基于空間信息混合模型的醫(yī)學(xué)圖像分割算法研究

12800字
自己原創(chuàng)的畢業(yè)論文，已經(jīng)通過校內(nèi)系統(tǒng)檢測，重復(fù)率低，僅在本站獨家出售，大家放心下載使用

摘要 隨著成像技術(shù)的不斷提高，醫(yī)學(xué)圖像在診斷中的作用越來越大。醫(yī)學(xué)圖像的處理也自然而然地成為當(dāng)下的一個熱點，醫(yī)學(xué)圖像分割更是其中的關(guān)鍵一環(huán)。醫(yī)學(xué)圖像分割是其他醫(yī)學(xué)圖像處理與模式識別問題的前處理技術(shù)，并可為臨床診斷和輔助治療提供有力的支持。醫(yī)學(xué)圖像分割的效果直接決定著計算機輔助診斷系統(tǒng)的成敗。
傳統(tǒng)高斯混合模型的醫(yī)學(xué)圖像分割由于其算法的簡單和穩(wěn)定，成為醫(yī)學(xué)圖像分割的常用方法，但其用于醫(yī)學(xué)圖像分割時,由于該方法只利用了像素的灰度信息,而沒有利用位置信息, 會導(dǎo)致圖像分割結(jié)果不準(zhǔn)確，容易出現(xiàn)噪聲點，成為影響后續(xù)處理效果的關(guān)鍵因素，有必要進(jìn)一步研究。基于以上原因，本文對傳統(tǒng)的高斯混合模型進(jìn)行了一些改進(jìn)，在其中引入一個像素的空間信息函數(shù)。通過驗證，該函數(shù)能夠有效模擬鄰域像素信息對當(dāng)前像素的影響。最終實驗證明，使用改進(jìn)的高斯混合模型進(jìn)行醫(yī)學(xué)圖像分割，較使用傳統(tǒng)的高斯混合模型時，可以簡單有效的抑制圖像噪聲點的同時能夠很好保留圖像邊界細(xì)節(jié)。

關(guān)鍵詞：空間信息 圖像分割 高斯混合模型 EM算法

Medical Image Segmentation Algorithm Based on the Hybrid Model of Spatial Information

Abstract With the continuous improvement of imaging technology, medical image and role in the diagnosis of the greater. Medical image processing has come very naturally to become a hot current, medical image segmentation is the key part of. Medical image segmentation is the pretreatment technology of other medical image processing and pattern recognition problems, and can provide powerful support for the clinical diagnosis and treatment. The effect of segmentation directly determines the success or failure of the computer aided diagnosis system.
The traditional medical image segmentation of Gauss mixture model because of its simple algorithm and stability, become the common methods of medical image segmentation, but it is used for medical image segmentation, because the method only uses gray information of pixels, without using location information, will cause the image segmentation result is not accurate, prone to noise, become the key factors influencing follow-up treatment effect, it is necessary to further study. Based on the above reason, this paper Gauss mixture model of traditional made some improvements, spatial information function into a pixel in the. Through the verification, the function can simulate the effect of pixel information for the current pixel neighborhood. The final experiment shows that, using the Gauss mixture model improved segmentation of medical image, compared with the traditional Gauss mixture model, can suppress image noise point is simple and effective and can be a very good image edge details preserving.
Key words： Spatial Information Image segmentation Gauss mixture model EM algorithm

目 錄
第一章 緒論 5
1.1 圖像分割 5
1.2 圖像分割主要研究方法 5
1.2.1 邊緣檢測法 6
1.2.2 區(qū)域提取法 7
1.2.3 閾值分割法 7
1.2.4 結(jié)合特定理論工具的分割方法 8
1.3 論文結(jié)構(gòu)安排 9
第二章 醫(yī)學(xué)圖像分割 11
2.1 簡述 11
2.2 醫(yī)學(xué)圖像發(fā)展 11
第三章 高斯混合模型和EM算法 13
3.1 高斯混合模型 13
3.1.1 高斯混合模型簡介 13
3.1.2 高斯混合模型的建立 13
3.2 EM算法 14
3.2.1 EM算法簡介 14
3.2.2 EM算法描述 15
第四章 基于空間信息混合模型的醫(yī)學(xué)圖像分割 17
4.1 基于空間信息的混合模型 17
4.2 基于空間信息混合模型的醫(yī)學(xué)圖像分割 19
4.3 實驗和分析 20
4.4 實驗結(jié)論 25
結(jié) 論 25
致 謝 26
參考文獻(xiàn) 27