第六章 医学图像分割
第一节 医学图像分割的意义、概念、分类和研究现状
所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积等）将医学图像划分为若干个互不相交的“连通”区域的过程。一般来说，有意义的图像分割结果中至少在一个包含感兴趣目标的区域。
区域作为图像分割中像素的连通集合和基本分割单位。
通常医学图像分割方法可以规划为三大类：基于阈值的分割方法、基于边缘的分割方法和基于区域的分割方法。
第二节 基于阈值的图像分割方法
阈值法是一种常用的将图像中感兴趣目标与背景进行分离的图像分割方法，常用的阈值法基本上都是基于一维灰度直方图统计特征的分割方法，它简单的用一个或几个阈值将图像灰度直方图分为两段或多段，而把图像中灰度值在同一段内的所有像素归属为同一个物体。
医学图像的二值化通常是指通过一定的方法使得医学图像上的所有点的灰度或颜色值只有两种取值。图像二值化的主的主要就是为了简化图像，并使图像具有鲜明的对比性，以便于对图像进行后续处理。在N>2的情况下，图像分割的结果并不一定只具有两种颜色或灰度值，此时该步骤便只能被称为图像的多阈值分割过程，而不能称作图像的二值化。
传统的阈值分割法通常直接利用图像的一维灰度直方图进行分割，或基于图像本身的灰度或颜色的分布特征，来确定一个或多个门限T1、T2...TN,把N个门限将灰阶所对应数轴划分为N+1个区间。
该类方法适用于不太复杂且灰度分布较为中的图像。其原因在于图像的一维直方图一般是图像中各像素灰度值出现频数的统计结果，它只能分映出图像中不同灰度值出现的频率。而不能反映出某一灰度值的像素所对应的位置及其邻域特征，因此它忽略了其空间邻域信息。（1）p - 分位数法
为基本思想是是医学图像中目标所占图像像素的比例等于其先验概率p来设定阈值。把大于阈值的像素作为目标，小于阈值的像素作为背景，最终实现快速分割。只有当背景和目标差别比较显著的时候，该方法比较实用。
（2）双峰法
它假设图像是由背景和前景组成，且灰度直方图呈现双峰结构：一个与目标相对应，另一个是背景。通过在双峰之间的最低谷处选择阈值即可实现图像的分割。
（3）迭代法
迭代法基于最优逼近的思想，通过迭代的过程选择一个最佳阈值，实现图像的分割。对于直方图呈现双峰形状且峰谷特征计较明显的图像，迭代法可以较快收敛到满意结果，结果，此时迭代所得的域值分割图像结果很好。
（4）最大熵法
熵是信息论的一个术语，是所研究对象平均信息量的表征。这种方法的目的在于将图像的灰度直方图分成两个或多个独立的类，使得各类熵的总量最大。由于基于熵的阈值选取法受到目标大小的影响很小，所以可以处理目标较小情况下的分割，但一维最大熵法由于涉及对数运算，速度较慢，实时性差，对于细节较多，噪声较大的图像分割效果也不理想。
（5）矩量保持法
使阈值分割前后图像的矩保持不变。
（6）Ostu方法
利用方差来度量图像灰度分布均匀性进行分割的一种阈值化方法。该方法在一定的条件下不受图像对比度与亮度变化的影响，被认为是阈值自动选择的最有效方法之一。其基本原理是将直方图在某一阈值处分割成两组，一组用于背景，一组用于目标。当被分成两组物体之间方差最大时，得到最佳分割阈值。
第三节 基于边缘检测的图像分割方法
基于边缘检测的基本的思想是先检测图像中的边缘点，再按照一定的策略连接成轮廓，通过轮廓跟踪完成区域分割。
一 梯度算子
梯度反映了图像灰度局部变化的强弱，因此可以作为检测边缘点的依据。梯度算子可以有效的检测出阶跃型边缘，而对屋脊型边缘容易产生双边缘效果。
二 Scobel算子
Scobel算子是一种8邻域算子，而梯度算子是一个4领域算子。Scobel算子对噪声具有一定平滑作用，能提供较为精确的边缘方向信息，但它同时也会检测出许多的伪边缘，边缘定位精度不高。当对定位边缘精度不高时，可以采用该方法。
三 Kirsh算子
Kirsh算子对于灰度的微小变化比较敏感，由于同时检测8个方向的灰度变化，并取之中最大值，因此属于一种最佳适配的边缘检测法。
以上三种方法在运用它们进行边缘增强运算后，都需要设定一个适当的门限T以确定边缘点和非边缘点。
四 Laplacian算子
