基于区域生长的肺部CT图像分割研究.doc

中南民族大学本科毕业论文（设计）原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名： 年 月 日 目录 摘 要1Abstract11 绪论21.1 研究背景和意义21.2 研究内容21.3 本论文的章节安排22 区域生长算法简介32.1 区域生长算法32.2 基于阈值的区域生长算法程序流程32.3 区域生长算法生长准则的选取42.4 本章小结43区域生长算法的分析与改进53.1 区域生长算法的分析53.2 改进的区域生长算法53.2.1 生长起始点的自动选择53.2.2 生长准则的改进63. 3 算法优化对比63.5 本章小结84改进算法的应用及结果分析84.1 肺部CT图像处理的主要问题84.2 实验结果分析94.3 本章小结105 系统实现115.1系统框架115.2 系统具体功能实现115.2.1 功能模块图115.2.2 功能实现125.3 系统界面及简单使用135.5 本章小结16结论16致 谢17参考文献18基于区域生长的肺部CT图像分割研究摘 要：近几年，肺部疾病的发病率呈上升趋势，医生采用计算机辅助诊断肺部疾病时，手工工作量较大，诊断效率较低。在本文中，通过分析肺部CT图像的灰度值分布以及肺实质位置特征，缩小种子点选取的范围，实现种子点的自动选取，并进一步确定阈值实现了肺部CT图像的自动分割，极大地减少了手工工作量，提高诊断效率。改进算法为实现医学图像的自动分割打下了基础，更好的为医生诊断提供准确的信息。此外，本文采用MFC和CxImage类库实现了基于改进算法的图像分割系统，该系统支持各种图片类型文件的读取、显示、保存及分割。关键词：肺部CT图像；图像分割；区域生长Lung CT image segmentation based on region growingAbstract: In recent years, the appearance of lung disease are rising,doctors use computer-aided diagnosis of lung disease,which is large manual workload and low diagnostic efficiency.In this paper, according to the gradation distribution of lung CT images and lung position characteristic, reduce the seed points selection range and select the seed points automatically, which can realize the automatic CTimage segmentation system and greatly reduce work and result into a significant increase in efficiency. The modified algorithms provide diagnosis information for doctor and foundation for the medical images automatic segmentation . Besides,the MFC and CxImage libraries are used in the image segmentation system which can read, display, save and segment all the types of images.Key words: lung CT image; image segment; region growing1 绪论1.1 研究背景和意义随着我国的迅猛发展，环境问题日益凸显，空气质量多次超出PM2.5正常标准，尤其是工业发展重地，肺癌的发病率迅速上升，死亡率也在持续上升。