一种改良型医学图像分离式分割算法

1 分水岭算法

分水岭中的经典模型是浸没模拟，首先在各个极小区域的底部打一个小孔，让泉水从小孔中涌出，并慢慢淹没极小区域周围的区域，那些被极小区域波及的范围，即是相应的集水盆地。不同区域的水流相遇时的界限，就是期望得到的分水岭。而这些积水盆地则分别对应于待分割图像中的均匀、一致的区域。但是由于受噪声和物体本身内部细密纹理的影响，使的传统分水岭算法会产生大量没有意义的小区域，导致真实目标难以识别。针对这一不足以及结合医学图像特点，本文提出一种基于标记提取和区域合并的医学图像分水岭分割算法。

2 基于标记提取和区域合并的医学图像分水岭分割算法

本文以分水岭变换作为分界线，将分割流程划分为预处理初级分割阶段与后期合并高级分割阶段。

2.1 预处理初级分割阶段
形态学算子因具有简化图像结构、保留重要形状特征以及消除不相关性的特点，本文通过在计算梯度幅值之前，对图像进行非线性的自适应多尺度形态学滤波预处理，滤除强噪声污染的同时保留边缘特征；然后采用多尺度的形态梯度算子求的梯度图像，对图像进行标记提取处理，在分水岭变换之前大大减少梯度图像中的伪局部极小值点，从而从根源上减少过分割过分割区域，预处理初级分割阶段主要包括多尺度形态学滤波、多尺度形态学梯度、自适应标记提取、分水岭变换。

2.1.1 应多尺 形态学滤波
形态学滤波的基础是膨胀、腐蚀、形态开运算、形态闭运算以及它们的组合运算。形态学的开运算能去掉图像上与结构元素的形态不相吻的相对亮的分布结构；而闭运算则能填充图像上与结构元素不相吻合的相对暗的分布结构，因此他们都可以用来有效的提取特征和平滑图像，顺序对图像进行开运算与闭运算，组成开闭滤波器，能获得更好的去噪效果。
因开闭滤波器是单一尺度的形态滤波器，它的性能与结构元素的尺度密切相关，小尺度的结构元素去除噪声能力弱，但能得到较好的边缘细节信息；大尺度去除噪声能力强，但在去噪的同时会造成部分边缘细节信息的丢失，而医学图像的边缘细节是分析病情与临床诊断的关键。针对这一不足，本文将大小尺寸结合起来，提出了一种多尺度结构元素数学形态学滤波，多尺度形态学滤波基本思想是通过不同尺度的结构元素滤除噪声强度不同，得到不同的滤波图像，选择适当的权值，将不同尺度下的滤波图合并起来。............

2.2 后期合并高级分割阶段
经过预处理初级分割后的图像，一定程度上抑制了过分割现象，但经过分水岭分割后，还会产生一些细小的无意义区域，需要进一步区域合并，以便得到有意义的分割结果。本文结合医学图像特点，提出一种基于邻接图的区域灰度相似性与边界相似性相结合的判别函数作为两个相邻区域是否合并的准则。

2.3 本文算法实验步骤
基于上述讨论，改进的医学图像分水岭算法的主要步骤如下：步骤1读入待检测医学图像。步骤2利用自适应多尺度形态学滤波对图像进行去噪处理。步骤 3 对经过去噪处理后的图像，进行多尺度形态学梯度计算，为自适应标记提取提供基础数据。步骤 4 对通过步骤(3)获得梯度图像，进行自适应标记提取处理，消除深度小于 H 的局部极小值，进一步抑制过分割现象。步骤 5 对预处理后的图像，进行分水岭变换处理，获得分割结。步骤 6 对通过分水岭变换获得分割区域，通过区域相似性图2(d)与图 2(c)相比，无用小区域信息得到较大程度的抑制，但是在假体上方与股骨周围还是存在部分无用区域以及存在部分边缘信息被模糊现象；图 2(e)过分割现象得到较好的抑制，轮廓边缘比较清晰，分割准确。与边界相似性合并准则进行区域合并，合并细小区域，获得最终分割结果。

