广州网站推广策划,wordpress 注册简码,网站收录查询网,长春建站模板评测完整的论文代码见文章末尾 以下为部分内容
摘要
本研究旨在针对大脑核磁图像中的黑色腔体进行有效分割#xff0c;以提供可靠的腔体定位和分析。为此#xff0c;采用了三种常用的图像分割方法#xff1a;8邻域区域生长法、Canny算子边缘检测和8邻域边界跟踪法。
首先以提供可靠的腔体定位和分析。为此采用了三种常用的图像分割方法8邻域区域生长法、Canny算子边缘检测和8邻域边界跟踪法。
首先应用8邻域区域生长法来识别具有相似性质的像素并将其合并为腔体区域。该方法基于种子点的选择和与相邻像素的相似性判断能够快速而准确地生成初步的腔体分割结果。
其次运用Canny算子边缘检测方法通过计算图像梯度和非极大值抑制实现对腔体边缘的精细检测。该算法能够提取出清晰的边缘信息对于复杂的腔体结构有较好的适应性。
最后采用8邻域边界跟踪法对初步分割得到的腔体边缘进行追踪从起始点开始形成闭合的边界线。该方法通过遍历邻域像素点递归地跟踪边界并生成完整的腔体轮廓。
通过对比实验结果本文对三种方法在黑色腔体分割方面的优劣进行了分析。基于分割准确性、计算效率和鲁棒性等因素我们提出了最佳的分割策略以获得最优的黑色腔体分割结果。
本研究的成果对于大脑核磁图像的进一步分析和诊断具有重要意义为相关领域的研究和应用提供了有力支持。
关键词 大脑核磁图像、分割、8邻域区域生长法、Canny算子边缘检测、8邻域边界跟踪法、优化策略
实现原理
邻域区域生长法
区域生长是指从某个像素出发按照一定的准则逐步加入邻近像素当满足一定的条件时区域生长终止。区域生长的好坏决定于1.初始点(种子点)的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发最后得到整个区域进而实现目标的提取。
简单来说下三个法则对出需要分割的图像
选取图像中的一点为种子点(种子点的选取需要具体情况具体分析)。在种子点处进行8邻域或4邻域扩展判定准则是:如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T则将该像素包括进种子像素所在的区域。当不再有像素满足加入这个区域的准则时区域生长停止。 canny算子边缘检测
Canny边缘检测算法可以分为以下5个步骤
使用高斯滤波器以平滑图像滤除噪声。计算图像中每个像素点的梯度强度和方向。应用非极大值Non-MaximumSuppression抑制以消除边缘检测带来的杂散响应。应用双阈值Double-Threshold检测来确定真实的和潜在的边缘。通过抑制孤立的弱边缘最终完成边缘检测。
为了尽可能减少噪声对边缘检测结果的影响所以必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像使用高斯滤波器与图像进行卷积该步骤将平滑图像以减少边缘检测器上明显的噪声影响。大小为(2k1)x(2k1)的高斯滤波器核的生成方程式由下式给出 本节代码展示
clear;
img_src imread(brain.jpg);
img_gray rgb2gray(img_src);
img_int img_gray(600:1000,700:1400); %截取图片
imshow(img_int);
img_int smoothdata(img_int,gaussian,10);his imhist(img_int); %统计灰度直方图
[x,y] size(img_int);
thd getOSTUThreshold(his); %获取大津法阈值
img_bw zeros(x,y);
for i 1:x %二值化for k 1:yif img_int(i,k) thdimg_bw(i,k) 255;elseimg_bw(i,k) 0;endend
end SE strel(rectangle,[50 50]); %创建结构矩阵
img_bw imdilate(img_bw,SE); %图像腐蚀´
img_bw imerode(img_bw,SE); %图像膨胀
img_bw 255 - img_bw; %图像反转
img_bw bwareaopen(img_bw,10000,8);% 去除小面积连通域
img_edge edge(img_bw,canny); %canny算子检测边界
SE strel(rectangle,[5 5]);
img_edge imerode(img_edge,SE); %对边界进行膨胀
imshow(img_edge);for i 1:x %在原图中显示for k 1:yif img_edge(i,k) 1img_src(i 600,k 700) 255;endend
end
imshow(img_src);
function thd getOSTUThreshold(his)
sum 0; %个数和
valueSum 0; %值的和
g 0; %类间方差
g_per 0;
low 0; %w1小于阈值的点数占比
high 0;
ave_low 0; %u1小于阈值的值的平均
ave_high 0;
min 1; %存在的最小灰度值
max 256;
sum_low zeros(256); %存放低于阈值的像素点数总和用于计算平均灰度sum_low_val zeros(256); %存放低于阈值的像素值总和for i 1:256 %寻找存在的最小灰度值if his(i) 0min i;elsebreak;end
endfor i 0:255 %寻找存在的最大灰度值if his(256 - i) 0max 256 - i;elsebreak;end
endfor i min1:maxsum sum his(i - 1);valueSum valueSum his(i - 1)*(i - 1);sum_low(i) sum;sum_low_val(i) valueSum;
endfor i min1:maxlow sum_low(i) / sum;high 1- low;ave_low (sum_low_val(i) / sum_low(i));ave_high ((valueSum - sum_low_val(i)) / (sum - sum_low(i)));g (low * high * (ave_low - ave_high) * (ave_low - ave_high));if g g_perg_per g;thd i;elsebreak;endendend
邻域边界跟踪法
该算法基于以下原理边界像素通常具有与其邻域像素明显不同的属性例如亮度、颜色或纹理等。通过比较像素之间的差异我们可以识别出边界。
下面是邻域边界跟踪法的基本步骤
选择一个起始点作为边界的一部分。
检查当前像素的邻域像素例如上、下、左、右四个方向。 根据预定义的条件判断当前像素是否属于边界。这些条件可以是像素灰度差异、颜色差异或梯度值等。
如果当前像素符合条件则将其标记为边界点并将其添加到边界集合中。
移动到下一个邻域像素重复步骤3和步骤4直到回到起始点或无法找到满足条件的邻域像素。
如果回到起始点则边界跟踪完成否则选择一个新的起始点并重复步骤2到步骤5直到图像中的所有边界都被跟踪完毕。
通过这种方式我们可以在图像中获取连通的边界像素并将它们组织成边缘。通常边界跟踪算法会将边界像素连接起来形成封闭的边缘。 结果对比
在方法1中原本的思路是每次在灰度图中选去一个点来进行种子生长但每次选取的位置不同会出现意料之外的事比如选择了腔体内的点结果生长的区域却在腔体外。因此为了实现功能最后选择了一个固定的点来进行种子生长相应地种子生长在错误区域的情况也并没有发生较好地完成了实验。
在方法2中采用传统的图像处理方法先对原图像进行一系列图像增强的操作再利用图像形态学的知识对其进行分割最后用边缘检测算子提取边界。对比二者结果来看区域生长方法提取的边界更贴合目标但边缘相对来说不够平滑还是有待改进而传统算子提取的边界由于一些部分的灰度值是缓慢变化的效果不够理想如粉色圈出的部分。
传统算子提取的边界 区域生长提取的边界
方法三中由于二值化后没有进行平滑滤波以及闭操作出来的边界也呈现出锯齿状。但因为二值化阈值为人工选取所以不会出现区域不连通等情况且边界与原图的匹配性也很好。而且可以发现对模糊大图像进行处理时先将图像缩小进行计算再将结果进行放大是没有什么影响的反而可以提高计算的效率。
论文 代码 获取方式
点这里 只需要一点点辛苦费。