利用该算法，在结果图像中，通过检测过零点判断边缘的存在即如果某对相邻像素异号，那么他们之间就存在边缘。
五 Marr算子
其基本思想是先利用图像进行高斯滤波，然后再用Laplacian算子进行边缘检测。在Marr算子中，高斯滤波器宽度的大小直接影响着边缘检测结果，一般来说，宽大越大，抗噪声的能力就越强，但会导致一些变化细微的边缘难以检测出来。
通常，通过各种边缘检测算子处理后得到的边缘图像一般是一幅二值图像，其中边缘点被置为黑（白），非边缘点则被置为白（黑）。很明显还需要一个对各区域对应封闭轮廓进行跟踪和区域填充的后处理过程才能最终保证图像分割的有效完成。
第四季 基于区域的图像分割方法
基于区域的图像分割方法基于区域均匀性要求把具有某种相似性的像素或区域连通起来，从而构成最终的分割区域。如果说阈值法进行图像分割只孤立的考虑每个像素的灰度，基于边缘的分割方法只考虑领域内的特征变换，基于区域的分割方法则以区域为处理对象，同时考虑区域内部和区域之间的同异性，及决定它们是进行合并还是进行分割来实现图像的分割。它充分的利用了图像的局部空间信息，可有效的客服其他方法有可能存在的图像分割空间不连续的缺点，但通常容易造成过渡分割。
常见的基于区域的分割方法有区域生长法和分裂合并法等。
区域生长法的基本思想是将具有相似性质的像素合起来构成区域，具体的做法是选定图像中要分割的目标物体的一个种子点或一个小块作为种子，再在种子的基础上不断将周围的像素以一定的相似规则合并到种子区域中，其中相似性根据可以根据灰度级、彩色、梯度等特征进行确定。该方法的关键在于设计合适的特征度量和区域生长准则。常用的生长准则有：基于区域灰度差准则、基于区域灰度分布统计性质准则和基于区域形状准则。
在区域生长中要解决的3个问题：选择种子像素点；选定生长标准；指定停止生长的标准。
分裂合并法首先是将图像分割为初始的区域，然后分并这些区域，并逐步改善区域分割的性能。直到最后将图像分割为最少的均匀区域为止。基于区域分类合并的图像分割技术主要分为3种：即合并、分裂及合并-分裂相结合。合并的方法是，图形首先被分割成很多的一致性较强的小区域，然后根据某种均匀性判断不断迭代进行合并，形成大的区域，达到分割图像的目的。分裂的方法是将整幅图像作为原始分割结果，只要当前的分割结果不能保证足够的均匀性，就按照一定规则将其分裂，直到每个区域内部都是相似的时候为止。合并-分裂相结合的方法是将相邻且具有相似特征的区域合并，而将具有明显不均匀的特征区域进行分裂。
分离合并法进行图像分割不需要预先指定种子点，它的研究重点是分裂和合并规则以及区域均匀性准则的设计，它对图像的质量，特别是同一物体内的灰度均匀性要求较高，否则很容易出现过度合并和过度分裂。
第五节 基于模式识别原理的图像分割方法
用于图像分割的模式识别方法可以分为：模式分类法和模式聚类法两大类。
模式分类法是模式识别领域中一种基本的统计分析方法，它使用分类器实现对图像的分割，是一种有监督的统计分割方法，一般需要用手工分割得到的样本集作为对新图像进行自动分割的参考。分类器的设计与训练是这类方法实现的关键，通常分类器分为非参数分类器和参数分类器两种。用于图像分割的最常见的非参数分类器是K近邻方法，它对图像的统计特性没有特殊的要求或约定。而贝叶斯分类器是常用的参数分类器，它一般假定图像的概率密度函数是符合高斯分布。模式分类法通常要去由手工分类产生分类集，然后进行训练，而手工分类的工作量很大，同时，用少量的训练集训练的分类器对大量的样本空间进行分类时又会产生泛化误差，容易产生误分类。
模式聚类法是按照“物以类聚”的原则，对图像数据进行分类。聚类法需要把数据分成组，产生的每一组数据称为一个簇，簇中的每一个数据被称为一个对象。聚类的目的是使得统一簇中的对象的特性尽可能的相似，而不同簇对象间的特性差异尽可能的大。属于一种无监督的统计分割方法。
第六节二值图像的数学形态学运算
针对处理对象的不同，数学形态运算基本可以分为二值图像形态学运算和灰度图像形态学运算。
数学形态学的基本运算有膨胀（扩张）、腐蚀（侵蚀）、开和闭运算。基于这些基本运算可以推导和组合成各种数学形态学的算法。
第七节 医学图像分割效果的评价
医学图像的分割评价方法一般可以分为：分析法和经验法。
