论文部分内容阅读
医学图像分割是现代图像分割技术的重要分支,其结果的好坏对后续的组织结构分解、病情诊断、手术实施等环节有着关键的影响。与自然图像分割相比,医学图像分割的效果往往与具体应用、成像模态和身体部位等因素相关,是一个更加复杂的问题。很多在自然图像分割中效果较好的算法在医学图像分割中存在欠分割和过分割等问题,不能很好地移植到医学图像分割领域。因此,有必要针对具体的应用场景、成像模态和身体部位,研究特定的分割算法。本文重点对多阈值分割算法进行了研究,并做了如下两方面的工作。(1)针对医学伪影对分割算法性能的影响,本文设计了一种基于模糊Kapur熵的多阈值图像分割算法FKMTS(Fuzzy Kapur entropy based Multi-Threshold image Segmentation algorithm)。FKMTS引入了模糊Kapur熵,可以有效解决组织结构边界模糊的问题。另外,FKMTS还采用了改进的量子粒子群算法来寻找最优的分割阈值组。仿真实验结果证明,FKMTS在性能上总体优于Otsu算法和最大Kapur熵算法。(2)传统阈值分割算法在组织结构中容易产生噪声和孤立区块。针对此类问题,本文设计了一种基于邻域信息的模糊Kapur熵多阈值图像分割算法FKNMTS(Fuzzy Kapur entropy and Neighborhood information based Multi-Threshold image segmentation algorithm)。FKNMTS算法在FKMTS的基础上,为像素分配了不同分割区域的隶属度,并对像素及其邻域像素的隶属度进行了聚合,从而提升了邻域空间内像素隶属度的关联性。仿真实验结果证明,FKNMTS算法在多尺度结构相似性和峰值信噪比方面比FKMTS算法有了进一步的提升。