但目前还没有有效的手段来治疗肺癌，对付肺癌我们只能采取早发现早治疗的手段，在对肺部疾病进行计算机辅助诊断研究时，肺部CT(Computed Tomography,计算机断层摄像)图像在肺癌早期发现中起到重要作用 王阳萍, 杜晓刚, 赵庶旭, 王松. 医学影像图像处理M. 北京: 清华大学出版社, 2012: 69-77.。对肺癌临床诊疗时，临床医生的首要工作则是对病人目前的身体状况做出正确的判断，而正确的判断取决于医生获取的信息的科学程度及数量多少，肺部CT图像所包含信息量的丰富程度远远超过几个数据或者几条曲线。是否对肺部CT图像进行稳定、自动和精确的分割，其分割结果会直接影响后续诊断过程。通过肺部CT图像分割是利用计算机发现肺癌的首要条件 苏明忠. 医学图像分割算法研究D. 长春理工大学硕士学位, 2008.。对肺部区域进行分割也是完成自动量化确诊的先决条件。在实现对肺实质的分割提取之后，医生可以参考得到的数据对病人的身体状况做出更快更准确的诊断，从而快速精确的定下病人的治疗方法；同时可为重建肺部的三维图像减少复杂度，定位位置重建其形状，给外科手术以及放疗和化疗等需要定位的治疗提供极大方便 王娜娜. 肺部CT图像分割技术研究D. 中北大学硕士学位, 2013.。1.2 研究内容本文着重研究区域生长法在切割肺部CT图像中的应用。区域生长算法是串行区域操作像素级的算法，通过选取种子点来对该点的相邻区域按某种准则将具有相似特性的区域合并 曹彪. 基于区域生长的 OCT 图像分割算法研究D. 北京理工大学硕士学位. 2014.。在传统算法的实现中，种子点需要手工来选取，根据不同图像的不同特征来选取目的特征区域中的某点作为种子点，种子点的选取完成后需要选取合适的生长准则，设定合适的阈值来确保运用区域生长算法的时候不会造成对图像的过分割或者欠分割，但面对数量过大的医学图像则需要通过改进分割技术来提高对医学图像分割的效率 王佳男. 采用基于区域的自动种子区域生长法的彩色图像分割方法D. 东北师范大学硕士学位. 2015.。在选取种子点时，由于不同的医学图像具有不同的特征，很难有一个通用的选取规则。本文选定肺部CT图像，针对肺部CT图像的肺实质区域明显，边界清晰，位置规则这些特点，缩小种子点选取的范围，并通过灰度值直方图确定种子点的灰度值取值范围，从而实现图像种子点的自动选取。再进一步通过待分割图像的灰度值直方图确定阈值取值，可在未处理的肺部CT图像中自动分割出左右肺部。其次，通过将改进的区域生长算法与改进前算法的分割效果相对比分析，改进算法增强了分割结果的效果并提高了分割的效率，实现了对于肺部CT图像的自动分割。1.3 本论文的章节安排本文在分析区域生长法基础上，结合肺部CT图像的特征，来实现图像的分割，并进一步根据该类图像的特征提出了改进的区域生长算法，实现了肺部CT图像的自动分割。第一章，首先介绍了本文课题选题的研究意义和依据，着重介绍本课题研究的主要内容，最后，描述了本文的具体章节安排。第二章，介绍区域生长算法，并详细介绍区域生长算法的四种生长准则。第三章，进一步分析区域生长算法，并从初始点的选择和准则的选择这两个方面改进该算法。第四章，利用改进的算法来对肺部CT图像进行分割处理，展示并分析算法改进前和改进后的算法的分割效果。第五章，对本课题的系统的实现过程进行详细的介绍，从系统框架和具体实现入手，并介绍了系统的使用。第六章，总结展望，指出目前仍未解决的问题，并就以后的研究给出计划。2 区域生长算法简介2.1 区域生长算法区域生长法的基本思想 姚敏. 数字图像处理M. 北京: 机械工业出版社, 2012: 213-215.是将具有相似特征的区域集合起来构成最终区域，该算法主要考虑的是图像中的像素点及其邻域的像素点之间的关系。首先确定一个像素点为种子点，再按照某种相似性度量增长区域，逐步生成具有某种相似性的区域，并将相邻的具有相似性的像素点或区域合并，直到没有可合并的区域或者像素点为止。区域生长法需要解决的三个问题 章毓晋. 图像工程(上册): 图像处理与分析M. 北京: 清华大学出版社, 1999: 192-195.