基于levelset方法的虚拟人图像处理VIP专享

下载后可任意编辑基于 Level Set 方法的 Visible Human Being 虚拟人图像处理张坤 罗立民 舒华忠南京东南大学影像技术实验室 210096杨芳广州第一军医大学摘 要:根据虚拟人图像特点，我们提出了将基于区域的 Vector Confidence Connected 的低级分割方法和基于边界的 Level Set 高级分割方法相组合的分割方法。实验结果中，边界的平滑性得到了保持，同时半自动的分割方法既有效地结合了医学专家的医学背景知识，又提高了分割处理的速度。医学图像中常见的拓扑结构的变化也得到了很好的处理。同时，算法的鲁棒性也到了提高。关键词 Vector Confidence Connected 方法, Level Set 方法, 医学图像，图像分割引言 数字化虚拟人体，是医学与信息技术、虚拟现实技术相结合的科技性讨论课题[1]。通过人体断面连续切片构建出数据集，将医学信息数字化，为医学教育和医学临床的应用提供了理想的工具。建立数字化器官模型是数字化虚拟人中的一个主要工作。准确逼真的数字化器官模型可以在临床，教学中发挥不可忽视的作用。数字化器官模型的建立涉及到多学科知识的交叉应用。其中 ROI 的提取是工作的重点，它直接关系到下一步建模和可视化结果的好坏。Visible Human Being Dataset 中，32 位彩色低温断层扫描图像是其中一种主要的数据格式。除了具有一般医学图像细节丰富，不规则的特点之外，还因为其数据量巨大，而对分割方法的速度有较高的要求。彩色断层扫描图像，又称多模态或多通道的医学图像，如何对其进行处理，高效准确地提取感兴趣组织、器官轮廓，是近年来人们一直关注的问题。在过去的几年中，针对这个问题，人们提出了许多分割方法。主要可以分两类：以边界为基础的分割方法，比如 Snake 方法[7]，Level Set 方法[3]。其中 Level Set 可变型模型的方法对初始位置有一定要求，初始的边界对象常常被要求为大致轮廓，这样可以有效地提升计算速度，同时可以减少分割错误。以区域为基础的方法或者统计性特性方法，是根据一致性原则对图像进行分割，比如区域增长的方法。这种方法的优势在于考虑到了区域的内部信息，但是往往得到的边界不够平滑，呈现锯齿形状。本文根据虚拟人图像的特点，提出了将基于区域的 Vector Confidence Connected 的低级分割方法和基于边界的 Level Set 高级分割方法相组合的分割方法。首先使用 Confidence Connected 方法，让具有医学背景知识的专家根据先验知识选择特征组...