医学图像处理案例（八）——基于GraphCut左肱骨分割

GraphCut（图切）分割算法是组合图论的经典算法之一，今天我简单介绍GraphCut算法的思想并结合交互式图像分割技术来实现在MR图像上左肱骨区域的分割提取。

1、GraphCut介绍

GraphCut是图论分割方法之一，而图论方法把图像分割问题与图的最小割（min cut）问题相关联。首先将图像映射为带权无向图G=<V，E>，图中每个节点N∈V对应于图像中的每个像素，每条边∈E连接着一对相邻的像素，边的权值表示了相邻像素之间在灰度、颜色或纹理方面的非负相似度。而对图像的一个分割S就是对图的一个剪切，被分割的每个区域C∈S对应着图中的一个子图。而分割的最优原则就是使划分后的子图在内部保持相似度最大，而子图之间的相似度保持最小。基于图论的分割方法的本质就是移除特定的边，将图划分为若干子图从而实现分割。GraphCut算法仅需要在前景和背景处画出简单区域作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割来区分前景和背景。

2、动手实践GraphCut分割

首先，我们输入原始MR图像。

然后，在图像中的特定的一层，画出前景大致区域Mask并设置成255，其它区域为0，如图所示。

然后在该层中再绘制出背景大致区域Mask并设置成255，其它区域为0，如图所示。

最后出入原始图像，前景Mask图像和背景Mask图像，运行后最终输出的分割结果Mask图像如图所示。