论文部分内容阅读
医学图像分割是医学图像处理技术中的重要基础和关键步骤。在诸多的医学图像分割算法中，模糊聚类算法被认为是最适合于医学图像分割的方法之一，其中又以模糊C均值算法的应用最为广泛，但模糊C均值算法本身存在着一些缺陷。本文正是针对这个问题，系统地研究了模糊C均值算法的改进算法，并将其应用到MR脑部图像的分割当中。全文主要的成果如下：1．指出了模糊局部信息C均值（FLICM）算法的错误推导之处，并给出了相应过程的证明。2．模糊核C均值（KFCM）算法和结合空间信息的核模糊C均值（SKFCM）算法是MR脑部图像分割中的常用算法，前者对噪声图像的分割质量较差，后者对图像分割的速度较慢。针对这些情况，提出了基于核函数的增强模糊C均值（KEnFCM）聚类算法。该算法通过引入核函数，修改增强模糊C均值（EnFCM）算法的目标函数，克服了KFCM和SKFCM算法的缺陷。实验结果表明，该算法既对噪声图像有很好的鲁棒性，又提高了图像分割的效率。3．针对模糊C均值算法中每个样本点对聚类的作用均等的缺点，提出了结合二维灰度直方图的加权模糊C均值（2DWFCM）聚类算法。该算法是在加权模糊C均值（WFCM）算法基础上改进的。首先统计出平滑图像的一维直方图信息，以及原图像和平滑图像的二维直方图对角线上的信息，将这两者的乘积作为WFCM算法中新的权重系数。实验结果表明，该算法应用于图像分割的精确性高于快速的模糊C均值算法（FFCM）和WFCM等算法，是一种较好的FCM改进算法。4．提出了结合二维灰度直方图的加权核模糊C均值（2DWKFCM）聚类算法。该算法是利用内核诱导距离替代2DWFCM算法中的欧氏距离。实验结果表明，所提算法对图像分割具有较好的适应性和鲁棒性。本文提出的三种FCM改进算法，有效地提高了对噪声图像分割的鲁棒性和快速性，为医学图像分割的发展提供了一些新思路和新方法。