基于模糊C均值算法的醫(yī)學圖像分割研究.pdf

1、醫(yī)學圖像分割是其他醫(yī)學圖像處理與模式識別問題，如特征配準、特征量化、三維重建等的前處理技術(shù)，并可為臨床診斷和輔助治療提供有力的支持。醫(yī)學圖像分割的效果直接決定著計算機輔助診斷系統(tǒng)的成敗。本文主要針對腦部核磁共振圖像進行分割研究，本文研究內(nèi)容主要涉及到正常腦組織的分類問題。
　　 模糊C-均值(Fuzzy C-Means，F(xiàn)CM)聚類算法是模糊聚類算法中的一種經(jīng)典的算法，它通過采用迭代優(yōu)化目標函數(shù)來實現(xiàn)對數(shù)據(jù)集的模糊劃分，具有很好

2、的收斂性。采用FCM算法實現(xiàn)圖像分割避免了設(shè)定閾值，解決多分支的分割問題，適合應(yīng)用于存在模糊性和不確定性的特點。FCM算法是一種無監(jiān)督聚類算法，聚類過程中不需要人工干預(yù)，非常適合自動分割的應(yīng)用領(lǐng)域。但是，標準FCM算法僅考慮圖像的灰度信息，沒有考慮圖像的空間信息，所以對噪聲比較敏感?？紤]到醫(yī)學圖像數(shù)據(jù)提取中必定包含噪聲，因此改進的的算法必須對噪聲具有魯棒性。
　　 本論文圍繞著模糊C-均值算法的改進及其在圖像分割中的應(yīng)用主要做了

3、以下工作：
　　 首先，對標準FCM算法的圖像分割算法進行了深入的討論，闡述了模糊聚類圖像分割方法的類別數(shù)的選取、以及確定初始類中心和初始隸屬度矩陣的方法，還重點介紹了近幾年國際上出現(xiàn)的許多FCM的改進算法，將他們大體分為三類：第一類，改變隸屬度的約束條件；第二類，加入空間信息約束項；第三類，引入核函數(shù)，并對這些算法中的經(jīng)典算法做了簡單的分析和評價。
　　 其次，針對標準FCM算法沒有考慮像素的空間信息，對噪聲十分敏感的

4、缺點，對標準FCM算法的目標函數(shù)進行改進。改進算法引入自適應(yīng)加權(quán)系數(shù)來控制鄰域像素對中心像素的影響程度，充分利用像素的鄰域特性，對Chen聚類算法的目標函數(shù)改進。實驗結(jié)果表明，該改進算法既能快速有效的分割圖像，又能提高對噪聲的魯棒性。
　　 最后，針對標準FCM算法沒有考慮像素的空間信息，對噪聲十分敏感的缺點，對標準FCM算法的隸屬度函數(shù)進行改進。改進算法在標準FCM算法的隸屬度函數(shù)中加入先驗概率和模糊空間信息兩方面空間信息。實