图像分割分析处理技术国内外研究现状
目前对于医学图像的分割方法，学者们已经做了大量的研究工作，主要是几下几点：
(1) 改进算法的自适应能力，尽量减少人工干预。
(2) 优化算法，降低算法的复杂度。医学图像信息量一般很庞大，这不仅考验着学者们的大脑，也考验着计算机的计算存储能力。一个好的算法可以在不丢失信息的情况下有效降低计算的复杂度，从而节约了计算资源。论文网
(3) 提高算法的分割精度。由于个体之间的差异性，人体器官的不规则性，图像噪声的等因素的影响，使得被分割的图像可能有一些干扰因此，降低分割的进度。
(4) 提高算法的鲁棒性。即提高算法的稳定性。同样一副医学图片，不同的时候或者不同的情况下对其进行分割可能会有不同结果，原因也许是收到了不同噪声的影响，因此排除这些细小的干扰，提高其鲁棒性则显得十分重要。
目前，医学图像分析与处理技术的研究还有以下三个趋势：
(1) 提高识别容易度，降低分析图像的门槛，使得普通人对图像也能够进行简单的分析。
(2) 加快图像处理速度。医学图像信息量一般很庞大，这不仅考验着学者们的大脑，也考验着计算机的计算存储能力。一个好的算法可以在不丢失信息的情况下有效降低计算的复杂度，从而节约了计算资源。
(3) 目前图像分割领域对于分割结果的好坏还没有一个统一的标准，未来需要继续研究该标准的制定问题。
(4) 系统的整合问题，是否有一种方法可以将一整套图像分割方法整合成为一个系统，如一个软件或者一个便携性较好的硬件。如果有这样的产品推出，将更加有利于该领域形成一个产业，加快其发展
由于本文主要讨论一种阈值分割方法，所以此处先对阈值分割的相关概念做简要分析。阈值分割算法诞生与五十年之前，目前，阈值分割又可以分为很多其他算法，但是所有分割算法的基本思想是一致的。阈值分割思路一般是：线取一个合适的灰度值作为阈值，之后将这个灰度值与灰度图像中每个像素点的灰度值都进行比较，最后根据比较结果将对应的像素点分为两类，从而得到分割的结果。显然，使用阈值分割，如何确定一个最佳的阈值是整个过程中的核心问题。根据分割算法的基本原理或者特点，能够将其分成以下几种：最小误差法与均匀化误差法、最大类空间方差法、共生矩阵法、直方图与直方图变换法、最大熵法、概率松驰法、特征空间聚类法、简单统计法与局部特性法、模糊集法、基于过渡区的阈值选取法等。不论用什么样的分割方法，什么样的工具，其基本思路是一致的，就是如何寻求最佳阈值。
上一篇：注塑模具的开发研究现状