基于阈值的医学图像分割技术的计算机模拟及应用

郭 璇，郑 菲，赵若晗，吴 丹，彭钰欣，韩冬熇，毛凌毓，杨 影，叶佳慧，纪杜娟，董 默

（牡丹江医学院 医学影像学院，黑龙江 牡丹江 157000）

0 引言

随着图像处理技术及计算机模拟应用的快速发展，图像处理技术已经广泛的应用于生活的方方面面，通常我们对图像进行处理的目的就是产生更适合人或计算机识别的图像，而其中关键的一步就是对包含大量而多样信息的图像进行分割。所谓图像分割是按照一定的规则将一幅图像或者景物分成若干个子集的过程[8]。相对于整幅图像来说，进行图像分割后的图形更适合做进一步处理和分析。图像分割发展由来悠久，已经应用于各个方面，今天我们就其在医学方面的应用进行简单讨论。医学图像分割算法已成为图像处理和分析领域中的研究的重点，目前新兴的算法越来越多，相对比传统的基于阈值、区域及边缘的算法又有了新的补充。但是，至今为止仍然没有一种通用的分割算法对各种图像均能得到满意的分割结果。因此笔者认为，在医学图像处理的实际应用中，应根据被处理图像的实际特点，因地制宜，合理地选择或设计合适的分割方法进而达到辅助诊断的目的。

本篇文章首先针对医学图像分割的大致分类、特征等进行了简要的介绍，然后就基于阈值的分割方法进行详尽的讨论并利用计算机软件以实际处理效果分析了常见几种基于阈值的分割方法的优缺点。

1 医学图像分割的常见方法及特征

通常情况下，分割技术重点在于找寻图像目标与其背景之间的差异，这也是各种算法的根本所在。所以，分割技术的关键是找出一定的特征，特征包括两种：一是相似特征，即在此特征下目标是相似的，二是在这个特征下，分割目标与背景有较大的差异性。根据寻找特征的方式，常见的图像分割方法可以分为以下三大类：基于区域特征的方法、基于边缘特征的方法和基于相关匹配的方法。基于区域特征的方法所依据的是灰度、亮度、颜色等某些—定空间范围内的图像局部特征，在这些特征下目标和背景区域内部具有一定程度的相似性[6]；基于边界的方法认为不同的目标在边缘之间会存在越变跳变，因此寻找边界线是基于边缘的分割方法的核心，常用的边缘检测也是依据此原理；基于匹配的方法则根据已知目标的特征建立相应的模板将特殊目标分离出来[8]。在实际应用过程中，尤其在医学领域，上述这些技术并不是彼此独立的，通常会交叉配合使用，才能达到预期的效果。

尽管图像分割技术已经发展多年，但由于图像内容的多样性以及模糊、噪声等的干扰，图像分割具有很高的难度和不确定性。无论费时费力的人工分割或是方便快捷的机器分割，都存在其自身的弱点，至今为止没有普适性分割方法和通用的分割效果评价标准，判定分割的好坏必须结合实际应用，例如，在医学上可以更好的辅助医生进行诊断的分割即是合理的分割。总结起来合理的图像分割技术应该具有分割有效性、分割完整性、细节精确性三大特征，现代医学分割技术也遵循上述特征来继续发展中。

2 基于阈值的医学图像分割方法的应用及比较

上文提到常用的三大类型分割技术，笔者认为图像的阈值分割是一种应用最为广泛的图像分割技术，更为成熟，但即使发展较早，近年来仍然不断有新的分割算法出现，因此本文针对常见的基于阈值的图像分割技术做了详细的介绍。

基于阈值的分割技术寻找的特征主要为灰度，即利用了目标和背景在灰度上的差异，把图像看做具有不同灰度级的目标和背景两大部分的组合。其原理为，逐个比较图像中每个像素值和阈值的关系，进而来判断该像素点属于目标还是背景，从而进一步产生二值图像[10]。从原理上分析，这种分割方法最为简单容易让人理解，除此之外，阈值分割还可以大量压缩数据，减少存储容量，针对无论人工或是计算机处理都可以提高处理效率。

由于阈值分割主要的特征为灰度级，因此常用的阈值法基本上都是基于一维灰度直方图统计特征的分割方法，我们会将图像的灰度直方图绘制出来，简单地用一个或几个阈值将图像灰度直方图分成两段或多段，根据需要将目标和丢弃的部分利用灰度值的不同区分开来。下例中我们根据图像所对应的直方图的峰值和谷点选取阈值T=240，T=210，T=180时分别做出这时的医学图像分割结果，如图1所示，通过观察实际分割效果能清晰的看出基于阈值的医学图像分割的效果。

图1 不同阈值选取下医学图像的实验结果Fig.1 Experimental results of medical images under different thresholds

基于阈值的方法根据使用的是图像的整体信息还是局部信息，还可以将分割方法分为局部阈值和全局阈值[7]。其最重要的一步就是选取合适的阈值，简单的阈值选取方法是以图像的灰度直方图为对象，以得到的各个灰度级的概率分布密度为基础，依据某一准则选取合适的阈值，最终确定像素点的归属。目前为止，常见的阈值分割算法有双峰法、otsu方法、迭代法、最大熵法等。本文所采用的阈值分割算法均是通过MATLAB软件实现完成。下面将常用的基于阈值的图像分割方法做详细介绍。

