pet图像肿瘤的检测-科研训练结果.doc

pet 图像肿瘤的检测- 科研训练结果第四章用 MATLAB 进行 PET 图象肿瘤的检测 图像的读取与显示 1 、读取图像函数 imread 可以从任何 Matlab 支持的图像文件格式中,以任意位深度读取一幅图像。格式为: MAP=imread(FILENAME,'FMT') ,其中: FILENAME -为需要读入的图像文件名称, FMT -为图像格式。 2 、读取图像信息可以通过调用 imfinfo 函数获得与图像文件有关的信息,格式如下: INFO=imfinfo(FILENAME,'FMT') 其中: 返回的 INFO 是 Matlab 的一个结构体。 3 、显示图像 Matlab 的图像显示函数主要使用 imshow 。 imshow(I,n) : 显示灰度级为 n 的图像, n 缺省为 256 。 imshow(I,[low,high]) : 以灰度范围[low,high] 显示图像,如果不知道灰度范围,可以用 imshow(I,[]) 显示。 imshow(BW) : 显示二值图像。 阈值分割( 整个科研实验的重点) (1 )调入并显示图像 。(2 )用迭代式阈值选择方法分割图像: (3 )用 Otsu 法阈值选择法分割图像; (4 )用分水岭算法分割图像。(5 )将上述几种处理方法的结果作比较。在一幅图像中, 人们常常只对其中的部分目标感兴趣, 这些目标通常占据一定的区域, 并且在某些特性( 如灰度、轮廓、颜色和纹理等) 上和临近的图像有差别。这些特性差别可能非常明显, 也可能很细微, 以至肉眼察觉不出来。随着计算机图像处理技术的发展, 使得人们可以通过计算机来获取和处理图像信息。图像识别的基础是图像分割, 其作用是把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来, 并形成数字特征。图像分割是图像理解的基础, 而在理论上图像分割又依赖图像理解, 它们彼此是紧密关联的。图像分割在一般意义下是十分困难的问题, 目前的图像分割一般作为图像的前期处理阶段, 是针对分割对象的技术, 最常用到的是利用阈值化处理进行的图像分割。所谓阈值的方法实质是利用图像的灰度直方图信息得到用于分割的阈值。基于阈值的分割方法可以分为全局阈值的方法好局部阈值的方法, 全局阈值的方法是利用整幅图像的灰度信息, 从整个图像中得到用于分割的阈值, 并且根据该阈值对图像进行分割; 而局部阈值的方法是根据图像中不同区域获得对应不同区域的几个阈值, 利用这些得到的阈值对图像进行分割, 也就是一个阈值对应图像中的一个子区域。该方法的关键是如何合理地选择阈值, 人工选择法是通过人眼的观察, 应用人们对图像的知识, 在分析图像直方图的基础上人工选出合适的阈值, 也可以在人工选出阈值后,根据分割效果不断地交换操作,从而选择出较佳的阈值;自动阈值法通常使用灰度直方图来分析图像中灰度值的分布, 结合特定的应用区域知识来选取合适的阈值。(1 )迭代式阈值选择迭代式阈值选择方法的基本思想是: 开始时候选择一个阈值作为初始计值, 然后按某种策略不断地改进这一估计值, 直到满意给定的准则为止。在迭代过程中, 关键之处在于选择什么样的阈值改进策略。好的与之改进侧率应该具备两个特征:一是能够快速收敛;二是在每一个迭代过程中, 新产生阈值优于上一次的阈值。如下是具体操作步骤: a 选择图像灰度的中值作为初始阈值 b 利用此阈值的灰度均值和; 和,用下式计算区域和把图像分割成两个区域—— c 计算出和后,计算新的阈值和d 重复步骤 2和3 ,直到的差小于某个给定值。下面为实现迭代式阈值选择的 MATLAB 代码: f=imread(''); subplot(121); imshow(f); title(' 原始图像') f=double(f); T=(min(f(:))+max(f(:)))/2; done=false; i=0; while ~done r1=find(f<=T); r2=find(f>T); Tnew=(mean(f(r1))+mean(f(r2)))/2; done=abs(Tnew-T)<1; T=Tnew; i=i+1; end f(r1)=0; f(r2)=1; subplot(122); imshow(f); title(' 迭代阈值二值化图像') 用迭代式阈值选择法二值化图像(2) Otsu 法阈值选择 Otsu 法是一种使类间方差最大的自动确定阈值的方法, 该方法具有简单、处理速度快的特点,是一种常用的阈值选取方法。 MATLAB 工具箱提供的 graythresh 函数求取阈值采用