科技信息
高校理科研究
图像分割方法及其应用研究
上海理工大学医疗器械与食品学பைடு நூலகம் 李 丹
［摘 要］本文主要介绍了图像分割的一种常用方法—— —基于阈值的图像分割方法及其存在的问题和最新进展，同时介绍了以肺 CT 图为例应用迭代法分割出肺实质，最后指出了图像分割技术的应用现状及发展趋势。 ［关键词］图像分割 医学图像 迭代分割
参考文献 ［1］安宁,林树忠,刘海华,崔慧.图像处理方法研究及其应用［J］.仪器 仪表报,2006,27(6):792- 794. ［2］李强.图像分割中的阈值法研究［J］.铜仁职业技术学院学报（自 然科学版）,2008, Vol.6.No.6:52- 54. ［3］罗渝兰,王景熙,郑昌琼. 图像分割在生物医学工程中的应用.计 算机应用［J］, 2002, Vol.22,No.8:20- 22. ［4］张桂林,陈益新,李强等.基于灰度与边缘的图像分割方法［J］.华 中理工大学学报,1994(5). ［5］赵春燕,时秀芳,闫长青.图像分割综述.中国科技信息.2009(1): 42- 43. ［6］Fan, Sophie Jiu Xiao.Edge based region growing- A new image segmentation method ［A］.Proceedings VR CAI2004- ACM SIGGR APH International Conference on Virtual R eality Continuum and its Applications in Industry,2004:302- 305.
— ４９８ —
分割方法的阈值确定主要依赖于灰度直方图，而很少考虑图像中像素的 空间位置关系。因此当背景复杂，特别在同一背景上重叠出现若干个研 究目标时，容易丧失部分边界信息，造成分割的不完整［４］。在含有强噪声 干扰时，阈值分割方法也不能取得令人满意的分割结果。
３．迭代法进行肺 ＣＴ 图像分割 迭代法基于最优逼近的思想，通过迭代的过程选择一个最佳阈值， 实现图像的分割。其基本算法如下： 统计图像中各像素灰度的最大值和最小值，分别记为 Ｇｍａｘ 和 Ｇｍｉｎ， 置迭代控制变量 ｋ＝０，令阈值 Ｔｋ＝（Ｇｍａｘ＋Ｇｍｉｎ）／２，并将其作为初始阈值； 根据阈值 Ｔｋ 将图像分割为目标和背景区域，分别求出两区域的平 均灰度值为 Ｍ０ 和 Ｍ１； 令迭代控制变量 ｋ＝ｋ＋１，求出新的迭代阈值 Ｔｋ＋１＝（Ｍ０＋Ｍ１）／２； 若 Ｔｋ＋１＝Ｔｋ，则终止迭代，Ｔｋ＋１ 即为所得阈值，否则继续迭代。 迭代法本质上是一种简单的两均值聚类技术，每一次迭代对应的 目标和背景区域的均值 Ｍ０、Ｍ１ 分别为相应的聚类中心，而分割阈值 Ｔｋ 与 Ｍ０ 和 Ｍ１ 的距离分别为各自聚类半径，以两区域均值基本不变时的 阈值作为迭代法最终分割阈值，完成图像分割。 如图 １ 即为肺 ＣＴ 图用迭代法分割出肺实质的结果。
（１）原始肺部 ＣＴ 图像 （２）一维灰度直方图 （３）迭代法分割结果 图 １ 迭代法分割
对于直方图呈现双峰形状且峰谷特征比较明显的图像，迭代方法 可以较快收敛到满意结果，此时迭代所得的阈值分割图像结果很好，能 较好区分图像的前景和背景的主要区域，但是对于图像直方图双峰特 征不明显，或目标和背景比例差异悬殊情况下分割效果可能不理想。对 某些特定图像，迭代过程中微小数据的变化甚至会引起分割结果的巨 大变化，导致分割失效，这是由非线性迭代系统对初始条件的敏感性也 即俗称的“蝴蝶效应”造成的。
１．前言 近年来医学图像分割由于其在图像处理领域的应用价值，开始作为 一个重要的课题受到研究者的重视。医学图像分割是医学图像处理分 析和计算机视觉中一个关键步骤，也是其它高级医学图像分析和解释 系统的核心组成部分。医学图像的分割其目的是根据某些特征（如灰度 级、频谱、纹理等）将一幅图像分成若干有意义的区域，使得这些特征在 某一区域内表现一致或相似，而在不同区域间表现出明显的不同。也就 为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得 更高层的医学图像理解和诊断成为可能。 对于模式识别上的应用，理想的分割结果应该是：不考虑物体对象 内部的细节与微小的颜色变化，把一个物体对象只表示为一个或少数几 个分割区域［１］。