsch邊緣算子基于特定方向上的微分來檢測邊緣八方向Kirsch（3

3）模板

Kirsch邊緣算子

Kirsch邊緣檢測算子需要求出f(x，y)8個方向的平均差分的最大值，計算8個方向模板，該算子可以檢測出邊緣的方向性信息，并能較好地抑制邊緣檢測的噪聲。Kirsch算子邊緣檢測結(jié)果拉普拉斯算子差分微分二階導(dǎo)數(shù)算子拉普拉斯算子

兩種常用的拉普拉斯算子模板0101-410101111-81111拉普拉斯算子在計算的時候若需要保持灰度范圍不變，應(yīng)除以4（或8）。例：用拉普拉斯算子經(jīng)計算得周邊灰度為零拉普拉斯算子從以上幾個圖片可見：1、Laplacian算子雖對邊緣有響應(yīng)，但對拐角、線條、線端點和孤立點響應(yīng)更強。即對noise增強作用更大2、8的比4的增強作用大拉普拉斯算子

拉普拉斯算子一般不以其原始形式用于邊緣檢測,這是因為：(1)作為一個二階導(dǎo)數(shù),拉普拉斯算子對噪聲具有無法接受的敏感性;(2)拉普拉斯算子的幅值產(chǎn)生雙邊緣,這是復(fù)雜的分割不希望有的結(jié)果;(3)拉普拉斯算子不能檢測邊緣的方向.拉普拉斯算子在分割中所起的作用包括:(1)利用它的零交叉的性質(zhì)進行邊緣定位;(2)確定一個像素是在邊緣暗的一邊還是亮的一邊.

高斯-拉普拉斯(LOG)算子

噪聲點對邊緣檢測有較大的影響，效果更好的邊緣檢測器是高斯-拉普拉斯(LOG)算子。它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平滑掉噪聲，再進行邊緣檢測，所以效果更好。高斯－拉普拉斯算子

考慮函數(shù):h的拉普拉斯算子(h關(guān)于r的二階導(dǎo)數(shù)):高斯型的拉普拉斯算子(LoG)模糊圖像用該函數(shù)對圖像進行平滑濾波,然后再應(yīng)用拉普拉斯算子.高斯型拉普拉斯算子

三維曲線圖像橫截面5×5的模板Cany算子 好的邊緣檢測算子應(yīng)具有的三個指標(1) 低失誤概率

既要少將真正的邊緣丟失也要少將非邊緣判為邊緣

(2) 高位置精度

檢測出的邊緣應(yīng)在真正的邊界上

(3) 對每個邊緣有唯一的響應(yīng)

得到的邊界為單象素寬

梯度算子邊緣檢測的MATLAB實現(xiàn)I=imread(‘cameraman.tif');BW1=edge(I,'sobel');%應(yīng)用Sobel算子進行濾波BW2=edge(I,'roberts');%應(yīng)用Roberts算子進行濾波BW3=edge(I,'prewitt');%應(yīng)用Prewitt算子進行濾波BW4=edge(I,'log');%應(yīng)用LOG算子進行濾波subplot(2,3,1),imshow(BW1)subplot(2,3,2),imshow(BW2)subplot(2,3,3),imshow(BW3)subplot(2,3,4),imshow(BW4)利用模板抽取的輪廓原始圖像Sobel利用模板抽取的輪廓原始圖像Prewitt利用模板抽取的輪廓原始圖像Roberts利用模板抽取的輪廓原始圖像LaplacianofGaussian利用模板抽取的輪廓原始圖像Canny算子比較

Roberts算子：Roberts算子利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟失一部分邊緣，同時由于圖像沒經(jīng)過平滑處理，因此不具備抑制噪聲的能力。該算子對具有陡峭邊緣且含噪聲少的圖像效果較好。

Sobel算子和Prewitt算子：都是對圖像先做加權(quán)平滑處理，然后再做微分運算，所不同的是平滑部分的權(quán)值有些差異，因此對噪聲具有一定的抑制能力，但不能完全排除檢測結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個算子邊緣定位效果不錯，但檢測出的邊緣容易出現(xiàn)多像素寬度。算子比較

Laplacian算子：是不依賴于邊緣方向的二階微分算子算子，對圖像中的階躍型邊緣點定位準確，該算子對噪聲非常敏感，它使噪聲成分得到加強，這兩個特性使得該算子容易