典型文献
复Contourlet域TS-MRF模型的医学CT影像分割
文献摘要：
针对CT影像存在伪影、分割困难的问题,提出了复Contourlet域树结构马尔可夫随机场(tree-structured Markov random filed,TS-MRF)的医学CT图像分割算法.采用复Contourlet分析提取CT图像各尺度中的特征信息,特征信息的相关性以其对应标记的相关性表征;其次,相邻尺度间标记的相关性通过构建一阶Markov模型建立联系;尺度内通过构建TS-MRF模型,采用父节点标记对子节点标记的约束以及子节点邻域间标记的相关性描述尺度内节点标记的局部相关性;CT图像特征场通过在每一尺度内构建同标记的高斯模型表征;最后,图像分割的结果通过极大化特征场与标记场联合分布来实现.实验结果表明,相对于空域TS-MRF、小波域TS-MRF、空域马尔科夫随机场(Markov random filed,MRF)、复小波域MRF等4种算法,复域(ontourle,TS-MRF)算法反映分割区域一致性的概率Rand指数(probabilistic rand index,PRI)提高0.091 3以上;同区域分割误差指标全局一致性误差指数(global consistency error,GCE)降低了 0.002 8以上;分割边缘连续性指标边界偏移误差指数(boundary displacement error,BDE)降低 0.617 9 以上;分割后信息丢失指标信息变化指数(variation of information,Vol)降低了0.889 6以上.因此,算法对医学CT图像分割具有较好的区域一致性、分割精度和鲁棒性.
文献关键词：
CT图像分割;复Contourlet分析;TS-MRF模型;Potts模型;标记场
中图分类号：
作者姓名：
夏平;彭程;施宇;雷帮军
作者机构：
三峡大学水电工程智能视觉监测湖北省重点实验室 宜昌443002;三峡大学计算机与信息学院 宜昌443002
文献出处：
引用格式：
[1]夏平;彭程;施宇;雷帮军-.复Contourlet域TS-MRF模型的医学CT影像分割)[J].国外电子测量技术,2022(10):155-163
A类：
ontourle
B类：
Contourlet,TS,MRF,影像分割,伪影,树结构,马尔可夫随机场,tree,structured,Markov,random,filed,图像分割算法,特征信息,应标,建立联系,对子,邻域,局部相关,图像特征,特征场,一尺,高斯模型,模型表征,标记场,场联,联合分布,空域,小波域,马尔科夫随机场,Rand,probabilistic,PRI,区域分割,误差指标,全局一致性,global,consistency,error,GCE,割边,偏移误差,boundary,displacement,BDE,信息丢失,变化指数,variation,information,Vol,Potts
AB值：
0.438809
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
