医学图像处理第19讲-图像分割(续)

医学图像处理

MedicalImageProcessing

人生的每一天都在胜负中度过，一切都以竞争形式出现。每天都是为在竞争中取胜，或者至少不败给对方而进行奋斗。因此若有一天懈怠，便要落后，要失败。人生就是这样严峻。

—大松博文主要内容：1图像分割概述；2基于边界的图像分割方法；3基于区域的图像分割方法；4

MATLAB图像分割；第十章图像分割*阈值分割的基本思想：假设图象是由具有不同灰度级的两类区域（目标与背景）组成。根据图像中要提取的目标与背景在灰度特性上的差异，选择一个合适的阈值，以确定图像中每一个像素应该属于目标区域还是背景区域，从而产生二值图像。阈值分割法的适用范围：适用于物体与背景有较强对比（明显差别）的情况，且要求背景或物体的灰度比较单一。基于区域的分割方法─阈值分割阈值分割举例：基于区域的分割方法─阈值分割原始图像阈值图像阈值的选取是阈值分割技术的关键。基于区域的分割方法─阈值分割阈值过小阈值过大确定阈值的常用方法：通过手动选取得到阈值；通过直方图得到阈值；通过迭代计算得到阈值；基于区域的分割方法─阈值分割通过手动选取得到阈值：基本思想：通过交互式手段进行阈值的选择，即时观察阈值分割后的效果，并根据结果对阈值进行调整；基于区域的分割方法─阈值分割通过直方图得到阈值：基本思想：如果假定一幅图像只由物体和背景两部分组成，则其灰度直方图会形成明显的双峰；在此情况下，选取双峰间的谷底处的灰度值T作为阈值，即可将物体和背景很好地分割开。基于区域的分割方法─阈值分割通过直方图得到阈值：举例：基于区域的分割方法─阈值分割通过直方图得到阈值：举例：基于区域的分割方法─阈值分割通过直方图得到阈值：举例：基于区域的分割方法─阈值分割通过直方图得到阈值：举例：基于区域的分割方法─阈值分割通过直方图得到阈值：双峰法的局限：直方图只表明图像中各个灰度级上有多少个像素，并不描述这些像素的任何位置信息。只根据直方图选择阈值不—定合适；还要结合图像内容和分割结果来确定。此外此法容易受到噪音的干扰，导致谷底最小值偏离期望值。改进方法：将图像经过梯度计算后，得到梯度图像的灰度直方图，再通过直方图的谷底，得到阈值T；基于区域的分割方法─阈值分割通过迭代计算得到阈值：基本思想：通过迭代的方法自动产生一个较适合的阈值；算法步骤：1、用图像的平均灰度值作为初始阈值T；2、使用T分割图像，产生两组像素：G1包括灰度级大于T的像素，G2包括灰度级小于等于T的像素；3、计算G1中像素的平均值并赋值给μ1，计算G2中像素的平均值并赋值给μ2；4、重新计算阈值：

