兽用B超系列产品图片展示
行业新闻
您的当前位置: 主页 > 新闻资讯 > 行业新闻 >

兽用B超图像不同的分割方法及区域生长法

2018年-09月-11日 字体:
分享到:
兽用B超的图像分割区域生长法
对兽用B超图像分割的方法很多,其中区域生长法是一种常用的方法,其步骤和原理如下。
   兽用B超图像分割区域生长法是一种串行分割方法。串行分割方法的特点是将处理过程分解为顺序的多个步骤,其中后续步骤的处理要根据对前面步骤的结果进行判断而确定。判断是依据先定义的准则来进行的。
    B超图像分割区域生长法的基本思想是将具有相似性质的像素集合起来构成区域。在此法的最简单形式中,先人工给出一个种子作为生长的起始点,然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程,直到满足条件的像素全被包括进来,这样,一个区域就生长成了。
    兽用B超图像分割区域生长法一般不单独使用,而是放在一系列处理过程中,特别用它来描绘诸如肿瘤和伤口等小而且简单的结构。它主要的缺陷是,每一个需要提取的区域都必须人工给出一个种子点,这样有多个区域,就必须给出相应的种子个数。此方法对噪声也很敏感,会造成孔状甚至是根本不连续的区域。相反的,局部且大量的影响还会使本来分开的区域连接起来。
兽用B超的图像分割不同方法
   分类器法是一种统计模式识别的方法,用以区分从已知标记的兽用B超图像数据衍生而来的特征空间。因为分类器法需要用已知的人工分割结果作为训练样本,所以它是有监督的模式识别方法;聚类法的基本原理和分类器法大体是相同的,不同点在于它不需要训练样本数据,所以它是无监督的模式识别方法,为了弥补没有训练数据这一点,聚类方法反复做两件工作:分割B超图像和刻画每个类的特征,从而使用已有的数据训练自身,以达到分割的目的。
    人工神经网络法:人工神经网络法是使用大量平行的神经网络达到对兽用B超图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成,网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习。
    活动轮廓模型法又称可变模型法,是一种基于模型的、使用闭合参数曲线或曲面描绘边界的兽用B超图像分割方法。它的最初思想来源于物理概念:为了描绘出物体的边界,首先设置一个离真实曲线或曲面不远的初始曲面或曲线,在外力和内力的作用下,推动这个曲面或曲线移动,最后在兽用B超图像能量最低处停下来。因为曲线或曲面的移动类似于蛇,所以这个模型又叫做Snake模型。活动轮廓模型经证明对于兽用B超图像的分割非常成功