：(1) 选取种子点；(2) 确定生长准则；(3) 制定让生长终止的条件或规则。种子点的选取常可借助具体图像的特征进行。生长准则的选取不仅依赖于具体的图像特征，也和图像种类有关。此外还要考虑相邻像素间的连通性，否则会造成过分割和欠分割。2.2 基于阈值的区域生长算法程序流程区域生长算法是从单个种子像素点出发，依据某种准则来逐渐合并周围满足该准则的邻域，直至条件终止。该算法是一种串行的区域分割的方法，当前步骤需要之前的结果支撑，结果的不同可能取决于像素处理的顺序的不同。在整个生长过程中，最重要的是选取合适的生长准则，在以种子点为中心遍历邻域像素点时，若该准则下的值不超过某个阈值，则认为该像素点和种子点可以合并。图2-1 区域生长算法流程图图2-1即为该算法的算法流程图，算法步骤如下：(1)在当前图像中选择要分割的目的物体内的某一个像素点，又叫做生长起始点或者种子点。(2)从该种子点出发，依次遍历该种子点的邻域像素点，将满足某种准则的像素点并入已生长区域。(3)重复(2)直至没有满足该准则的像素点，遍历终止，最终所有像素点组成的已生长区域则是要分割的目的物体。2.3 区域生长算法生长准则的选取关系区域生长结果的好坏有以下3个条件：初始点的选取、生长准则以及终止条件。在实现上主要是针对生长准则的改变来实现不同的效果。生长准则有三种，分别是：初始种子灰度差、统计均值灰度差、统计均值百分比。初始种子灰度差的判断准则是将当前点的灰度与最初选择的种子点的灰度进行比较，如果差值的绝对值小于或者等于设定的阈值，则认为其满足生长条件并且将其并入生长区域进行处理。判断条件：(2-1)公式2-1中，表示的是当前像素点的灰度值，表示的是初始种子点的灰度值，表示的是设定的阈值，公式表明如果当前像素点的灰度值与初始种子点的灰度值之差的绝对值小于或者等于设定的阈值，则认为有相似特征，将其并入生长区域，反之弃之。统计均值灰度差的判断准则是将当前像素点的灰度值与生长区域中所有像素点灰度值的平均值进行比较，如果差值小于或者等于阈值，则认为其满足生长条件并且将其并入生长区域进行处理。公式中平均值是对于所有已经并入生长区域的像素点的灰度值进行累加，并且求其平均值，将这个平均值作为判断的准则。判断条件：(2-2)公式2-1中表示的是生长区域中所有像素点灰度值的平均值，公式表明如果当前点的灰度值与一个平均的灰度值进行比较，如果差值小于或者等于阈值，则认为其满足生长条件，反之弃之。统计均值百分比的判断准则是将当前像素点的灰度值与生长区域中所有像素点灰度值的平均值的差值除以该平均值，以获得差值与平均值的百分比，将这个百分比与阈值进行比较，如果小于或者等于这个阈值，则认为其满足生长条件并且将其并入生长区域中进行处理。判断条件：(2-3)公式2-2中，表示设定的百分比阈值，公式表明如果当前点的灰度与一个平均值的灰度值的差值百分比小于或者等于设定的阈值，则认为该点满足生长条件并入生长区域，反之弃之。2.4 本章小结本章介绍了区域生长算法，首先详细说明了该算法的思想以及算法步骤，其次从区域生长算法的生长准则出发，来认识串行操作像素的区域生长法。3区域生长算法的分析与改进3.1 区域生长算法的分析区域生长法的优点 周楠. 基于CT图像的肺部区域分割技术研究D. 南方医科大学硕士学位, 2013.是需要较少的计算量、效率高，特别适用于简单、规律性强的图像。区域生长法的缺点是需要手工选择种子点，同时，对噪声也敏感，容易造成过分割或者欠分割。为了克服这些缺点，陆剑锋等 陆剑锋, 林海, 潘志庚, 等. 自适应区域生长算法在医学图像分割中的应用J. 计算机辅助设计与图形学学报, 2005, 17(10) : 2168-2173.提出通过计算种子点邻域像素点的统计值，实现基于阈值的自适应变化的分割算法，能有效地提取目的区域，并具有抗噪声干扰能力。在图像分割中，区域生长法与阈值法经常与其他的图像分割方法结合使用，并不单独处理图像。