医学肾脏CT图像三维重建的方法和算法研究(4)
对于图像的融合，最常用与最常见的是基于小波变换理论的图像融合算法，相关的算法在文献[3][10]中都有给出，包括基于小波系数区域相似度的医学图像融合算法，基于多小波变换的融合算法，基于小波概率估计的融合算法等。
1.3.2 图像分割与提取
文献[3]中第5章在介绍了多种图像分割方法，包括基于区域或基于边缘的分割方法，以及基于形态学的各向异性扩散滤波算法和各类图像增强算法。重点是形态学的各向异性扩散算法和基于各向异性扩散的分水岭分割算法，对两者都进行了数值实验以验证算法的有效性和优效性。
文献[15]和[16]中提出的方法都是基于极大似然法进行图像分割。[15]中给出了图像分割的几何模型和算法，基于灰度图像的概率密度分布和图像平滑性利用最速下降法求解能量方程从而得到分割后的图像。[16]中提出的是变分模型，同样是利用了灰度图像的概率密度分布（这里是Fisher-Tippett分布，前者是Rayleigh分布）。该文献中将问题分化为两部分，对于子问题利用凸松弛法建立了凸模型，并且子问题可用对偶混合梯度算法快速求解，数值实验的结果也表明这种方法是可行的、有效的。
文献[17]的研究针对的是腹部CT图像肾脏图像的分割提取。文献中提出一种基于先验知识的肾脏自动分割算法。首先利用肾脏位置的先验知识以肋骨和脊椎骨为界标选取感兴趣的肾脏区域，然后使用OTSU阈值分割法去除感兴趣的肾脏区域中灰度值较低的肌肉和脂肪组织，最后对不同类型的肾脏图像使用不同的方法进行分割。数值实验结果表明，该方法能够高效准确地分割出腹部CT图像中的肾脏,研究成果在临床肾脏疾病诊断上有一定的实用价值。
1.3.3 医学图像的三文重建
文献[3]中第6章在介绍了三文图像重建的移动立方体算法后，给出了两种网格模型简化算法，分别是基于三角形形态变化和基于四叉树空间分割。对这两种算法作者进行了详细的阐述，并且进行了数值实验，也总结了两者的优缺点。
在文献[19]中针对三文图形重建的经典FDK算法在FPGA上的加速，提出了并行无等待流水线的实现方法，通过数值实验表明该方法取得了较高的加速比。文献[20]的主要工作包括如下医学图像三文体重建的关键技术:图像的输入与预处理，三文数据场的物质分类、体光照模型、光线投射算法等技术。文献[20]中较详细地介绍了较常用的7种医学图像三文重建方法，并且对各算法的性能和优缺点列表进行了评价。文献[21][22]则是分别提出了对移动立方体算法（MC算法）的改进算法
文献[23][24]均提出了一种基于图像分割的利用经典MC算法进行三文图像重建的算法。不同之处在于前者利用K均值聚类算法进行图像分割，而后者采用分水岭算法进行图像分割且进行了三文网格模型简化。
1.4 医学肾脏图像三文重建的研究现状及本文工作安排
目前，针对医学肾脏图像的特点而进行三文图像重建的算法并不多，更多的是针对普遍意义下的医学图像的特点而设计的三文重建算法。之前提及的绝大多数算法，自然可以处理肾脏图像的三文重建问题，但是由于并非完全考虑到了肾脏图像的特点，所以可以做进一步的研究以期用更合适的算法来得到更好的重建效果。
医学CT图像的三文重建涉及到许多的内容，本文主要讨论的是三文重建中图像的预处理（即去噪、配准以及融合）和图像的分割与提取两个问题。本文的工作安排如下：
第一章，介绍了CT图像的成像原理和医学肾脏CT图像的特点，概述了医学图像三文重建的方法以及步骤；
下一篇：聚季铵盐水凝胶制备工艺的初探