医疗图像分割技术（一）

图像分割演进之路
深度学习下的图像分割

 最近正在看一本有关医疗图像处理技术的书籍，里面有一整个章节在讲解各种医疗图像分割技术，
 与我之前写的两篇文章相比，细分到了医疗领域，医疗图像与其他领域相比，虽万变不离其宗，
 但仍有独特之处，所以想针对医疗领域图像分割再写一个系列的文章，希望对从事医疗算法的同行有所帮助，
 本系列文章分为如下四部分：


       **医疗图像分割概述和基本理论**
       基于模糊聚类的医疗图像分割
       基于可形变模型的医疗图像分割
       基于神经网络的医疗图像分割  

本篇文章主要讲解医疗图像分割概述和基本理论

1概述

2基于阈值的分割

2.1全局阈值

2.2局部阈值

2.3图像预处理

3区域增长

4分水岭

5基于边缘的图像分割

6多谱图像分割

6.1多模态

6.2多时域

1概述：

图像分割就是从背景中分离出感兴趣区域，在医疗领域，图像分割可以用来描绘解剖结构和组织类别，例如器官分割，病灶分割等，还可以用于可视化和图像压缩，是图像处理中非常重要的一个领域。

图像分割基本上可以通过两种方式实现，一种是识别出感兴趣区域内所有的像素，另一种先识别出感兴趣区域的边界来进行分割，第一种方法主要依赖于像素的灰度值，但像素的其他属性，例如纹理等也会被应用于图像分割，基于边界的分割方法主要依赖于图像的梯度。

2基于阈值的分割：

   有多种基于阈值的图像分割技术，有一部分是基于图像直方图，例如，基于整幅图像的直方图选择一个阈值，
   这种方式叫做全局阈值分割；其他的则是基于图像局部属性，例如局部均值和方差，
   或者是局部梯度，这种方式叫做局部阈值分割。

2.1全局阈值：

全局阈值假设图像的直方图满足双峰形状：

这样选取一个阈值就能将图像一分为二，例如，我们选取阈值T，则分割的结果为：

下面是一个全局阈值分割的例子：

除了根据直方图选取分割阈值外，还有许多计算分割阈值的方法，其中一个是基于能够让错分概率最小化的分类模型，下面这篇论文讲述基于该方法实现MR脑部分割：

MR quantification of cerebral ventricular volume using a semiautomated algorithm

他的缺点也很明显，它需要目标与背景有很好的对比度，如果对比度低，或者图像有噪声则效果不理想，现实中很少有图像直方图满足严格的双峰形状。

2.2局部阈值：

当全局阈值不适用时，可以考虑使用局部阈值，局部阈值可以通过如下步骤获得：

1.将整幅图像划分为多个小图像，然后分别计算每个小图像的阈值

2.最简单的可以将所有小图像阈值的均值作为整幅图像的分割阈值

2.3图像预处理：

如果图像对比度低，边界模糊，可以通过图像预处理技术来改善图像直方图，例如中值滤波，如下图所示，图像经中值滤波后直方图出现双峰形状，除了中值滤波还有其他方法，这里就不再一一赘述了。

在Opencv中实现了基本的基于阈值的图像分割技术。

#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include <iostream>

using namespace cv;
using std::cout;

/// Global variables

int threshold_value = 0;
int threshold_type = 3;
int const max_value = 255;
int const max_type = 4;
int const max_binary_value = 255;

Mat src, src_gray, dst;
const char* window_name = "Threshold Demo";

const char* trackbar_type = "Type: \n 0: Binary \n 1: Binary Inverted \n 2: Truncate \n 3: To Zero \n 4: To Zero Inverted";
const char* trackbar_value = "Value";

//![Threshold_Demo]
/**
 * @function Threshold_Demo
 */
static void Threshold_Demo( int, void* )
{
   
    /* 0: Binary
     1: Binary Inverted
     2: Threshold Truncated
     3: Threshold to Zero
     4: Threshold to Zero Inverted
    */
    threshold( src_gray, dst, threshold_value, max_binary_value, cv::THRESH_TRIANGLE );
    imshow( window_name, dst );
}
//![Threshold_Demo]

/**
 * @function main
 */
int main( int argc, char** argv )
{
   
    //! [load]
    String imageName("D:\\basketball2.png"); // by default
    if (argc > 1)
    {
   
        imageName = argv[1];
    }
    src = imread( samples::findFile( imageName ), IMREAD_COLOR ); // Load an image

    if (src.empty())
    {
   
        cout << "Cannot read the image: " << imageName << std::endl;
        return -1;
    }

    cvtColor( src, src_gray, COLOR_BGR2GRAY ); // Convert the image to Gray
    //cvtColor( src, src_gray, COLOR_BGR2HSV); // Convert the image to Gray
    //! [load]

    //! [window]
    namedWindow( window_name, WINDOW_AUTOSIZE ); // Create a window to display results
    //! [window]

    //! [trackbar]
    createTrackbar( trackbar_type,
                    window_name, &threshold_type,
                    max_type, Threshold_Demo ); // Create a Trackbar to choose type of Threshold

    createTrackbar( trackbar_value,
                    window_name, &threshold_value,
                    max_value, Threshold_Demo ); // Create a Trackbar to choose Threshold value
    //! [trackbar]

    Threshold_Demo( 0, 0 ); // Call the function to initialize

    /// Wait until the user finishes the program
    waitKey();
    return 0;
}

3区域增长

区域增长也叫区域融合，就是寻找具有相同灰度值的像素组，需要手动或者自动设置一个种子点，然后不断地检查周边像素，如果周边像素与种子点相似，则将该像素吸纳进来，整个搜索过程不断地进行直到找不到相似像素为止，这个过程中相似性度量非常重要，可以对比像素点的灰度值，也可以对比以像素点为中心的一块区域内的均值。

在opencv中已经实现了对区域增长的封装。

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include <iostream>
#include "math.h"
 
using namespace cv;
using namespace std;
 
Point recent_Point, recent_Point1;
 
Mat RegionGrow(Mat src, Point2i pt, int th)
{
   
    Point2i ptGrowing;                        //待生长点位置
    int nGrowLable = 0;                                //标记是否生长过
    int nSrcValue = 0;                                //生长起点灰度值
    int nCurValue = 0;                                //当前生长点灰度值
    Mat matDst = Mat::zeros(src.size(), CV_8UC1);    //创建一个空白区域，填充为黑色
    //生长方向顺序数据
    int DIR[8][2] = {
    {
    -1, -1 }, {
    0, -1 }, {
    1, -1 }, {
    1, 0 }, {
    1, 1 }, {
    0, 1 }, {
    -1, 1 }, {
    -1, 0 } };
    vector<Point2i> vcGrowPt;                        //生长点栈
    vcGrowPt.push_back(pt);                            //将生长点压入栈中
    matDst.at<uchar>