如 Jiang，Hui- Yan 等人 Jiang, Hui-Yan, Si, Yue-Peng. Medical image segmentation based on improved Ostu algorithm and regional growth algorithmJ. Journal of Northeastern University, 2006, 27(4): 398-401. 利用区域生长法和OSTU算法结合实现图像分割；Wu Hai- Shan和 Gil Joan等人 Wu, Hai-Shan, Gil, Joan, et al. Region Growing Segmentation of Chromatin Clumps of Ovarian Cells Using Adaptive GradientsJ. Journal of Imaging Science and Technology, 2004, 48(1): 22-27. 则通过对生长法的迭代改进分割出卵巢细胞中的染色质；Angelina，S.等人 Angelina, Suresh, L-Padma, et al. Image segmentation based on genetic algorithm for region growth and region mergingC. 2012 International Conference on Computing, Electronics and Electrical Technologies, ICCEET, 2012: 970-974.在 2012 年提出了一种新的区域生长法与遗传算法结合的医学图像分割算法。Pohle 等人 段瑞玲, 李庆祥, 李玉和. 图像边缘检测方法研究综述J. 光学技术, 2005, 31(3): 415-419.把未处理的区域像素值视为正态分布，首先用传统的区域生长法计算出大概的分布参数，再将该参数应用到二次生长，以此分割出目的区域。为了克服大多数区域生长算法对于初始种子点的选取顺序和位置不定的问题，Zheng 等 ZhengL, JinJ.Hugues T1 Unseeded Region Growing for 3Dimage SegmentationJ. Journal of Research and Practicein Information Technology, 2001, (2): 31-37.开发出不需种子点的自动分割算法；于水等 Yu Shui, Ma Fanyuan. Medical Image Segmentation Method Based on Information FusionJ.Journal of Computered Design & Computer Graphics, 2001, 13(12): 1073-1076.将图像的纹理信息和灰度信息融合在区域生长的标准中；Law 等 Law T Y,Heng P A.Automated Ext raction of Bronchus from 3D CT Images of Lung Based on Genetic Algorit hm and 3D Region GrowingC. Proc of SPIE, 2000: 906-916.把平面的区域生长算法扩展到三维空间；You Jianjie等 You Jianjie, Zhou Zeming, Pheng Ann Heng, et al . Simula ted Annealing Based Simplified Snakes for Weak Edge Medical Image SegmentationJ. Journal of Image and Graphics, 2004, 9(1): 11-17.将模糊理论和优化算法应用到区域生长算法中；陆剑锋等 陆剑锋, 林海, 潘志庚. 自适应区域生长算法在医学图像分割中的应用J. 计算机辅助设计与图形学学报, 2005, 17(10): 2168-2173.将各向异性滤波技术和区域生长算法结合，并在算法中加入自适应参数的自适应区域生长算法对医学图像进行分割。2012 年 Park，J.