基于粒子群优化二维Otsu的肺CT图像分割算法

发布时间：2020-08-21 03:31

【摘要】：随着大气污染的加剧和环境的破坏,肺癌患者急剧增加,肺癌成为危害人类健康最大的恶性肿瘤,因此肺癌治疗迫在眉睫。当前,肺肿瘤检查的主要方式是使用CT(computed tomography,计算机断层扫描),CT图像主要体现病变区域的信息,医生根据该区域的信息对病人进行诊断和治疗。在计算机辅助诊断(Computer-Aided Diagnosis,CAD)肺肿瘤的研究中,对肺部CT图像进行分割是首要步骤,分割的结果将对后续的图像处理工作产生直接影响。因此,提高肺部CT图像分割的效率和精确度,对诊断和治疗肺癌具有重要意义。本文采用二维Otsu算法分割肺部CT图像,针对传统二维Otsu算法耗时长、分割精度低等问题,对二维Otsu算法进行改进,并采用粒子群算法对二维Otsu算法进行优化,提出了基于粒子群优化二维Otsu的肺CT图像分割算法。首先,介绍了CT图像的成像原理、肺部CT图像的特点以及一维Otsu和二维Otsu算法的原理。针对传统二维Otsu算法计算量大、背景与目标划分出错等缺点,本文对灰度级-邻域均值二维灰度直方图进行了区域限定,限定在从0区域指向1区域的对角线范围内,以缩小二维阈值的搜索范围,降低了运算量。实验结果证明,改进后的二维Otsu算法减少了阈值分割时间,提高了阈值分割的效率。其次,由于二维Otsu算法计算时采用的穷举法需要耗费大量的时间,而粒子群算法具有很强的发现较好解的能力,本文选用粒子群算法对二维Otsu算法进行阈值搜索,以减少二维Otsu算法运算时间。针对传统粒子群算法寻优精度低、易于陷入局部最优、搜索后期收敛速度较慢等问题,本文采用线性递减的权重系数和动态的加速系数,提高了粒子的全局及局部搜索能力,防止算法陷入局部最优,改善粒子群算法的收敛速度。实验结果证明,改进后的粒子群算法的收敛速度和精确度都得到大幅度提升。最后,利用本文提出的基于粒子群优化二维Otsu的肺CT图像分割算法与其他两种算法分别对五幅不同的肺CT图像进行仿真实验。实验结果证明,本文基于粒子群优化二维Otsu的肺CT图像分割算法不仅提高了肺部CT图像的分割效率,还提高了阈值分割的精确度。在肺组织CT值与人体其他组织有显著差异的情况下,首先利用本文算法得到了最佳阈值,进行肺CT图像初分割,降低了阈值选择对图像分割的影响;然后,采用孔洞填充操作去除了肺外部的背景干扰;接着,通过边界追踪法能够得到了肺部区域边界,提取出肺部实质;最后用数学形态学方法修复了肺病变区域。经过这些操作能够快速准确地从肺CT图像中分割出肺实质,可用于肺部区域计算机辅助诊断。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R734.2;R730.44;TP391.41;TP18
【图文】：

阈值分割时阈值选取的最佳算法。另外，Otsu 算法易改进，且改算法的性能能够得到很大提高。由于要研究基于 CT 图像的肺部首先要了解 CT 的成像原理，知道不同组织器官在 CT 图像中的 C据 CT 值分析肺部图像在 CT 中的特点，然后才能根据肺部图像的。本章首先介绍肺部 CT 图像的的特点，然后介绍几种常用的阈，最后针对传统二维 Otsu 算法计算量大、背景与目标划分出错等进方案，以提高传统二维 Otsu 算法的性能。肺部 CT 图像 CT 图像T（computed tomography，计算机断层扫描），是检测肺肿瘤最。经 CT 扫描，肺部的各类数据以图形的形式直观、全面地呈现在CT 图为灰度图，通常医学 CT 图像的尺寸为 256×256 和 512×512图像分辨率越高，CT 图像也就越清晰。CT 操作简便，对病人来像中各组织对比度高，医生可通过肉眼观察来诊断疾病[26]。

哈尔滨理工大学工程硕士学位论文示和存储部分。X 射线发射源、探测器、扫描支架理部分负责处理由扫描部分得到的数字信号，然后最后生成重建后的图像。经重建后的 CT 图像通过并随时通过显示系统进行显示。像中物体对 X 线的吸收起主要作用，在一均匀物体律。CT 成像过程为：首先将获得的投影值经计算体素(voxel)的衰减系数，形成衰减系数矩阵，然后体素的衰减系数转换为对应的 CT 值后，便可以个像素的 CT 值转换为对应的灰度值，就可以获得T 影像[27]。CT 值与灰度值的对应关系如图 2-2 所示

哈尔滨理工大学工程硕士学位论文结构。除了导气道、肺动脉和静脉较大外，肺实质几乎占所有肺结构。肺部在CT 图像（如图 2-3 所示）上表现为断层图像，从内到外包含肺内组织、肺、胸廓、胸廓外组织、体外背景等。肺部 CT 图像为灰度图。肺的内部主要是密度最低的空气，因此在 CT 图像中与周围的其他组织相比，肺部组织在 CT 图像上形成的是阴影区域，灰度值相差较大，对比度高[28]。因此，肺实质分割最常用的是阈值分割算法。

