基于閾值的醫學圖像分割技術的計算機模擬及應用

郭 璇，鄭 菲，趙若晗，吳 丹，彭鈺欣，韓冬熇，毛凌毓，楊 影，葉佳慧，紀杜娟，董 默

（牡丹江醫學院 醫學影像學院，黑龍江 牡丹江 157000）

0 引言

隨著圖像處理技術及計算機模擬應用的快速發展，圖像處理技術已經廣泛的應用于生活的方方面面，通常我們對圖像進行處理的目的就是產生更適合人或計算機識別的圖像，而其中關鍵的一步就是對包含大量而多樣信息的圖像進行分割。所謂圖像分割是按照一定的規則將一幅圖像或者景物分成若干個子集的過程[8]。相對于整幅圖像來說，進行圖像分割后的圖形更適合做進一步處理和分析。圖像分割發展由來悠久，已經應用于各個方面，今天我們就其在醫學方面的應用進行簡單討論。醫學圖像分割算法已成為圖像處理和分析領域中的研究的重點，目前新興的算法越來越多，相對比傳統的基于閾值、區域及邊緣的算法又有了新的補充。但是，至今為止仍然沒有一種通用的分割算法對各種圖像均能得到滿意的分割結果。因此筆者認為，在醫學圖像處理的實際應用中，應根據被處理圖像的實際特點，因地制宜，合理地選擇或設計合適的分割方法進而達到輔助診斷的目的。

本篇文章首先針對醫學圖像分割的大致分類、特征等進行了簡要的介紹，然后就基于閾值的分割方法進行詳盡的討論并利用計算機軟件以實際處理效果分析了常見幾種基于閾值的分割方法的優缺點。

1 醫學圖像分割的常見方法及特征

通常情況下，分割技術重點在于找尋圖像目標與其背景之間的差異，這也是各種算法的根本所在。所以，分割技術的關鍵是找出一定的特征，特征包括兩種：一是相似特征，即在此特征下目標是相似的，二是在這個特征下，分割目標與背景有較大的差異性。根據尋找特征的方式，常見的圖像分割方法可以分為以下三大類：基于區域特征的方法、基于邊緣特征的方法和基于相關匹配的方法。基于區域特征的方法所依據的是灰度、亮度、顏色等某些—定空間范圍內的圖像局部特征，在這些特征下目標和背景區域內部具有一定程度的相似性[6]；基于邊界的方法認為不同的目標在邊緣之間會存在越變跳變，因此尋找邊界線是基于邊緣的分割方法的核心，常用的邊緣檢測也是依據此原理；基于匹配的方法則根據已知目標的特征建立相應的模板將特殊目標分離出來[8]。在實際應用過程中，尤其在醫學領域，上述這些技術并不是彼此獨立的，通常會交叉配合使用，才能達到預期的效果。

盡管圖像分割技術已經發展多年，但由于圖像內容的多樣性以及模糊、噪聲等的干擾，圖像分割具有很高的難度和不確定性。無論費時費力的人工分割或是方便快捷的機器分割，都存在其自身的弱點，至今為止沒有普適性分割方法和通用的分割效果評價標準，判定分割的好壞必須結合實際應用，例如，在醫學上可以更好的輔助醫生進行診斷的分割即是合理的分割。總結起來合理的圖像分割技術應該具有分割有效性、分割完整性、細節精確性三大特征，現代醫學分割技術也遵循上述特征來繼續發展中。

2 基于閾值的醫學圖像分割方法的應用及比較

上文提到常用的三大類型分割技術，筆者認為圖像的閾值分割是一種應用最為廣泛的圖像分割技術，更為成熟，但即使發展較早，近年來仍然不斷有新的分割算法出現，因此本文針對常見的基于閾值的圖像分割技術做了詳細的介紹。

基于閾值的分割技術尋找的特征主要為灰度，即利用了目標和背景在灰度上的差異，把圖像看做具有不同灰度級的目標和背景兩大部分的組合。其原理為，逐個比較圖像中每個像素值和閾值的關系，進而來判斷該像素點屬于目標還是背景，從而進一步產生二值圖像[10]。從原理上分析，這種分割方法最為簡單容易讓人理解，除此之外，閾值分割還可以大量壓縮數據，減少存儲容量，針對無論人工或是計算機處理都可以提高處理效率。

由于閾值分割主要的特征為灰度級，因此常用的閾值法基本上都是基于一維灰度直方圖統計特征的分割方法，我們會將圖像的灰度直方圖繪制出來，簡單地用一個或幾個閾值將圖像灰度直方圖分成兩段或多段，根據需要將目標和丟棄的部分利用灰度值的不同區分開來。下例中我們根據圖像所對應的直方圖的峰值和谷點選取閾值T=240，T=210，T=180時分別做出這時的醫學圖像分割結果，如圖1所示，通過觀察實際分割效果能清晰的看出基于閾值的醫學圖像分割的效果。

圖1 不同閾值選取下醫學圖像的實驗結果Fig.1 Experimental results of medical images under different thresholds

基于閾值的方法根據使用的是圖像的整體信息還是局部信息，還可以將分割方法分為局部閾值和全局閾值[7]。其最重要的一步就是選取合適的閾值，簡單的閾值選取方法是以圖像的灰度直方圖為對象，以得到的各個灰度級的概率分布密度為基礎，依據某一準則選取合適的閾值，最終確定像素點的歸屬。目前為止，常見的閾值分割算法有雙峰法、otsu方法、迭代法、最大熵法等。本文所采用的閾值分割算法均是通過MATLAB軟件實現完成。下面將常用的基于閾值的圖像分割方法做詳細介紹。

