论文总字数：17363字

摘 要

医学图像分割是指将一幅医学图像分割成若干个且互不交叉的图像集合，是医学图像分析与机器视觉结果处理的最根本的问题。医学图像分割技术是指把医学图像中需要分析的区域与其他区域分离开来，从而使分割结果尽可能地接近解剖结构。如今在生物医学图像处理和分析领域中，研究如何进行医学图像分割技术是的重要内容之一。首先对生物医学图像的分割，然后对生物医学图像进行处理和分析，从而帮助医生更精确地诊断病理并制定相应的治疗方案。但由于现阶段人们无法完全用数学模型对图像分割进行简单描述，以及每一个分割对象的结构和性质都不相同，而且不同的分割对象对预期目标和分割结果互不相同等因素，造成了无法研究一种通用、大众化的分割方法。

医学图像中一个重要的图像特性便是纹理，但是由于我们难以对其图像本身进行准确的描述，所以至今还未出现众人所公认的定义。作为医学图像纹理分析的重要内容，医学图像特征提取及医学图像分割是医学纹理分割中最重要的两个方面。

本文首先概述了医学图像分割研究背景及现状，然后介绍了医学图像分割的常用算法，例如基于边界分割技术的方法，基于阈值的方法等。接着具体阐述了本文的主要研究内容，即FTCM模型和字典模型的学习与构建。在此基础上，我们设计了一种借助FTCM模型，通过构建字典模型、学习字典模型，高斯平滑等对医学图像依照纹理分类等步骤进行了分类与分割，将病变区域与正常区域区分开来的算法。

关键词：图像分割；FTCM；纹理分类；字典模型

Abstract

Medical image segmentation refers to a medical image and the image is divided into a number of set do not cross, is the most fundamental of medical image analysis and machine vision problems processing results. Medical image segmentation refers to the region in the medical image to be analyzed and separated from other regions, so that the segmentation result as close as possible anatomy. Today in biomedical image processing and analysis, the study of how medical image segmentation is an important part. First, biomedical image segmentation and biomedical image processing and analysis to help doctors more accurately diagnose pathology and to develop appropriate treatment programs. But because at this stage it can not be completely mathematical model of image segmentation brief description, and each segmented object structure and properties are not the same, and different goals and expectations segmented object segmentation mutually equal factors, resulting in can not be Research on a universal, popular segmentation method.

Medical images is an important image characteristics texture, but because we can not accurately describe their image itself, so it has not been recognized by all definitions appear. As an important part of the medical image texture analysis of medical images and medical image segmentation feature extraction in texture segmentation is medicine the two most important aspects.

This paper outlines the background and status of medical image segmentation, and then introduced the commonly used medical image segmentation algorithm, for example, boundary segmentation method based on threshold-based method and the like. Then expounds the main contents of this paper, namely learning FTCM model and dictionary Model Construction. On this basis, we have designed a means of FTCM model, by constructing the dictionary model, study the dictionary model, Gaussian smoothing texture classification of medical images and other steps in accordance with the classification and segmentation, lesion area and the normal area distinguish algorithm.

KEY WORDS: image segmentation； FTCM,；texture classification,；dictionary model

目 录

摘 要 I

Abstract II

目 录 III

第一章 绪 论 1

1.1 引言 1

1.2 医学图像分割的常用方法 1

1.2.1基于边界分割技术的方法 1

1.2.2基于区域的分割方法 1

1.2.3结合区域与边界技术的方法 2

1.3 本文主要研究内容 3

1.3.1框架纹理分类方法（FTCM) 3

1.3.2构建字典模型及学习字典模型 3

1.3.3高斯平滑 3

1.4本章小结 4

第二章 算法分析 5

2.1介绍 5

2.2基于稀疏框架的陈述 5

2.3纹理模型 6

2.4框架设计 9

2.5分类 11

第三章 系统实现 13

3.1开发工具简介 13

3.2系统流程图 14

3.3系统实现 14

3.3.1功能实现 14

3.3.2实验结果分析 18

3.4本章小结 19

致 谢 20

参考文献 21

第一章 绪 论

1.1 引言

纹理特征的医学图像处理是数字图像处理的一个重要分支。现在有许多生物医学信息比如X射线、核磁共振以及超声波是在计算机上以图像的形式表现出来的。此类技术逐渐成为人们研究人体组织器官组织、病变的重要工具。随着社会的进步，人们对于医学纹理图像的分析从一开始的二维到三维。因此，研究适用于现代医学纹理图像的分割算法是现代生物医学纹理图像处理的热点领域。

医学图像纹理分析主要需要解决三个问题：纹理分割，纹理分类和从纹理恢复形状。纹理分割主要研究的是在医学图像中依据某种纹理特征的一致性准则主动确定医学图像中各个纹理的边界，从而将图像分割成不同的区域，区域之间纹理不同，区域内部纹理相同。

1.2 医学图像分割的常用方法

近几年来，如何进行医学图像分割被大量的研究者所研究，但是医学图像分割研究依然停滞在起步阶段，医学纹理图像分割仍然是一个高难度的课题。医学纹理图像分割的办法大约可以分为三种，即基于图像纹理的边界、基于图像纹理区域以及基于图像纹理边界区域两者混合的方法。医学图像纹理分割方法也可分为图像纹理硬分割和图像纹理软分割，即图像纹理非模糊化分割和图像纹理模糊化分割两种不同的情况。

剩余内容已隐藏，请支付后下载全文，论文总字数：17363字