基于改进LiveWire算法的医学图像分割算法及实现摘要：本文提出了一种基于改进特征函数的LiveWire算法进行医学图像分割。首先介绍传统的算法，其次针对传统转换函数抗噪声较差，结合图像的特征，提出两种新的函数。最后，算例表明改进的算法在运算时间和分割的准确性上都有良好的表现。关键词：LiveWire算法特征转换函数医学图像：TP391文献标识码：A：1007-9416(2013)07-0098-01LiveWire算法是一种交互式边缘提取和图像分割方法，最早由Barrett和Mortensen提出的。其核心的观念是利用图论中的连通性。把分割的对象理解为一个连通图，在待分割的对象上取两点，作为分割的起始点。图像分割就可以理解为找到包含这两点的一个最小权值的连通图。如何定义边上的权值，是分割算法的核心。本文通过对于传统的研究，给出三种不同的代价函数来对边的权值进行初始化。赋权值的原则是在边缘上的权值就小。得到边上的权值的基础上，可以采用最优化方法中求取最短路径的经典算法一Dijkstra算法，解决起始点到最终点之问的最小路径搜索问题。本文给出不同的转换函数，并对其分割效果进行对比。1传统的基于LiveWire算法的图像分割LiveWire算法是人为的选择目标区域上的两个点，以此作为分割的起始点和最终点，并利图论中最短路的方法来求取图像中这两点的最短路径，以达到路径上的权值最小，并将此路径作为分割边缘，从而完成分割操作。1.1动态规划对于一幅医学图像，该图像可确定一个赋权图G=(V,E)o其中，V为像素集，E为边集。本文采用6邻域。对于每个像素的公共边赋予一个权值，该边是否为边缘元素决定其权值的大小。如果对应的边为边缘元素,对应的权值就小。反之，如果对应的边不是边缘元素，对应的权值就大。基于此，图像分割边缘的提取就转化为赋权图上最短路的求解。1.2初始赋权值医学图像被描述成一个像素矩阵，像素之间的边上的权值决定于该领域各个像素的灰度值的大小。对于G中的每一条边，根据灰度值赋予其相应的权值，灰度值变化大的，表明越有可能位于边界上。考虑到以6邻域为研究的对象，此处的特征权值用平均梯度差来表示。采用如下的特征转换函数将边的特征权值转换成效的赋权值，而特征权值较大的边相对赋权值较大。1.3寻找最佳路径对于图中任意两点，从起点到终点的所有路径中，用Dijkstra算法求最短路径，累积赋权值最小的路径作为最佳路径。2LiveWire算法改进考虑到目标物体的边缘并不总是具有严格可分性，而且在目标物体边缘往往存在具有较多的的噪声干扰，采用传统的特征转换函数可能会把噪声误判为边缘，从而降低分割的精度。高斯函数的中间宽，两边窄的特性,可用其对噪声进行预处理，消弱影响，本文采用一种改进高斯函数作为转换：这样，对于具有不同权值的期望边缘，其权值都可取得较小。为了得到适当的均值和方差的初始值，在分割前要进行适当的训练。就是在选取分割的起始点时，用户可以有意识的选取边缘特征明显的区域，以该区域的样本均值和样本方差分别作为转换函数C2的均值和值。通过高斯函数的滤波处理，对于噪声的干扰而导致错误分割的几率将变小很多。边权值的选取将直接影响到代价函数的结果。考虑到边平均梯度模值和梯度方向差值，分别建立权值，最后在这两个权值上建立代价函数的方式来作为最终权值的计算。由于梯度模值描述的是图像的纹理信息，边缘位置其梯度模值较大，非边缘位置其梯度模值较小，记为；由于边缘上相邻两点间具有相似的纹理信息，其梯度向量方向差异也较小，可以根据边缘线上两像素点梯度方向的方向差来构建元边权值，记为。通过对以上两种元边权值的线性组合，来作为新的代价函数，记为，如下所示：3算例及分析在理论上分析，由于代价函数的改进，改进后的代价函数C2在去除噪声效果表现更好，而改进后的函数C3同时考虑了图想想的梯度大小和方向，在最优化路径时，可以有效的规避由于噪声造成的影响，在边缘上的边的赋权值明显的较小，使得算法的抗造能力有所增强，分割出来的图像边缘更加的光滑，能更好的从医学图像中获得较为理想的分割结果。从图可见，采用代价函数C1,由于噪声等因素的影响，分割结果最优路径呈现较明显的锯齿状，分割...