等人 Park, Jonghyun, Park, Soonyoung, et al. Medical image segmentation using level set method with a new hybrid speed function based on boundary and region segmentationJ. IEICE Transactions on Information and Systems, 2012, 95(8): 2133- 2141.使用并行边界与区域相结合的方法对不同医学图像进行分割，实验结果表明，该方法能可靠准确地分割医学图像。3.2 改进的区域生长算法对于不同类型的医学图像，如何自动的确定种子点是一个难题，在本课题中仅针对肺部CT这一特定图像来分析其特点，并实现种子点的自动选择，同时若想用区域生长算法来实现精确分割肺实质，那么手工选择种子点时，一定在肺实质中颜色较深位置上。我们可以利用肺部CT图像的该特点来实现肺实质的自动分割。3.2.1 生长起始点的自动选择一般来说，选取种子点的位置应该在目的区域中，通过起始点与其邻域像素点的阈值比较来合并相似区域。种子点的选取完全依赖于手工操作，若选择的起始点不同，合并结果区域也会有差异，其效果的复现性差。图3-1中a)和c)均为未处理的肺部CT图像，利用传统的区域生长算法，我们手工选取种子点，图中红色点位置即为种子点，图3-1中b)和d)为其左列相对应图像处理后的肺部CT图像，从图像分割结果可以看出，种子点的位置不同，其分割结果也会有差异。可见，手工选择单一的种子点不能满足对肺实质的精准分割。在本课题中，我们采用的方法：选择种子点的思想：通过以上分析，可以看出，选取的种子点必然落在肺实质所在区域中。肺部CT图像中，肺实质位于CT图像视野的正中心，位置规则，根据肺部CT图像的这一特征，将种子点的选取范围缩小，选定区域如图3-2中的红色方框区域。再根据像素灰度值分布确定肺部像素点的灰度值在50-100之间，从而在上述选定区域中将符合阈值条件的像素点合并 孟颖. 人体颅骨CT图像分割技术研究D. 中北大学硕士学位, 2006.。在传统算法中，手工选取种子点只能选择一个种子点，如上分析，分割结果难以复现。在改进算法中，将种子点的选取数量定为多个，以此避免目的区域的欠分割。从选定区域的左右两个方向同时来选取符合阈值条件的边界种子点，再从这些种子点出发，来遍历其邻域像素点，直至生长结束。a)b)c)d)图 3-1 未处理的肺部CT图像和处理后的肺部CT图像图 3-2种子点选取区域用改进算法对肺部CT图像实现种子的自动选取，在图像的遍历范围（即上述选定区域）中从第一行像素点开始，同时从左、右两个方向来选取在给定灰度值范围内的像素点，并将其作为种子点并入生长区域。当从左（或右）选取到第一个符合范围的像素点或是该行遍历结束，转入下一行像素点，直至选定区域像素点遍历完成。此时生长区域中的所有像素点即为选取的初始种子点。3.2.2 生长准则的改进通过肺部CT图像的灰度值直方图分析得出，肺实质灰度值在50-100之间，而视野外灰度值在30以下，空气的灰度值大于200。在通过使用不同生长准则的比对之后，选择统计均值灰度差设定为区域生长算法的生长准则，将阈值设为30。将生长条件针对肺部CT图像进一步精确，减小工作量，提高效率。3. 3 算法优化对比在区域生长法中，对种子点的四邻域进行阈值检验，若满足阈值条件，则将该邻域点与种子点合并。如此反复，直至没有满足条件的像素点。在以四邻域为范围遍历时，虽然运行时间相对较快，但分割效果较差，我们在算法中改进区域遍历范围，将四邻域进一步优化为八邻域遍历，从八个方向来增强对像素点的覆盖，以时间换效果。图3-3未处理的肺部CT图像图3-4 四邻域的分割处理结果图3-5八邻域的分割处理结果图3-3为未处理的肺部CT图像，图3-4和图3-5是对图3-3中左肺（右侧肺部）的处理结果。从以上结果可以分析得出，图3-4中的左肺上叶有明显的白色斑点，而图3-5的左肺上叶的白色斑点数明显更少，分析得出八邻域的区域生长算法的图像分割效果比四邻域的区域生长算法的效果更好、更清晰。