基于VC++的图像阈值分割与轮廓提取技术的研究与实现

摘要：目前，随着计算机图像处理技术的飞速发展，医学图像分割技术在医疗诊断中的应用也越来越广泛。本文分析了区域的图像分割算法，提出了结合距离正则化的水平集演化模型的自适应算法，基于vc++6.0软件对人体心脏核磁共振图像进行了仿真实验分析。

关键词：图像分割；医学图像；仿真实验

中图分类号：tp391.41 文献标识码：a 文章编号：1007-9599 （2012） 24-0028-03

1 基于区域的图像分割算法概述 1.1 阈值分割算法

阈值分割算法具有多种优点，包括简单便捷、性能高效等，对于目标背景与灰度级之间存在明显差异的图像来说，图像分割的效果比较理想。阈值分割算法的应用首先要对图像进行部分预处理，为后期图像分割提供相关准备。阈值分割算法在医学图像分割中经常用于身体骨骼、皮肤组织等医学图像。但是，阈值分割算法也存在部分缺点，如果将阈值分割应用于灰度值差异不够明显，以及图像中噪声分布不均匀的图像中，其效果却不尽理想。而且，阈值的选取对于医学图像的分割起着决定性作用，因此，阈值的选取也是至关重要的步骤。

1.2 区域生长及分裂合并算法

区域生长算法的特点是图像分割步骤简单，经常用于对医学图像

中的小部分组织进行图像分割，例如肿瘤分割、伤疤分割等等。如果将区域生长算法与其他算法结合应用，将会达到事半功倍的分割效果。区域生长算法的缺点是其对于图像噪声极为敏感，而且需要人工手动得到种子点。区域分裂合并算法与区域生长算法的理念不尽相同，区域分裂合并算法是通过对图像的不断分裂得到图像的各个区域，这些区域之间具有一定的关联性，各个区域中相邻的部分根据合并准则完成合并。 1.3 分类器及聚类算法

分类器包括参数分类器与非参数分类器两种。典型的非参数分类器有parzen窗、k近邻等；而贝叶斯分类器为参数分类器的典型代表。分类器的优点较多，包括能够有效降低算法的计算量，也不需要进行迭代运算，从而提高算法效率等等。分类器算法能够应用于多通道医学图像分割，但是，由于分类器算法没有完全考虑到图像的空间信息，因此，分类器算法应用于灰度分布不够均匀的医学图像中效果较差。聚类算法与分类器算法具有较高的相似性，它是通过迭代计算将图像进行分类，再提取出图像不同部分的特征，属于自我训练算法的类型。聚类算法包括em算法、模糊均值算法和分层聚类算法等等。

2 结合距离正则化的水平集演化模型的自适应算法 2.1 距离正则化的水平集演化模型

目前，测地线活动轮廓模型已经广泛应用于计算机图像处理和视觉处理相关领域，以及与图像分割算法的结合应用。测地线活动轮

廓模型最终将图像轮廓作为高维隐式函数的零水平集，以偏微分方程进行驱动，得到零水平集方程的演化。

测地线活动轮廓模型是在演化中能够处理图像曲线的分裂与合并，其得到的水平及方程值数确切可靠。但是，测地线活动轮廓模型的水平集函数不能够保证在演化过程中为带符号的距离函数。当测地线活动轮廓模型与距离函数相互偏离的时候，部分水平集函数的绝对值远远大于1，进而容易出现尖峰和深谷等情况，或者由于水平集函数的绝对值远远小于1，容易出现计算数值不再稳定的情况。因此，在完成了多次水平集函数迭代更新计算之后，重新进行初始化使得水平集函数保持为目前的距离符号函数，这种行为不但增加了算法的复杂程度，也对算法数值计算造成一定影响。 为了有效解决上述问题，逐渐提出了基于变分水平及的算法思想，测地线活动轮廓模型通过增加惩罚项使其在演化的过程中，始终能够存在于符号距离函数附近，省去了算法的初始化处理过程，真正提高了算法的效率。但是，测地线活动轮廓模型通过增加惩罚项会使得扩散率不断提升，因此，可以通过改变惩罚项函数的方法来减少扩散率的提升。此算法模型即为距离正则化的水平集演化模型，通过对模型惩罚项中的函数进行改进，能够使扩散率始终保持为常数，大大提高了计算数值的准确性。 2.2 距离正则化的水平集演化模型改进

距离正则化的水平集演化模型具有多种优点，包括算法计算数值稳定准确、不需要进行初始化处理等等。因此，距离正则化的水平