⭕⭕ 目 录 ⭕⭕
- ✳️ 一、引言
- ✳️ 二、区域生长原理
- ✳️ 三、基于阈值预分割的区域生长算法
- ✳️ 四、确定生长准则
- ✳️ 五、实验结果
- ✳️ 六、参考文献
- ✳️ 七、Matlab代码获取
✳️ 一、引言
在区域分割处理技术之中,又包含有区域生长分割技术以及区域分裂合并分割技术。在此次研究过程中,所应用到的具体技术属于区域生长分割技术,该种技术主要是实现建立相应的生长准则,把相近的区域范围相互结合,使之转变为相对大范围区域。此种技术的理念为选取一个合适的像素点作为种子点,依据提前定义的生长准则,选出满足这一准则的像素点,并将它们合并起来的过程。该算法所拥有的优势为进行实际计算过程相对便捷,不过却需要应用相对多的人工作业。在此部分研究时,会把该项分割处理方法所拥有的诸多优势利用区域生长法和分水岭图像分割算法的研究和改进,提出一种可行且有效的肝部 CT 图片分割算法。
✳️ 二、区域生长原理
区域生长( Region Growing)的原理为根据提前制定的生长准则把相似区域合成大区域,方法是从相似区域的种子点开始,将种子点的邻域像素附加到种子点上,形成新的区域并重新确定新的种子点继续合并邻近的像素,直到没有符合条件的新像素点为止。其中种子点的选择和生长准则的确定是区域生长的两个关键因素。种子点选择位置错误,很容易导致图像分割结果失败,生长准则不准确也会使分割结果不理想。
传统的区域生长算法种子点的选择需要人工的参与,需要医生具备较高的医学知识和临床经验才能确保种子点位置的正确选择。根据灰度差准则的方法确定生长规则,假设已经图像分割的像素灰度平均值为 ,当前元素灰度值为y,若满足 则合并,并且更新 ,其中𝑇为阈值, 𝑛为已经合并的元素个数;否则不合并。区域生长阈值计算如公式所示:
其中a为区域的灰度值, (𝑥, 𝑦)表示种子点坐标值, 𝑓(𝑥, 𝑦)表示像素点(𝑥, 𝑦)的灰度值。最终阈值表示为𝑇 = 2σ。下面给出一个区域生长算法的示例如图1所示。
其中图1 (a)是需分割的图像,假设(𝟏)和(𝟓)是不同的种子像素位置,若是与之临近像素对应灰度大小绝对值和阈值对比较小时,则将这一区域划分至种子像素对应范围之中。图1 (b)之中代表了在阈值𝑇 = 3情况下对应的分割处理结果,图像明显的划分为两个不同区域;可图1 ©之中代表了在阈值𝑇 = 2情况下对应的分割处理结果,在该图像之中一些像素不能被准确的辨别;图1 (d)之中代表了在阈值𝑇 = 7情况下对应的分割处理结果,此种情况下图像划分为一个区域。
由实例可以看出,选择正确的种子点以及合适的生长准则对区域生长最终分割结果有明显的影响。种子点选择正确,但生长准则阈值选择过小,会造成欠分割现象。反之阈值选择过大就会造成过分割现象。若是首先把种子点选择错误,那么无论选择怎样的生长准则分割结果都会不理想。由此可知,种子点的选择和生长准则的确定对区域生长算法很重要。
✳️ 三、基于阈值预分割的区域生长算法
腹部 CT 图像中经常有大量的噪声影响对肝脏完整的分割。首先完成对图像的预处理工作,目的是进行降噪处理。其次腹部CT图像中肝脏组织面积占图像总面积比例较大,根据这一现象来实现种子点的自动快速准确定位。采用基于标记的分水岭算法确定生长准则中阈值的选取。本章节采用合理的种子点和正确的生长准则,来实现肝脏组织的完整分割。对分割后的结果进行图像后处理,来消除分割结果中存在有孔洞的现象。肝脏 CT 图像分割算法流程图如图2所示。
量子噪声以及检测设备噪声等多种类型的噪声均会使得 CT 检测过程中所得图像会产生相应噪声干扰问题。图像预处理中滤波方法可以有效地降低或消除 CT 图像中的噪声,经过滤波预处理的肝脏 CT 图像会变得平滑,大幅度提高了图像的质量,为下一步肝脏 CT 图像的分割打好基础。
✳️ 四、确定生长准则
在进行准则实际确定过程中,同样会对最终分割结果产生一定影响。生长准则是否合理决定着图像最终分割效果的好坏。如果选择合理不仅可以降低算法的运行时间,还可以增强区域生长算法分割结果的正确率。基于置信连接方法的生长准则是最常见的生长准则方法,考虑到肝脏 CT 图像的特点,本章节采用具体准则属于置信连接准则。其是首先设定相应的区域范围,然后针对所设定范围对应灰度均值大小以及方差大小加以计算,再将参数 f 值和所计算得出标准差值相乘,便能够得出相应的相似灰度对应具体范围,如公式所示:
公式中: m 以及σ代表的为所设定具体范围之中对应的灰度均值大小以及对应灰度标准差数值大小; f代表的为自定义系数值大小; I 代表的是对应图像; x 代表的为临近区域对应像素值大小。若是相邻的区域对应灰度其均值大小和方差值大小处于所计算范围之中,则此区域同样被划入至目标范围之中,然后将这一范围最为初始选定范围重复上述过程,在不存在新增加像素情况下便停止计算。
采用上述算法能够有效降低人工计算工作量,确保分割处理效率以及精度等均有所改善。生长准则图如图3所示。
✳️ 五、实验结果
通过利用此次优化之后区域生长图像分割处理技术针对 CT 图像进行分割处理,所得相应分割图像如图7所示
由区域生长算法实现肝脏图像分割的结果图能够得到通过利用此次所优化之后区域生长图像分割处理技术针对 CT 图像进行分割处理,可以分割出来相对完整的肝脏组织图像。这也验证了种子点选择和生长准则方法的改进不仅有效而且可行。
✳️ 六、参考文献
[1] 李仔麒,马慧彬,李殿奎,范蕊.改进区域生长法的肝部 CT 图像 ROI 提取[J].计算机技术与发展,2019,29(01):150-153.
[2] 张辉,闫谦时.CT 图像中肝脏自动分割算法研究[J].电脑知识与技术,2017,13(30):184-187.
✳️ 七、Matlab代码获取
上述实例由Matlab代码实现,可私信博主获取该Matlab代码。
博主简介:研究方向涉及智能图像处理、深度学习等领域,先后发表过多篇SCI论文,在科研方面经验丰富。任何与算法、程序、科研方面的问题,均可私信交流讨论。