在改进算法初期，实现种子点的自动选取时，如图3-6所示，以图像中部红色线段来作为选取种子点的范围，对于肺实质较大的肺部CT图像，分割的效果很好，可以明显切割出左右肺，但对于图3-6的肺尖的CT图像，由于肺实质较小，无法正确的选取左肺的种子点，分割结果为图3-7所示，会造成对左肺的欠分割。通过对CT图像的分析，我们将范围从直线扩大到了矩形，种子点的选取范围如图3-2所示的红色方框区域。选取的种子点个数从单个扩大到多个，分割结果如图3-8所示，可以实现多区域的同时分割，更好的分割出目标物体，改进的算法对肺部CT图像更具有普遍性。图3-6未处理的肺尖CT图像图3-7直线区域选取种子点分割结果图3-8矩形区域选取种子点分割结果3.5 本章小结进一步分析区域生长算法，并针对初始点的选择和准则的选择改进基于阈值的区域生长算法，详细说明了如何改进对种子点的自动选择，以及算法的优化。4改进算法的应用及结果分析4.1 肺部CT图像处理的主要问题本次研究中，针对肺部CT图像处理的步骤分为：确定种子点、确定生长准则、确定终止条件。在这三个步骤中，对图像中要分割出来的肺部进行分析：分割的最终实现则是将部从CT图像中以更好的效果分割出来，作进一步的分析。从图4-1中可以明显的看出，左右肺部与其他组织之间有很明显的边界，图片灰度值在50-100之间的部分则为肺部，且该部分一定在视野的正中间，这是肺部CT图像的最明显的特点。图4-1 未处理的肺部CT图像同时，此类图像还有一些其他特点，具体分析如下：图4-2 左肺中叶不张CT表现(1)非健康型肺部CT图像可能会发生肺部不连通现象，如图4-2中，此时若依旧用单个生长起始点会造成大面积的肺部缺失，对于这样的图像，如何准确切割出肺部是需要重点考虑的问题。图4-3 肺尖CT图像(2)图4-3的CT图像为切片图像，在切割肺尖时肺部的位置坐标与平均值偏离较大，不能实现正确的切割。4.2 实验结果分析针对上述问题，我们利用改进算法对几组肺部CT图像进行分割处理，以下为几组处理结果，图4-4中a)、c)、e)、g)为待处理的肺部CT图像，图4-4中红色点则为通过改进算法自动选取的种子点，右边为分割的肺实质。其中图4-4g)在上一节中提到的肺实质不连通的情况，但通过我们扩大种子点的选取区域，很好的解决了这种切割问题,分割结果见图4-4h)。a)b)c)d)e)f)g)h)图4-4 改进算法处理的肺部CT图像从以上图像分割结果可以观察到，改进算法有效的把目标物体分割出来，不需要人为干预，实现自动分割。4.3 本章小结本章首先分析了肺部CT图像处理中所面临的一些主要问题，以及本课题所要研究的主要问题，利用改进算法对CT图像进行处理。通过分割的结果，来说明改进算法可以自动、有效的达到预期目的，实现肺部CT图像的自分割。通过分析对比可知，成功的分割出了肺实质。5 系统实现5.1系统框架本系统开发基于区域生长的图像分割系统，其主要目的是研究区域生长算法在肺部CT图像上的改进，以及在各种不同的生长准则下对灰度图像分割的效果比较，从而对串行区域分割技术进行学习。图像分割系统的运行环境为Windows系列操作系统，开发环境为Visual C+ 6.0，图像显示模块则为基于CxImage图像操作类库的二次开发。本系统的工作流程图如下：图5-1系统工作流程图5.2 系统具体功能实现 图像分割系统在功能上主要实现：(1)打开保存图像文件(2)实时显示图像(3)自动分割肺部CT图像(4)半自动分割灰度图像5.2.1 功能模块图本系统功能模块如图5-2。主要分为：文件操作模块和图像处理模块。文件操作模块实现对图像文件的打开、保存，实时显示到MFC视图中。图像处理模块又可细分为自动分割模块和半自动分割模块。自动分割模块针对肺部CT图像，自动选取种子点并根据写定的生长准则实现自动分割。半自动分割针对灰度图像，需要手工选取种子点以及确定生长准则和阈值，来实现半自动分割。图5-2系统功能模块图5.2.2 功能实现文件操作模块(1)文件打开模块名称：void CImageSegDoc:OnFileOpen()模块功能：读取需要进行串行区域分割处理的图象文件，并且将图象显示在窗口界面内。