从本质上讲，图像分割是一个基于某些属性对像素进行 分类的过程，因此对像素进行聚类分析是一种可行的思路。图像分割问 题可以等效为图像灰度等属性的无监督分类，分类的一个关键是如何定 义属性一致性准则。通常选用的属性一致准则有：灰度一致性，纹理的统 计特征一致性等。 医学图像分割在医学研究与实践领域中有着广泛的应用和研究价 值，具体表现有以下几个方面：（１）提取感兴趣区域，便于医学图像的分 析和识别。（２）测量人体器官、组织或病灶的尺寸、体积或容积，有助于医 生诊断、随访或修订对病人的治疗方案；（３）医学图像的三维重建和可 视化。（４）用于在保持关键信息的前提下进行数据压缩和传输。这在远程 医疗中对实现医学图像的高效传输具有重要的价值；（５）用于基于内容 的医学图像数据库检索研究。 ２．基于阈值的分割方法 阈值法作为一种古老的图像分割方法，因其实现简单、计算量相对 较小、性能较稳定已经成为图像分割中最基本和应用最广泛的分割技 术之一。 对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围 之中的灰度阈值，然后将图像中各个像素的灰度值与之相比较，灰度值 大于阈值的像素为一类，灰度值小于阈值的像素为另一类。这两类像素 一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看 出，确定一个最优阈值是分割的关键，阈值分割实质上就是按照某个准 则求出最佳阈值的过程。为了提高图像中感兴趣目标和背景的分割精 度和效率，目前人们运用信息熵、最优化方法、模糊集合论、数学形态 学、小波变换等数学理论或工具发展了各种各样的基于直方图统计特 征的阈值选取和分割技术，现有的大部分算法都集中在阈值确定的研究 上。 阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对 于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度 差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动 态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不 考虑空间特征，因而对噪声很敏感［２］。在运用阈值法进行图像分割的过 程中由于每个像素的所属类别只依赖于它的数值，能够实现并行的快速 实时操作，这使得阈值法常常作为关键的预处理步骤被用在各种图像 处理过程之中。 常见的图像阈值分割方法有： （１）单阈值法，用一个全局阈值区分背景和目标。当一幅图像的直方 图具有明显的双峰时，选择两峰之间的谷底作为阈值，可获得良好的分 割效果。大多数图像直方图变化多样，很少表现为明显的双峰。此时用单 阈值法，效果不佳。 （２）双阈值法，用两个阈值区分背景和目标。双阈值法是对单阈值法 的改进，通过设置两个阈值，以防单阈值设置阈值过高或过低，把目标像 素误归为背景像素或把背景像素误归为目标像素。 （３）多阈值法，当存在照明不均，突发噪声等因素或背景灰度变化较 大时，整幅图像不存在合适的单一阈值，单一阈值不能兼顾图像不同区 域的具体情况，这时可将图像分块处理，对每一块设一个阈值。因此，多阈 值法又称为动态阈值法和自适应阈值法。这种算法的时间和空间复杂 度比较大，但抗干扰能力较强，对采用全局阈值不容易分割的图像有较 好的效果。阈值分割方法的关键是如何合理地选择阈值。最常用方法是 利用灰度直方图求双峰或多峰，选择两峰之间的谷底作为阈值［３］。阈值
４．结论 从图像分割研究的历史来看，可以看到对图像分割的研究有几个明 显的趋势：一是对原有算法的不断改进。二是新方法、新概念的引入和多 种方法的有效综合运用。人们逐渐认识到现有的任何一种单独的图像 分割算法都难以对一般图像取得令人满意的分割效果，因而很多人在把 新方法和新概念不断的引入图像分割领域的同时，也更加重视把各种方 法综合起来运用［５］。例如新加坡南洋科技大学的 Ｆａｎ．ｓｏｐｈｉｅ 等提出的将 边缘检测与区域生长法结合的基于区域生长的边缘分割方法［６］。总之图 像分割是数字图像处理中的关键技术之一， 是进一步进行图像识别、分 析和理解的基础。随着实际应用的需要，对图像分割方法进行深入的研 究，不断改进原有方法，提出新方法具有重要的意义。