由于肺癌PET成像質量較低且待分割區(qū)域邊界沒有明顯的灰度差,使得基于顏色特征的圖像分割算法不能做到有效分割。提出了結合偽彩色與上下文感知的肺癌PET圖像分割算法。首先,將原始的肺癌PET圖像根據(jù)彩色查找表生成對應的偽彩圖;然后,使用改進的上下文感知模型獲得偽彩圖對應的顯著圖,并采用大津法對顯著圖進行二值化處理,初始化顯著圖的分割區(qū)域;最后,使用改進的Grab Cut算法迭代分割圖像。算法應用于肺癌的PET圖像分割。實驗結果表明,該算法有效提升肺癌PET圖像的分割效率、提升分割精度,取消Grab Cut算法、Snake算法的用戶操作,實現(xiàn)圖像分割自動化,具有較高的可靠性、執(zhí)行效率、以及實際應用價值。
【部分圖文】：

法相比較，本文算法的分割結果最接近真實分割。圖3PET1和PET2的標準分割與本文分割圖(a1)PET1(a2)標準分割(a3)本文算法(b1)PET2(b2)標準分割(b3)本文算法圖4對比算法的PET1和PET2圖像分割結果(a1)GrabCut(a2)Snake(a3)CA鄄GrabCut(ｂ1)GrabCut(ｂ2)Snake(ｂ3)CA鄄GrabCut本文采用三個評價指標［12］衡量不同算法的圖像分割效果。評價指標為:過分割率(oversegmentationrate，OＲ)、欠分割率(undersegmentationrate，UＲ)、總體誤差率(overallerrorrate，EＲ)，計算結果為百分比，公式如下:OＲ=Qp/Dp(11)UＲ=Up/Dn(12)EＲ=(Qp+Up)/(Dp+Dn)(13)其中:Dp為該類的像素點集合，Dn為非該類的像素點集合，Qp為沒有劃分到該類的目標像素點集合，Up為錯誤劃分到該類的像素點集合。OＲ和UＲ越大，則圖像分割結果的過分割與欠分割越嚴重，EＲ越大則分割誤差越大;三個指標越小，算法的分割效果越好。表1OＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET12．93．817．64．2PET21．15．435．22．9表2UＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET145．336．81．43．3PET240．127．60．32．1表3EＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET130．623．411．53．4PET228．122．718．82．3根據(jù)表3中的數(shù)據(jù)，本文算法圖像分割的正確率明顯優(yōu)于其他三種算法。Snake算法與GrabCut算法在圖像分割中，出現(xiàn)了明顯的欠分割，分割結果包含大量的背景區(qū)域;CA-Grab-Cut算法的分割結果出現(xiàn)了嚴重的過收斂，部分目標區(qū)域被劃分到背景區(qū)域中。本文算法的分割結果，最接近標準分割，總體誤差率在4%以下，而其他三種算法的整體誤差率均超過了11%。在本文實驗的30幅肺癌PET圖像，實驗

法相比較，本文算法的分割結果最接近真實分割。圖3PET1和PET2的標準分割與本文分割圖(a1)PET1(a2)標準分割(a3)本文算法(b1)PET2(b2)標準分割(b3)本文算法圖4對比算法的PET1和PET2圖像分割結果(a1)GrabCut(a2)Snake(a3)CA鄄GrabCut(ｂ1)GrabCut(ｂ2)Snake(ｂ3)CA鄄GrabCut本文采用三個評價指標［12］衡量不同算法的圖像分割效果。評價指標為:過分割率(oversegmentationrate，OＲ)、欠分割率(undersegmentationrate，UＲ)、總體誤差率(overallerrorrate，EＲ)，計算結果為百分比，公式如下:OＲ=Qp/Dp(11)UＲ=Up/Dn(12)EＲ=(Qp+Up)/(Dp+Dn)(13)其中:Dp為該類的像素點集合，Dn為非該類的像素點集合，Qp為沒有劃分到該類的目標像素點集合，Up為錯誤劃分到該類的像素點集合。OＲ和UＲ越大，則圖像分割結果的過分割與欠分割越嚴重，EＲ越大則分割誤差越大;三個指標越小，算法的分割效果越好。表1OＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET12．93．817．64．2PET21．15．435．22．9表2UＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET145．336．81．43．3PET240．127．60．32．1表3EＲ評價指標圖像SnakeGrabCutCA-GrabCut本文算法PET130．623．411．53．4PET228．122．718．82．3根據(jù)表3中的數(shù)據(jù)，本文算法圖像分割的正確率明顯優(yōu)于其他三種算法。Snake算法與GrabCut算法在圖像分割中，出現(xiàn)了明顯的欠分割，分割結果包含大量的背景區(qū)域;CA-Grab-Cut算法的分割結果出現(xiàn)了嚴重的過收斂，部分目標區(qū)域被劃分到背景區(qū)域中。本文算法的分割結果，最接近標準分割，總體誤差率在4%以下，而其他三種算法的整體誤差率均超過了11%。在本文實驗的30幅肺癌PET圖像，實驗