说明：使用了cximage的类库来进行文件的读取，打开的图象文件的支持类型为cximage类库支持的所有类型。处理过程：弹出文件对话框获取用户的选择，在取得文件名后，按照文件名将对应的文件载入，更新窗口界面将图象显示，同时初始化种子点为图象的正中间的点。(2)文件保存模块名称：void CImageSegDoc:OnFileSaveAs()模块功能：保存进行串行区域分割处理后的图象文件。输出参数：进行串行区域分割处理后的图象文件。说明：使用了cximage的类库来进行文件的存储，存储的图象文件的支持类型为cximage类库支持的所有类型。处理过程：弹出文件对话框获取用户的选择，在获得用户的文件名后，按照用户输入的文件名以及文件类型，将当时在窗口界面内的图象进行存储。图像处理模块(1)自动分割模块名称：void CImageSegDoc:OnSegSmooth()模块功能：用来对肺部CT图像进行自动分割处理返回结果：生成一个在原图像上进行了分割的结果图像，并将结果显示到窗口界面内。说明：使用BOOL CImageSegDoc:AutoCheckDot(int x, int y,int seedX,int seedY)方法来判断点是否满足生长条件。处理过程：1) 遍历种子点范围，获取所有符合条件的种子点，压入堆栈；2)将栈顶元素出栈，作为最开始处理的种子点，以(x0,y0)为中心，考虑其8邻域像素，如果满足AutoCheckDot函数将该点(x,y)压入堆栈；3)以此取栈顶元素弹出堆栈，将其看作(x0,y0)，重复步骤2)；4)直至栈空，生长结束。(2)半自动分割模块名称：void CImageSegDoc:RegionGrow(CPoint pt)模块功能：用来对图象进行串行区域分割的处理输入参数：pt：进行串行区域分割处理的种子点返回结果：生成一个在原图象上进行了选择的串行区域分割方法的结果图象，并且将结果显示在窗口界面内。说明：使用了BOOL CImageSegDoc:CheckDot(int x, int y,int seedX,int seedY)方法来判断点是否满足生长条件。处理过程：1)获取用户选择的种子点，设该象素为(x0, y0)；2)以(x0，y0)为中心，考虑(x0，y0)的4邻域象素(x，y)，如果(x，y)满足生长准则，则将(x，y)与(x0，y0)合并，同时将(x，y)压入堆栈；3)从堆栈中取出一个象素，把他当作(x0，y0)，回到步骤2)；4)当堆栈为空时，生长结束。5.3 系统界面及简单使用本系统的界面如图5-3。打开文件： 选择打开文件选项或者工具栏中打开文件按钮，弹出文件对话框，此时选择所需要进行处理的文件，如图5-4所示。由于使用了cximage类，所以只要是cximage支持的文件格式都可以进行处理。选择了对应的图象后，点击打开按钮就可以显示图像，如图5-5所示，并且将图像读入用来进行后续的串行区域分割处理。图5-3系统界面图图5-4系统打开文件对话框打开文件后将文件显示在窗口：图5-5文件显示 自动分割：点击菜单栏中自动分割或者通过快捷键来对肺部CT图像进行分割处理，分割结果如图5-6。图5-6自动分割图像结果 半自动分割：在已经打开了图象的基础上，选择菜单栏上的处理选项，下拉菜单如图5-7，其中有以下选项：还原、生长准则、阈值设置、阈值微调以及区域生长。其中生长准则还有2级下拉菜单，其中包括选项：临近象素灰度差、初始种子灰度差、统计均值灰度差、统计均值百分比。点击菜单项中处理来选择要选用的生长准则，点击子菜单项中区域生长开始选取种子点并处理。图5-7系统半自动分割菜单项现分别介绍各菜单项功能。还原：图象进行串行区域分割后，可以选择还原选项来将图象还原到没有处理的状态并且显示。生长准则：临近象素灰度差、初始种子灰度差、统计均值灰度差、统计均值百分比，2级菜单栏用来选择使用哪个方法来进行串行区域分割。阈值设置：弹出对话框用来设置串行区域分割所需要的阈值参数。阈值微调：弹出对话框用来对阈值进行微调，并且实时的显示串行区域分割在各种阈值设置下的处理结果。