T=（

1+2）/25、重复步骤2～4，直到

1和2不发生变化或者两次连续的T之间的差小于预先给定的值；基于区域的分割方法─阈值分割迭代阈值分割举例：基于区域的分割方法─阈值分割阈值分割的常用方法：简单全局阈值分割；半阈值分割；局部阈值分割；基于区域的分割方法─阈值分割简单全局阈值分割：基本思想：全局阈值是指整幅图像使用同一个阈值做分割处理，并产生一个二值图，区分出前景对象和背景。算法：用前述方法获得的阈值T，逐行扫描图像；凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0。基于区域的分割方法─阈值分割半阈值分割：基本思想：假如希望阈值分割后的图像只把图像的背景表示成黑色或白色，而图像中的物体仍为多值图像，可采用半阈值技术，把物体从背景中分离出来。基于区域的分割方法─阈值分割半阈值分割：举例：基于区域的分割方法─阈值分割局部阈值分割：基本思想：将图像分割为子图像，并分别进行阈值化处理，每个像素的阈值依赖于其在图像中的位置，因此又称为自适应（adaptive）阈值。基于区域的分割方法─阈值分割局部阈值分割：举例：不均匀的光照会使全局阈值方案失效基于区域的分割方法─阈值分割局部阈值分割：举例：对前面提到的图像进行自适应阈值后，图像得到了改善，但是需要对出错的图像进行进一步的细分，从而得到更好的效果基于区域的分割方法─阈值分割区域生长的基本思想：图像灰度阈值分割技术没有考虑到图像像素空间的连通性。区域生长比较相邻小区域特征的相似性，若它们足够相似，则作为同一区域合并，以此方式将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域。算法步骤：1、对每个需要分割的区域找一个种子像素作为生长的起点；2、将种子像素周围邻域（4邻域或8邻域）中与种子像素有相同或相似性质的像素合并到种子像素所在的区域内；3、把新加入的像素作为新的种子继续上面的过程，直到没有满足条件的像素可加入区域为止。基于区域的分割方法─区域生长区域生长举例：已知种子点：像素值为‘1’和‘5’的种子；相似性准则：像素与种子像素灰度差的绝对值小于阈值T；则（a）T=3，恰好分成两个区域；（b）T=1，有些像素无法判断；（c）T=6，整个图被分成一个区域。基于区域的分割方法─区域生长区域生长举例：已知种子点：像素值为‘6’的种子；相似性准则：相邻像素与种子像素灰度差的绝对值小于阈值T＝2；基于区域的分割方法─区域生长区域生长方法需要解决的主要问题：选择或确定一组能正确代表所需区域的种子像素有先验知识（如：军用红外图像中检测目标时，选最亮的像素作为种子）无先验知识（可根据直方图选取灰度中像素个数多的像素作为种子）确定在生长过程中能将相邻像素合并的准则具体问题相关（目标和背景的像素分布特点）像素间的连通性和邻近性制定让生长过程停止的条件或规则一般是没有满足生长的像素应考虑图像的局部性质（灰度）目标的全局性质（尺寸、形状等）基于区域的分割方法─区域生长区域生长的关键是选择合适的生长或相似性准则，最常用的相似性准则是基于区域灰度差；基本方法：种子像素的灰度值与邻域像素的差；改进方法（平均灰度均匀测度）：先合并具有相同灰度的像素，然后求出所有邻接区域间的平均灰度，若相邻像素的灰度值与平均灰度之差小于阈值，则将该像素合并，重复上述步骤直到没有区域合并。基于区域的分割方法─区域生长举例：设有一数字图像如图所示，分别选取种子点为1和7，平均灰度均匀测度度量中阈值T分别为3（邻近点的灰度级与先前区域的平均灰度级相差小于3），试进行区域增长。基于区域的分割方法─区域生长主要内容：1图像分割概述；2基于边界的图像分割方法；3基于区域的图像分割方法；4

MATLAB图像分割；第十章图像分割*微分算子边缘检测：MATLAB图像分割─边缘检测微分算子边缘检测函数edge()：语法：BW=edge(I,'sobel')

BW=edge(I,'sobel',thresh)

BW=edge(I,'sobel',thresh,direction)

[BW,thresh]=edge(I,'sobel',...)MATLAB图像分割─边缘检测举例：MATLAB图像分割─边缘检测f=imread('ice.png');subplot(2,2,1);imshow(f);title('原始图像');[g,t]=edge(f,'roberts',[],'both');subplot(2,2,2);imshow(g);title('Roberts算子分割结果');[g,t]=edge(f,'sobel',[],'both');subplot(2,2,3);imshow(g);title('Sobel算子分割结果');[g,t]=edge(f,'prewitt',[],'both');subplot(2,2,4);imshow(g);title('Prewitt算子分割结果');手动阈值分割：MATLAB图像分割─阈值分割clc;[I,map]=imread('eight.tif');imshow(I);figure;J=imhist(I);imhist(I);[M,N]=size(I);fori=1:1:Mforj=1:1:NifI(i,j)>200g(i,j)=0;elseg(i,j)=1;

end

endendfigure;imshow(g);迭代阈值分割：MATLAB图像分割─阈值分割f=imread('rice.png');subplot(1,2,1);imshow(f);title('原始图像');f=double(f);T=(min(f(:))+max(f(:)))/2;done=false;i=0;while~doner1=find(f<=T);r2=find(f>T);Tnew=(mean(f(r1))+mean(f(r2)))/2;done=abs(Tnew-T)<1;T=Tnew;i=i+1;