【參考文獻】

相關期刊論文 前5條

1 陳林偉;吳向平;;結合顯著性的GrabCut及在骨髓細胞圖像分割中的應用[J];中國計量學院學報;2014年01期

2 畢曉君;肖婧;;差分進化算法GVF Snake模型在PET圖像分割中的應用[J];中國圖象圖形學報;2011年03期

3 崔顥;余瑞星;王維語;;基于偽彩色的感興趣目標檢測方法[J];航空計算技術;2011年02期

4 周勝安;;一種基于前景物形態(tài)的GrabCut改進算法[J];電腦知識與技術;2010年33期

5 謝從華;朱峰;王立軍;武園園;;基于密度聚類的醫(yī)學圖像分割DCMIS[J];計算機應用研究;2007年02期

【共引文獻】

相關期刊論文 前10條

1 戴慶焰;朱仲杰;段智勇;李偉杰;;基于超像素和改進迭代圖割算法的圖像分割[J];計算機工程;2016年07期

2 夏海英;肖雯靜;薛茗月;;微流控芯片下的單細胞輪廓定位與提取[J];廣西師范大學學報(自然科學版);2016年02期

3 庾鵬;王旭;仝天樂;王秀超;;基于GrabCut算法和四幀差分法的目標提取算法[J];微型機與應用;2016年11期

4 蔡舒妤;師利中;;基于改進混沌差分進化算法的機體損傷區(qū)域劃分[J];計算機工程;2015年11期

5 陳駿;劉曉利;;基于分形的改進Grabcut目標自動分割[J];計算機工程與應用;2017年01期

6 張靜林;高紅;馬寶英;;一種改進的梯度矢量流Snake側腦室分割算法[J];中國醫(yī)學物理學雜志;2015年05期

7 薄萍萍;宮汝江;;一種OFDM多帶聯(lián)合頻譜感知新算法[J];電子科技;2015年08期

8 呼延秀娟;梁英;;基于光流場和Grabcut算法融合的運動目標分割[J];電子技術;2015年02期

9 黃淑英;楊勇;;基于改進各向異性擴散沖擊濾波器模型的圖像去噪[J];中南大學學報(自然科學版);2014年09期

10 柳歡歡;姚明海;王憲保;;基于小波變換的GrabCut圖像分割[J];計算機系統(tǒng)應用;2014年08期

【二級參考文獻】

相關期刊論文 前6條

1 劉毅;黃兵;孫懷江;夏德深;;結合CS-LBP紋理特征的快速圖割算法[J];計算機科學;2013年05期

2 崔鳳;潘晨;吳向平;徐軍;;主動學習的白細胞圖像自動分割[J];中國圖象圖形學報;2012年08期

3 任繼軍;何明一;;基于粒子群優(yōu)化算法的改進Snake模型的圖像分割方法[J];中國圖象圖形學報;2008年09期

4 謝從華;朱峰;王立軍;武園園;;基于密度聚類的醫(yī)學圖像分割DCMIS[J];計算機應用研究;2007年02期

5 駱國程,趙永界;PET圖像中基于形態(tài)學和樣條模型方法進行心臟的邊緣提取[J];CT理論與應用研究;2002年03期

6 楊曉敏，羅立民，韋鈺;血液白細胞計算機分類中的特征提取研究[J];應用科學學報;1994年02期

【相似文獻】

相關期刊論文 前10條

1 康莊;鄧曉剛;呂慶文;;基于“催化劑”的圖像分割算法研究[J];醫(yī)療衛(wèi)生裝備;2007年11期

2 趙海英;彭宏;楊一帆;;基于邊緣形態(tài)變換的彩色織物圖像分割算法[J];中國體視學與圖像分析;2011年01期

3 林盤,鄭崇勛,楊勇,閻相國,顧建文;一種魯棒的人腦組織核磁共振圖像分割算法研究[J];電子與信息學報;2005年09期

4 白楊;;基于SAPSO優(yōu)化三維Otsu方法的醫(yī)學圖像分割算法(英文)[J];中國組織工程研究與臨床康復;2008年22期

5 馬義德,戴若蘭,李廉,吳承虎;生物細胞圖像分割技術的進展[J];生物醫(yī)學工程學雜志;2002年03期

6 鄧富強;龐全;;一種改進的模糊C-均值(FCM)彩色圖像分割算法[J];機電工程;2010年09期

7 李彬;陳武凡;;基于馬爾可夫場的多發(fā)性硬化癥MR圖像分割算法[J];生物醫(yī)學工程學雜志;2009年04期

8 陳姿羽;黃靖;李偉鵬;;一種改進的自適應譜聚類圖像分割算法[J];南方醫(yī)科大學學報;2012年05期

9 趙英紅;胡磊;孫存杰;平杰;;一種自適應宮頸細胞顯微圖像分割算法[J];軍事醫(yī)學;2012年12期

10 李s

本文編號：2807753