2.1 双峰法

双峰法是最为简单的阈值分割方法，若分割前已经对图像中的目标和背景灰度级有确切的了解，那么阈值就可以直接确定。也可以采取尝试的方法，试验不同的阈值，直到分割效果达到要求为止，在实际工程中经常使用。双峰法简单，易操作，但针对复杂图像往往分割效果不理想。

以下几组实验通过选择特定的阈值进行双峰法图像分割处理。如图2所示。

2.2 最大熵法

熵是信息论中的一个术语。最大熵法的目的在于将图像的灰度直方图分成两个或多个独立的类，使得各类熵的总量最大[6]。根据最大熵原理进行图像阈值分割，通常选取一个阈值，使图像用这个阈值分割出的两部分的一阶灰度统计的信息量最大，即一维熵最大。一维最大熵阈值图像分割法的基本方法如下：

（1）统计图像中每一个灰度级出现的概率；

（2）计算该灰度级的熵；

（3）以某一灰度级作为图像分割点，区分目标和背景；

图2 双峰法医学图像分割实际效果Fig.2 Experimental results of two-mountain method for medical image segmentation

（4）对图像中每个灰度级求目标和背景区域的熵的和，选取和最大的灰度级作为分割图像的阈值。

基于熵的阈值选取法基本不会受到目标大小的影响，因此其针对目标较小的情况使用效果很好，但一维最大熵法由于涉及对数运算，因此处理速度慢，若针对目前的实时分割，可能达不到预期的效果，而且若图像细节多或是复杂的情况也不适合使用此方法。如图3所示，使用最大熵法进行医学图像分割后的结果。

图3 最大熵法医学图像分割实验结果Fig.3 Experimental results of maximum entropy method for medical image segmentation

2.3 Otsu 法

Otsu法是一种自动的非参数非监督的阈值选择法,在使用时只需要计算灰度直方图的零阶和一阶累积矩,相对运算简单,且分割稳定有效。这种确定阈值的方法，也称为最大类间方差阈值分割方法或大津法。通常情况下，通过Ostu法选取出来的阈值非常理想，在各种情况下的表现都较为良好，可以说是目前很稳定的分割方法，但是Otsu法本质上属于单阈值的图像分割方法，即只能将图像分为两类，如果目标与背景的大小比例不均衡时，此种方法会失效。Otsu方法在运算上相对比最大熵法要快，尽管算法相对复杂，但在图像分割领域中目前使用极为广泛。如图4所示，使用Otsu法进行医学图像分割后的结果。

图4 Otsu 法医学图像分割实验结果Fig.4 Experimental results of Otsu method for medical image segmentation

2.4 迭代法

通过迭代方式也可以选取阈值，首先选取图像灰度范围的中值作为初始值，把原始图像中的全部像素分为前景和背景两大类，然后分别对其进行积分处理并将结果取平均获取新的阈值，并按此阈值再将图像分为前景、背景两大类[7]。如此反复迭代下去，当阈值不再发生变化，认为此刻的阈值即作为最终的结果并用于对本图像的分割。

由于迭代算法使用反复的循环方式，因此其计算速度也相对较慢，迭代法适用于直方图呈现双峰形状且峰谷特征比较明显的图像，但是对于图像直方图双峰特征不明显，或目标和背景比例差异很大情况下分割效果可能不理想。如图5所示，使用迭代法法进行医学图像分割后的结果。

3 总结

图5 迭代法医学图像分割实验结果Fig.5 Iterative method for medical image segmentation

阈值法作为一种传统的图像分割方法，因其实现简单便利、性能较稳定、方法多元化已经成为图像分割中最基本和应用最广泛的分割技术。由于便利且迅速，该方法通常应用于图像的预处理，并能取得满意的结果。在图像处理技术高速发展的今天，基于阈值的图像分割技术已经有多种算法应用，且不断的继续发展中，确定最佳阈值是阈值分割法的关键，对阈值选取方法的研究和应用具有重要意义。在医学领域对图像的分割的好坏直接影响医师的诊断效果，因此合理的使用阈值法并且将其与其他分割方法结合使用以得到更好的分割结果具有重要意义。通过阅读本文希望读者可以对基于阈值的医学图像的分割技术有所了解。

[1] 闫秋孟, 董默等. 基于MATLAB的医学图像处理系统设计与应用[J]. 软件, 2017, 38(2): 51-55.

[2] 邓华. 浅谈Matlab在数字图像处理中的应用[J]. 科技资讯,2006(8): 128-129.

[3] 周志尊, 孙璐等. CT与MRI融合技术的颅内肿瘤应用研究[J]. 软件, 2017, 38(5): 34-38.

[4] 陈广新等. 股骨3D模型构建在股骨头置换手术中的应用研究[J]. 软件, 2017, 38(12): 75-80.

[5] 王娟, 周金芝. 基于Matlab的形态学图像处理研究[J]. 现代交际, 2010, (4): 135-136.

[6] 康晓东. 医学影像图像处理[M]. 北京: 人民卫生出版社,2009.

[7] 聂东升, 邱剑锋, 郑建立. 医学图像处理[M]. 上海: 复旦大学出版社, 2014.

[8] 董默, 苏奎, 周志尊, 周鸿锁. 生物医学工程专业《医学图像处理》实践教学改革[J]. 软件, 2017, 38(2): 37-41.

[9] 董默, 韩婷等. MATLAB在数字图像处理中的应用[J]. 科技创新导报, 2016, (12): 75/115.