本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，具體地說是一種對(duì)醫(yī)學(xué)圖像中的目標(biāo)進(jìn)行分割的方法。

背景技術(shù)：
：

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展與進(jìn)步，人們對(duì)計(jì)算機(jī)視覺方面的應(yīng)用需求也越來越多。比如，在生活中隨處可見的數(shù)碼照相機(jī)、數(shù)字?jǐn)z像機(jī)、智能手機(jī)等產(chǎn)品與消費(fèi)者生活息息相關(guān)。對(duì)圖像中的目標(biāo)進(jìn)行檢測(cè)與識(shí)別引起越來越多的關(guān)注，并在智能監(jiān)控、人機(jī)交互、醫(yī)療等領(lǐng)域都具有極為廣泛的應(yīng)用前景。

圖像分割是圖像處理的重要環(huán)節(jié)，對(duì)圖像分割的研究為后續(xù)圖像工程的開展起到很好的奠基作用。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的是為構(gòu)建一種具有較高應(yīng)用價(jià)值、簡(jiǎn)單易行的可針對(duì)醫(yī)學(xué)圖像的目標(biāo)分割方法。

本發(fā)明通過求模型中能量泛函的極小值，獲得關(guān)于水平集函數(shù)的梯度下降方程，并對(duì)其離散化得到水平集函數(shù)的迭代計(jì)算公式，快速地實(shí)現(xiàn)對(duì)圖像目標(biāo)的分割。對(duì)不同醫(yī)學(xué)圖像的仿真實(shí)驗(yàn)表明，與其他同類型算法相比，本發(fā)明中所建立的模型及相應(yīng)的算法可以在更短的時(shí)間內(nèi)得到更加精確的分割結(jié)果。

具體的技術(shù)方案如下：

(1)采用兩相和多相方法初始化水平集函數(shù)，并初始化各個(gè)參數(shù)；

(2)計(jì)算水平集函數(shù)在圖像中各個(gè)子區(qū)域的灰度均值；

(3)計(jì)算圖像的偏移場(chǎng)變量；

(4)根據(jù)迭代計(jì)算公式計(jì)算水平集函數(shù)的新的值，直到獲得圖像目標(biāo)的輪廓曲線，實(shí)現(xiàn)目標(biāo)的分割。

本發(fā)明的有益效果是:

1、建立一種基于區(qū)域混合活動(dòng)輪廓的醫(yī)學(xué)圖像分割模型，設(shè)計(jì)相應(yīng)的分割算法；

2、本發(fā)明簡(jiǎn)單易行，在光照不均勻與成像設(shè)備不完善情況下能夠?qū)崿F(xiàn)快速的醫(yī)學(xué)圖像目標(biāo)的分割，滿足實(shí)時(shí)性要求，應(yīng)用廣泛，對(duì)于醫(yī)學(xué)圖像的檢測(cè)與識(shí)別有可參考和應(yīng)用的價(jià)值。

本發(fā)明適用于醫(yī)學(xué)圖像中的目標(biāo)分割，可以為醫(yī)學(xué)圖像工程提供參考，對(duì)醫(yī)學(xué)圖像的分析、識(shí)別以及理解起到奠基作用。

附圖說明：

圖1為本發(fā)明對(duì)膝蓋骨圖像的兩相分割結(jié)果圖；

圖2為本發(fā)明對(duì)人腦圖像的多相分割結(jié)果圖；

圖3為本發(fā)明對(duì)人腦圖像的多相分割時(shí)間

具體實(shí)施方式：

下面結(jié)合附圖和實(shí)例進(jìn)一步說明本發(fā)明的實(shí)質(zhì)內(nèi)容，但本發(fā)明的內(nèi)容并不限于此。

實(shí)施例1：

取大小為193×255的壓縮格式人的大腦醫(yī)學(xué)圖像，并確定模型中的各參數(shù)。采用四相方法隨機(jī)地初始化兩個(gè)水平集函數(shù)，并獲得相應(yīng)的初始輪廓曲線，從而將圖像分成多個(gè)區(qū)域(圖2中左圖)；計(jì)算水平集函數(shù)在圖像中各個(gè)子區(qū)域的灰度均值與圖像的偏移場(chǎng)量，更新水平集函數(shù)的值，如此迭代，直到獲得圖像中膝蓋骨的輪廓曲線，從而得到分割結(jié)果(圖2中右圖)。