2.1 雙峰法

雙峰法是最為簡單的閾值分割方法，若分割前已經對圖像中的目標和背景灰度級有確切的了解，那么閾值就可以直接確定。也可以采取嘗試的方法，試驗不同的閾值，直到分割效果達到要求為止，在實際工程中經常使用。雙峰法簡單，易操作，但針對復雜圖像往往分割效果不理想。

以下幾組實驗通過選擇特定的閾值進行雙峰法圖像分割處理。如圖2所示。

2.2 最大熵法

熵是信息論中的一個術語。最大熵法的目的在于將圖像的灰度直方圖分成兩個或多個獨立的類，使得各類熵的總量最大[6]。根據最大熵原理進行圖像閾值分割，通常選取一個閾值，使圖像用這個閾值分割出的兩部分的一階灰度統計的信息量最大，即一維熵最大。一維最大熵閾值圖像分割法的基本方法如下：

（1）統計圖像中每一個灰度級出現的概率；

（2）計算該灰度級的熵；

（3）以某一灰度級作為圖像分割點，區分目標和背景；

圖2 雙峰法醫學圖像分割實際效果Fig.2 Experimental results of two-mountain method for medical image segmentation

（4）對圖像中每個灰度級求目標和背景區域的熵的和，選取和最大的灰度級作為分割圖像的閾值。

基于熵的閾值選取法基本不會受到目標大小的影響，因此其針對目標較小的情況使用效果很好，但一維最大熵法由于涉及對數運算，因此處理速度慢，若針對目前的實時分割，可能達不到預期的效果，而且若圖像細節多或是復雜的情況也不適合使用此方法。如圖3所示，使用最大熵法進行醫學圖像分割后的結果。

圖3 最大熵法醫學圖像分割實驗結果Fig.3 Experimental results of maximum entropy method for medical image segmentation

2.3 Otsu 法

Otsu法是一種自動的非參數非監督的閾值選擇法,在使用時只需要計算灰度直方圖的零階和一階累積矩,相對運算簡單,且分割穩定有效。這種確定閾值的方法，也稱為最大類間方差閾值分割方法或大津法。通常情況下，通過Ostu法選取出來的閾值非常理想，在各種情況下的表現都較為良好，可以說是目前很穩定的分割方法，但是Otsu法本質上屬于單閾值的圖像分割方法，即只能將圖像分為兩類，如果目標與背景的大小比例不均衡時，此種方法會失效。Otsu方法在運算上相對比最大熵法要快，盡管算法相對復雜，但在圖像分割領域中目前使用極為廣泛。如圖4所示，使用Otsu法進行醫學圖像分割后的結果。

圖4 Otsu 法醫學圖像分割實驗結果Fig.4 Experimental results of Otsu method for medical image segmentation

2.4 迭代法

通過迭代方式也可以選取閾值，首先選取圖像灰度范圍的中值作為初始值，把原始圖像中的全部像素分為前景和背景兩大類，然后分別對其進行積分處理并將結果取平均獲取新的閾值，并按此閾值再將圖像分為前景、背景兩大類[7]。如此反復迭代下去，當閾值不再發生變化，認為此刻的閾值即作為最終的結果并用于對本圖像的分割。

由于迭代算法使用反復的循環方式，因此其計算速度也相對較慢，迭代法適用于直方圖呈現雙峰形狀且峰谷特征比較明顯的圖像，但是對于圖像直方圖雙峰特征不明顯，或目標和背景比例差異很大情況下分割效果可能不理想。如圖5所示，使用迭代法法進行醫學圖像分割后的結果。

3 總結

圖5 迭代法醫學圖像分割實驗結果Fig.5 Iterative method for medical image segmentation

閾值法作為一種傳統的圖像分割方法，因其實現簡單便利、性能較穩定、方法多元化已經成為圖像分割中最基本和應用最廣泛的分割技術。由于便利且迅速，該方法通常應用于圖像的預處理，并能取得滿意的結果。在圖像處理技術高速發展的今天，基于閾值的圖像分割技術已經有多種算法應用，且不斷的繼續發展中，確定最佳閾值是閾值分割法的關鍵，對閾值選取方法的研究和應用具有重要意義。在醫學領域對圖像的分割的好壞直接影響醫師的診斷效果，因此合理的使用閾值法并且將其與其他分割方法結合使用以得到更好的分割結果具有重要意義。通過閱讀本文希望讀者可以對基于閾值的醫學圖像的分割技術有所了解。

[1] 閆秋孟, 董默等. 基于MATLAB的醫學圖像處理系統設計與應用[J]. 軟件, 2017, 38(2): 51-55.

[2] 鄧華. 淺談Matlab在數字圖像處理中的應用[J]. 科技資訊,2006(8): 128-129.

[3] 周志尊, 孫璐等. CT與MRI融合技術的顱內腫瘤應用研究[J]. 軟件, 2017, 38(5): 34-38.

[4] 陳廣新等. 股骨3D模型構建在股骨頭置換手術中的應用研究[J]. 軟件, 2017, 38(12): 75-80.

[5] 王娟, 周金芝. 基于Matlab的形態學圖像處理研究[J]. 現代交際, 2010, (4): 135-136.

[6] 康曉東. 醫學影像圖像處理[M]. 北京: 人民衛生出版社,2009.

[7] 聶東升, 邱劍鋒, 鄭建立. 醫學圖像處理[M]. 上海: 復旦大學出版社, 2014.

[8] 董默, 蘇奎, 周志尊, 周鴻鎖. 生物醫學工程專業《醫學圖像處理》實踐教學改革[J]. 軟件, 2017, 38(2): 37-41.

[9] 董默, 韓婷等. MATLAB在數字圖像處理中的應用[J]. 科技創新導報, 2016, (12): 75/115.