【相似文献】

相关期刊论文 前10条

1 王盼我;;基于熵的图像分割算法研究[J];科技视界;2018年08期

2 王华翔;丁家纪;王旭;;基于信息论的图像分割算法研究[J];黑龙江科技信息;2015年25期

3 刘印;;图像分割算法分析与技术进展研究[J];好家长;2018年74期

4 李娟;康戈文;;一种基于方向的图像分割算法[J];可编程控制器与工厂自动化;2012年02期

5 张春伶;;图像分割算法综述与探索[J];科技创新与应用;2012年13期

6 周强;;图像分割算法研究[J];福建电脑;2009年06期

7 吉李满;;图像分割算法的应用与评价[J];吉林工程技术师范学院学报;2006年09期

8 周维真;周滨;;一种改进的塔形结构图像分割算法[J];西安电子科技大学学报;1988年03期

9 李竹林;王静;;一种基于滤波的分段点乘图像分割算法[J];电子设计工程;2016年23期

10 李锋林;李亮;;基于显著性检测的目标图像分割算法[J];电子科技;2017年01期

相关会议论文 前10条

1 张峰;申功勋;;一种适用于天文导航的快速图像分割算法[A];中国航空学会控制与应用第十二届学术年会论文集[C];2006年

2 赵海英;杨一帆;徐光美;;基于边缘形态变换的彩色织物图像分割算法[A];第十五届全国图象图形学学术会议论文集[C];2010年

3 胡阳涟;赵凤群;戴芳;张辉;;一种基于马尔可夫随机场的快速图像分割算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 陈亮;叶旭鸣;俞利;;一种基于图论的图像分割算法[A];全国第4届信号和智能信息处理与应用学术会议论文集[C];2010年

5 刘晓龙;张佑生;;基于模拟退火的模糊C-均值聚类图像分割算法[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

6 李景福;龙志军;张报山;包晨阳;;一种改进的红外图像分割算法[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

7 万永菁;杨大毛;;一种图像分割算法在纤维增强复合材料图像处理中的应用(英文)[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

8 杨卫平;李忠科;王勇;吕培军;;基于区域的图像分割算法综述[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

9 傅明建;刘秉瀚;;一种肾小管病理图像分割算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

10 沙莎;彭丽;罗三定;;一种基于边缘检测的阈值图像分割算法[A];中国计算机图形学进展2008--第七届中国计算机图形学大会论文集[C];2008年

相关重要报纸文章 前1条

1 王小龙;美开发出基于热映像的图像分割算法[N];科技日报;2011年

相关博士学位论文 前10条

1 刘仲民;基于图论的图像分割算法的研究[D];兰州理工大学;2018年

2 宋艳涛;基于磁共振成像的脑组织及病变分割方法研究[D];南京理工大学;2017年

3 毕卉;HIFU超声图像分割算法研究[D];东南大学;2018年

4 颜刚;基于模糊马尔可夫场的图像分割算法研究[D];第一军医大学;2005年

5 李彬;基于模糊随机模型的磁共振脑部图像分割算法研究[D];第一军医大学;2007年

6 刘毅;基于图割的交互式图像分割算法研究[D];南京理工大学;2013年

7 许晓丽;基于聚类分析的图像分割算法研究[D];哈尔滨工程大学;2012年

8 车娜;基于偏移场的核磁共振脑图像分割算法研究[D];吉林大学;2013年

9 陈圣国;图像分割及应用技术研究[D];南京大学;2012年

10 皮志明;结合深度信息的图像分割算法研究[D];中国科学技术大学;2013年

相关硕士学位论文 前10条

1 吕欣欣;红外图像分割算法研究及其在电气设备故障诊断中的应用[D];天津理工大学;2019年

2 韩玉翠;基于粒子群优化二维Otsu的肺CT图像分割算法[D];哈尔滨理工大学;2019年

3 智慧;基于多尺度模型集成及优化的图像分割算法研究[D];北方工业大学;2019年

4 杨德青;基于改进粒子群的最大熵多阈值MRI图像分割算法研究[D];郑州大学;2019年

5 王楠;颜色不均匀情况下光伏板红外图像分割算法研究[D];安徽大学;2019年

6 张卫卫;基于深度神经网络的图像分割算法研究及其在心室和冠脉钙化上的应用[D];安徽大学;2019年

7 陈纬航;基于超像素和区域合并的图像分割算法研究[D];武汉理工大学;2018年

8 梁丽秀;基于MATLAB的水稻表层根系图像分割算法研究[D];华中农业大学;2018年

9 毛萍;基于模糊聚类理论的脑MR图像分割算法的研究[D];东北大学;2015年

10 南洋;基于深度学习的粗标记胃癌病理切片图像分割算法[D];湖南大学;2018年

本文编号：2798857