文档介绍：基于水平集方法的脑部MR图像分割算法
报告人:刘苗苗
指导老师:黎宁
研究意义
算法介绍
实验结果
总结与展望
研究意义
脑部MR图像分割是医学图像处理的重要组成部分,它是脑部图像引导手术、肿瘤放射治疗、治疗评估等应用研究的基础。
水平集方法是将物体轮廓边界曲线隐含在水平集函数中,仅仅依靠曲线的几何特征如:曲率和法向量,来演化水平集函数,很自然的实现物体拓扑变化。因此,水平集方法被广泛地用于非刚性物体的分割中
1)水平集方法要求对整个图像定义域中所有点的水平集函数进行更新,而且需要重新初始化水平集函数,因此其计算复杂度高。
2)如果任意给定初始演化曲线将会大大增加迭代时间,也提高计算的复杂程度,同时,轮廓过大或过小都会造成演化曲线不能很好地收敛至目标轮廓。
存在问题
提出方案
预分割-快速均值漂移算法
改进无需重新初始化的水平集方法
后期分割-改进的水平集方法
强化弱边缘的轮廓提取
基于水平集方法的脑部MR图像分割算法
算法介绍
快速均值漂移算法
水平集方法
无需重新初始化的水平集方法
改进的水平集方法
快速均值漂移算法(Fast Mean Shift)
Zhang K, Tang M, Kwok J.
“Applying Neighborhood Consistency for Fast Clustering and Kernel Density Estimation”
Computer Vision and Pattern Recognition.
2005:2,1001~1007
快速均值漂移算法具体应用
FMS的均值漂移向量:
具体步骤
选择第一个像素灰度值为,则;
计算与的欧氏距离,如果,则把该像素分为类,继续下一像素的计算;
如果,则把定义为新的聚类中心,即: ,并将继续下一个像素的计算;
分类结束时,按照下式进行更新;
对按照下式:
开始迭代,其中最后收敛点记为
对收敛点进行合并, 如果
则将,两类合并,其中为合并阈值。
用Fast Mean Shift对图像进行分割,容易产生图像的过度分割。然而所要提取的区域的边缘被包含在已产生的过度分割图中。因此我们采用水平集方法对过分割图进行处理,以获得准确的分割图像。