区域生长：选择后，鼠标编程笔形状，用来选择串行区域分割的种子点。5.5 本章小结本章简单的介绍了实现改进算法的图像分割系统的系统构架，以及具体实现中的系统框架图和功能需求图，进一步了解系统功能，并介绍了系统界面和简单使用。结论本论文主要针对肺部CT图像的分割提出了一种基于阈值的区域生长的分割改进算法，并将分割结果加以分析比对，验证了该算法的有效性，现将全文总结如下：本文从国内研究医学图像现状入手，分析目前医学图像的类型过多，数量过大，导致图像处理算法没有通用性。本文选择了肺部CT图像来分析图像处理算法，从而提高图像处理技术的效率，由于本科能力有限，选择了基于阈值的区域生长算法来实现图像的分割处理。在选择基于阈值的区域生长算法来处理图像后，进一步分析了区域生长算法，通过对种子点和阈值的手工选择来实现半自动的图像分割，并比对了四种生长准则对同一图像的分割效果。由于区域生长算法是串行区域生长算法，处理图像时间相对较长，但对于计算机来说这个时间是可以忽略不计的。医学图像是灰度图像，可以看作是单通道图像，操作会更方便。前面提到，在面对大量图像时，半自动分割已经满足不了医生的诊疗需求，必须提高效率，通过改进算法来减少医生的工作量，从而能更好的为病人诊疗。由于基于阈值的区域生长算法的种子点和阈值是手工选择的，如果想要提高图像处理效率，从种子点的选取和确定阈值入手是可行的方法。在对肺部CT图像进行特征分析之后，发现肺部CT图像中，肺实质的位置居于扫描视野的中心，这一特征缩小了选取种子点的范围，从而实现自动选取种子点的功能。此外，通过图像的灰度值直方图分析得出，肺实质的灰度值处于50-100之间，这个特征进一步确定了阈值的取值，从而实现自动分割肺部CT图像。在实现种子点的自动选取时，拿时间换效果，缩小种子点选取区域，并将种子点的选取数量由一个增加到多个，避免肺实质的欠分割。基于改进算法设计并实现了图像分割系统，该系统可以打开保存图像文件，支持任何满足CxImage类型的图像，并显示在系统视窗，可以实现自动分割肺部CT图像，显示左右肺实质，同时可以半自动分割处理其他灰度图像，需要手工选择种子点和生长准则，确定阈值。在算法分析与改进过程中，仍然存在不足之处，对于部分医学图像未进行预处理，导致噪声干扰。要对软件进一步改进，对生长准则和算法进行改进，使目标选择性更明确，边界过渡更平滑，使分割效果更加精细。致 谢18参考文献1. 基于单片机和DSP的卷绕控制器数据采集和通讯设计 2. 基于MSP430单片机的柴油发电机监控器的设计 3. 基于CPLD/FPGA和单片机的爆速仪设计 4. 基于单片机控制的晶闸管中频感应电源的研制 5. 基于十六位单片机的电力设备故障在线监测装置的设计与算法研究 6. 基于SPCE061A单片机的语音识别系统的研究 7. 基于PIC单片机的生物机能实验装置的研究 8. 基于Motorola MC68HC08系列单片机演示系统的设计与实现 9. 基于TCP/IP协议的单片机与INTERNET互连的设计与实现 10. 基于嵌入式实时操作系统和TCP/IP协议的单片机测控系统 11. AVR 8位嵌入式单片机在车载全球定位系统显示终端中的应用 12. 基于AVR单片机的250W HID灯电子镇流器的研究 13. 基于单片机的TCP/IP技术研究及应用14. 基于P87C591单片机的CAN总线应用层协议的研究 15. 基于单片机实现对二级倒立摆的控制 16. C8051FXXX系列单片机仿真器的研制 17. 基于80C196MC单片机控制的变频调速及配料控制系统的应用研究 18. 基于单片机的胶印机控制系统开发研究 19. 基于凌阳单片机的二次压降全自动测量仪的研制 20. 基于单片机的超声测距系统 21. 基于MOTOROLA单片机的专用电池组智能充电仪 22. 全站仪动态测量的研究以及其与单片机在轨道式龙门吊实时检测中的应用 23. 一种基于80C196KC单片机的新型电子负载的设计24. 基于单片机的对讲系统的研究开发 25. 基于单片机的微波加热沥青路面再生修复机温度控制器的开发与研究 26. 基于单片机ATmega128的嵌入式工业控制器设计