基于局部高斯分布拟合的医学图像分割算法实现

1. 项目概述：基于局部高斯分布拟合的活动轮廓模型

在医学影像分析和计算机视觉领域，图像分割一直是个经典难题。传统阈值分割方法对噪声敏感，边缘检测算法又难以获得闭合区域。2000年左右出现的活动轮廓模型（Active Contour Model）通过能量最小化框架实现了鲁棒分割，其中基于区域的变分水平集方法因其处理拓扑变化的能力备受关注。

这个项目实现了一种改进的区域型活动轮廓模型，其核心创新在于采用局部高斯分布拟合（Local Gaussian Distribution Fitting, LGDF）作为能量驱动项。与经典的Chan-Vese模型相比，该方法能更好地处理强度不均匀图像，特别适用于医学MRI、CT等存在灰度渐变的影像。我在实际处理脑肿瘤分割任务时，发现传统方法在肿瘤边缘区域常出现渗漏现象，而LGDF模型通过建立局部统计特性显著提升了分割精度。

2. 核心算法原理拆解

2.1 能量函数设计

模型的能量泛函由三部分组成：

code复制E = α*E_LGDF + β*E_reg + γ*E_len

其中E_LGDF是局部高斯拟合项，E_reg保证水平集函数平滑，E_len控制轮廓长度。关键创新在于E_LGDF项的设计：

matlab复制function energy = local_gaussian_energy(Img, phi, u1, u2, sigma1, sigma2, Ksigma)
    % 计算局部均值与方差
    [f1, f2] = local_means(Img, phi, Ksigma); 
    % 高斯拟合项计算
    term1 = log(sqrt(2*pi)*sigma1) + (f1-u1).^2/(2*sigma1^2);
    term2 = log(sqrt(2*pi)*sigma2) + (f2-u2).^2/(2*sigma2^2);
    energy = term1.*H(phi) + term2.*(1-H(phi));
end

2.2 变分水平集实现

采用正则化的Heaviside函数H(φ)和Dirac函数δ(φ)：

matlab复制function H = heaviside(phi, epsilon)
    H =