L—CV在醫(yī)學(xué)圖像分割中的應(yīng)用

王昌　秦鑫

摘要：基于能量函數(shù)的水平集算法在圖像分割中有獨特優(yōu)勢，但C-V模型未能利用圖像局部的灰度信息，無法分割灰度不均勻的醫(yī)學(xué)圖像。針對此問題，本文提出L-CV模型，利用窗函數(shù)計算局部統(tǒng)計信息，并將局部灰度信息項加入到能量函數(shù)，構(gòu)造水平集的能量泛函，用于圖像分割。將此算法應(yīng)用于灰度不均勻的MRI圖像的分割中，取得不錯的效果，可有效的分割灰度不均勻圖像。

關(guān)鍵詞：L-CV 灰度不均勻圖象 MRI 圖象分割

中文分類號：TP 751文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）02-0000-00

1 引言

近年來，基于能量泛函的水平集在圖像分割過程中得到廣泛應(yīng)用。Chart和Vese提出C-V模型[3]是對Mumford -Shah能量泛函的優(yōu)化，利用內(nèi)外灰度均值來促進(jìn)水平集曲線的演化，可分割無邊緣模糊、無梯度意義的圖像，且對噪聲不敏感，但不能分割灰度不均勻的圖像。C-V模型不能利用圖像局部的灰度信息，從而導(dǎo)致分割灰度不均勻的圖像分割失敗。針對此問題，提出利用局部灰度信息的L-CV模型，用以分割灰度不均勻圖像。

2 C-V模型

C-V模型將Mumford-Shad簡化為一個分段的常值函數(shù)，其中，閉合曲線把定義域為Ω的圖像分為內(nèi)部和外部兩個區(qū)域，內(nèi)部區(qū)域的灰度均值為 ，外部區(qū)域的灰度均值為 。能量泛函有規(guī)則化項，用于規(guī)整演化曲線，保真項，負(fù)責(zé)將演化曲線吸引到目標(biāo)輪廓上。

C-V模型能夠檢測無梯度意義的目標(biāo)，可以對含有噪聲的圖像有效的分割，不需要對原始圖像進(jìn)行預(yù)處理。但是分割灰度不均勻的圖像會失敗。

3 本文提出的L-CV模型

5 結(jié)語

本文針對普通的C-V模型沒能考慮圖像局部的統(tǒng)計信息，在分割灰度不均勻的醫(yī)學(xué)圖像時會導(dǎo)致分割失敗的問題，提出了一種L-CV模型，加入圖像的統(tǒng)計信息，實現(xiàn)了灰度不均勻圖像的分割。

參考文獻(xiàn)

[1]楊新.圖像偏微分方程的原理與應(yīng)用[M].上海：上海交通大學(xué)出版社，2003.

[2]王曉峰.水平集方法及其在圖像分割中的應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué)模式識別與智能系統(tǒng)專業(yè)，2009.9.

[3]吳永飛，何傳江，陳強(qiáng). 基于CV和LBF模型結(jié)合的圖像分割算法研究與實現(xiàn)[J].計算機(jī)應(yīng)用與軟件，2013，30（7）： 98-100.

收稿日期：2015-02-25

1基金項目：河南省教育科學(xué)“十二五”規(guī)劃2013年度課題[2013]-JKGHC-0187

作者簡介：王昌（1984—），男，河南鶴壁人，碩士研究生，新鄉(xiāng)醫(yī)學(xué)院助教，研究方向：醫(yī)學(xué)圖象處理，醫(yī)學(xué)儀器。