基于分水岭变换和遗传优化的X线图像分割

论文摘要

X线图像作为临床医学诊断中的重要工具,它的信息量很大,因此对X线图像进行分割,即将图像分割为若干互不交叠、有意义的、具有相同性质的区域,提取出感兴趣的部分,是医生做出正确诊断的有力依据,也是进一步进行参数提取、病区自动识别以及自动诊断的重要基础。本文根据X线骨骼图像的特点,采用了分水岭变换的分割方法,并对基于标记的分水岭分割方法中背景标记的方法进行了改进,提出了基于双阈值的分水岭分割方法,通过实验验证了该方法可以得到准确的前景和背景标记。一部分X线图像即使准确标记也不能得到准确的分割结果,存在过分割现象,对此本文引入了小波变换,提出了基于小波变换的双阈值分水岭分割方法,即先对图像进行小波分解,再进行双阈值分水岭分割,最后进行小波重构,得到了准确的分割结果,有效的克服了过分割问题。在分水岭分割过程中,都要用到结构元素,它一般依靠研究者不断试验进行选择,因此本文引入了遗传算法,提出了基于遗传优化的分水岭分割方法,实现了结构元素的自动选择。该方法中首先需要选取一幅样本图像,通过对样本图像处理,遗传算法不断收敛,从而得到最优结构元素,然后将这个结构元素用于类似图像的分割过程中。通过仿真实验得到了准确的分割结果,说明通过遗传优化得到的结构元素是适用于类似图像的分割过程的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 国内外研究现状及发展趋势
• 1.3 论文的安排
• 第2章 X 线图像分割
• 2.1 X 线摄影技术发展及图像特点
• 2.2 X 线图像分割方法
• 2.2.1 基于阈值的图像分割方法
• 2.2.2 基于边缘的图像分割方法
• 2.2.3 基于区域的图像分割方法
• 2.3 本章小结
• 第3章 基于双阈值的分水岭分割方法
• 3.1 数学形态学预处理
• 3.1.1 数学形态学基本操作
• 3.1.2 形态学重构
• 3.1.3 结构元素
• 3.2 基于双阈值的分水岭分割
• 3.2.1 分水岭基本理论
• 3.2.2 经典的分水岭分割方法
• 3.2.3 基于双阈值的分水岭分割
• 3.3 本章小结
• 第4章 基于小波变换的分水岭分割方法
• 4.1 小波变换的基本理论
• 4.1.1 连续小波变换
• 4.1.2 离散小波变换
• 4.1.3 多分辨率分析与正交小波变换
• 4.2 二维小波变换与图像处理
• 4.3 基于小波变换的分水岭分割
• 4.4 本章小结
• 第5章 基于遗传优化的分水岭分割方法
• 5.1 遗传算法概述
• 5.2 基本遗传算法
• 5.2.1 基本遗传算法的构成要素
• 5.2.2 基本遗传算法的一般框架
• 5.2.3 基本遗传算法流程图
• 5.3 基于遗传优化的分水岭分割
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 本文所作工作总结
• 6.2 未来研究方向
• 参考文献
• 致谢
• 攻读学位期间取得的科研成果