3 实验及结果分析
为了验证本文算法的有效性与性能，本文使用：CPU为Pentium(R) Dual 1.73GHz, 内存为 2GB 的硬件平台，在Matlab 7.0 的编程环境下实现上述算法，以河南省洛阳市东方医院提供的 128 排高清臀部与股骨 CT 图像作为测试图像，图像大小为 512×512，分别以随机抽取的未加噪声的原始臀部与股骨图和加了高斯噪声处理的臀部与股骨图作为被测试对象进行分析，分别采用传统分水岭算法、文献改进分水岭算法、文献[3]改进分水岭算法，本文算法进行图像的分割。

3.1 原始臀部与股骨 CT 图像分割结果分析
图 2(a)为原始臀部与股骨图，从分割结果图可以看出，图 2(b)过分割现象严重，仅高亮度假体区域得到部分有效分割；图 2(c)过分割现象得到一定程度抑制，但是还是存在大量无用小区域信息，不能有效区分假体与股骨部分；图2(d)与图 2(c)相比，无用小区域信息得到较大程度的抑制，但是在假体上方与股骨周围还是存在部分无用区域以及存在部分边缘信息被模糊现象；图 2(e)过分割现象得到较好的抑制，轮廓边缘比较清晰，分割准确。

3.2 强噪声处理的臀部与股骨 CT 图像分割结果分析
图 3(a)为含高斯噪声处理的臀部与股骨图，从分割结果图可以看出，图 3(b)过分割现象严重，导致假体与股骨都已经不能识别；图 3(c)分水岭变换后，还是存在大量无用小区域信息，目标物体没有得到有效分割；图 3(d)过分割现象得到部分抑制，但是在假体与股骨周围还是存在较多的无用区域，导致假体与股骨不能得到有效的识别；图 3(e)对目标边缘的提取基本完整，过分割现象得到较好的抑制。
通过原始臀部与股骨图（图2）和含强噪声臀部与股骨图（图 3）分割结果图比对，可以发现，由于医学图像存在灰度对比度低、边缘不均匀以及易受噪声污染等特点，导致直接采用分水岭算法分割，过分割现象严重，无法识别分割物体；文献改进的分水岭算法，采用基于空间模式聚类方法对标准分水岭变换后的分割区域进行合并，过分割现象得到一定程度的抑制，假体与股骨已经能识别，但是还是存在较多的无意义小区域，过分割现象严重；文献改进分水岭算法，对原始图像进行去噪处理与标记提取，过分割现象得到一定程度的抑制，但是分割后的图像仍然存在部分过分割现象以及存在部分边缘信息的丢失，针对医学图像中边缘信息是病情分析与临床诊断的关键，分割效果并不理想；本文改进算法采用在分水岭变换前后分别对医学图像进行处理，过分割现象得到有效抑制的同时边缘微细结构也的较好的保留，获得较好的分割效果，能满足医学图像分割的使用要求。

4 总结
由于医学图像的多样性与复杂性等特点，导致医学图像分割成为图像处理领域的一个经典难题。本文结合医学图像的特点，提出一种改进的医学图像分水岭算法。采用在分水岭变换前，对原始图像进行多尺度自适应形态学滤波与标记提取处理；在分水岭变换后，通过区域相似性与边界相似性的合并准则，进行区域合并，完成分水岭变换的改进。实验结果表明，本文算法不仅有效的抑制了过分割现象，而且图像的边缘细节也很到很好的保留，能够较好的满足医学图像的使用要求，具有较强的实用价值。

参考文献
[1] L Vincent,P Soille. http://sblunwen.com/yxyxx/ Watersheds in digital spaces:an efficientalgorithm based on immersion simulations[J]. IIEEE Transact-ions on Pattern Analysis and Machine Intelligence, 1991,13(6): 583-598.
[2] 徐奕奕, 刘智琦, 刘琦.于进的分水岭算法图像分割方法研究[J]. 算仿真, 2011,28(9):272-274
[3] 谭洪 , 侯志强, 翊 , 鄣威武. 应标取的分水岭彩图分割算法[J]. 算 工程,2010,36(19):229-231
[4] 徐 保，尹怡欣，王骥，苏志彬，谢义.于合应形态滤波的分水岭分割新算法[J]. 算 应用研究,2009,26(8) :3143-3145
[5] 龚劬, 姚敏. 于分水岭和进的模糊聚类图像分割[J]. 算应用研究, 2011,28(12):4773-4775