基于FCM和加权ACA的脑MRI图象分割算法的研究

摘要

随着医学科技的发展，对磁共振图像定量分析和图像可视化的要求越来越高，而精确的测量对疾病的诊断和治疗也有重要的临床意义。然而传统的一些图像处理算法没有充分分析磁共振图像元素，从而现出脑组织之间的相互混叠，没有清晰的边界，不同个体之间的差异也较大。首先，由于噪声的存在，核磁共振图像中一些重要的磁共振信息被淹没，不利于磁共振图像的分割。目前，人们把小波应用在磁共振图像的去噪上，但是由于小波方向性不足，常用的一些经典方法门限选择不够恰当，造成处理后的图像纹理特征被弱化，图像边缘变得模糊。
　　 本文利用Contourlet变换，构建Context模型，实现磁共振图像的去噪。结果表明，本方法是有效可用的，与小波算法和Contourlet算法相比，本算法PSNR值提高了2dB左右。其次，将蚁群算法应用到磁共振图像的分割上，蚁群算法是一种经典算法，标准蚁群算法容易出现停滞现象，收敛速度慢等缺点。对目前应用的图像分割方法进行比较后，本文提出了一种线性蚁群的磁共振分割方法，就是在外激素的蒸发系数前加一个加权系数，以便于聚类。将修改后的算法应用到磁共振图像的分割，一方面提高全局搜索能力，另一方面提高收敛速度。试验结果表明，新算法具有很强的边界检测能力，不仅提高了分割质量，而且缩减了运算时间。从而说明了该算法的有效性，正确性，该算法的提出对磁共振研究和临床应用都有很大的理论和实践意义。