基于levelset方法的虚拟人图像处理VIP专享VIP免费

基于LevelSet方法的VisibleHumanBeing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VectorConfidenceConnected的低级分割方法和基于边界的LevelSet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VectorConfidenceConnected方法,LevelSet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研究课题[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。VisibleHumanBeingDataset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]，LevelSet方法[3]。其中LevelSet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VectorConfidenceConnected的低级分割方法和基于边界的LevelSet高级分割方法相组合的分割方法。首先使用ConfidenceConnected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织的“种子点”，产生粗略初始轮廓。根据初始轮廓的位置，使用LevelSet方法对图像进行分割。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。除此之外，系统使用了国际上医学图像处理领域比较流行，且相对成熟的医学图像处理开发包，InsightSegmentationandRegistrationToolkit,ITK。提高了代码的执行效率，可读性。本文第一节介绍基于区域的VectorConfidenceConnected方法，第二节介绍LevelSet方法的原理，第三节提出改进后的VectorThresholdLevelSet方法。并给出了实验结果和比较。1VectorConfidenceConnected方法VectorConfidenceConnected基于区域的方法。它的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素所在的区域中有相同或相似性质的像素（根据事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素包括进来，这样一个区域就长成了。区域增长应该根据什么样的生长准则和图像数据的具体类型有关，我们针对32位彩色医学图像制定了相应的生长准则。一个向量像素是否属于区域是根据像素点和当前区域的MahalanobisDistance来判断的。MahalanobisDistance是由印度著名统计学家马哈拉诺比斯提出的，又叫“马氏距离”，表示数据的协方差距离。它考虑到各种特性之间的联系（一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）。MahalanobisDistance是这样定义的：D2t(x)=(x−mt)S−1t(x−mt)...