声明
摘要
1 绪论
1.1 引言
1.2 脑MR图像分割难点
1.3 国内外脑MR图像分割方法综述
1.3.1 基于活动轮廓的分割方法
1.3.2 基于活动表面模型的分割方法
1.3.3 基于图论的分割方法
1.3.4 基于像素的分割方法
1.4 模糊聚类分割算法及其研究概况
1.4.1 聚类算法简介
1.4.2 模糊聚类算法的研究现状
1.4.3 模糊聚类算法应用于脑MR分割方面存在的缺陷
1.5 课题来源
1.6 本文的主要研究工作和内容安排
1.7 本文工作的创新点
1.8 本文所涉及到的主要符号描述
1.9 本文所使用的主要数据集
2 基于各向异性权重的模糊聚类脑MR图像分割算法
2.1 引言
2.2 含噪声脑MR图像的分割策略
2.2.1 策略一:先去噪后分割
2.2.2 策略二:分割过程中克服噪声
2.3 背景介绍
2.3.1 标准FCM
2.3.2 FCM的改进算法
2.4 各向异性权重的模糊C均值聚类模型
2.4.1 各向异性权重的构造
2.4.2 目标函数及更新
2.4.3 算法流程
2.5 实验结果与分析
2.5.1 评价参数
2.5.2 窗口半径的选择
2.5.3 合成图像
2.5.4 脑MR图像
2.6 本章小结
3 基于局部和全局信息的模糊聚类脑MR图像分割算法
3.1 引言
3.2 含偏移场脑MR图像的分割策略
3.2.1 策略三:先估计偏移场后分割
3.2.2 策略四:分割过程中估计偏移场
3.3 背景介绍
3.3.1 乘性偏移场模型
3.3.2 PFCM
3.3.3 CLIC
3.4 基于局部和全局信息的概率模糊C均值聚类模型
3.4.1 目标函数
3.4.2 局部空间连续信息的引入
3.4.3 目标函数最小化
3.5 实验结果与分析
3.5.1 抗噪能力
3.5.2 估计偏移场
3.5.3 三维脑MR图像分割
3.6 本章算法讨论
3.6.1 高斯核函数的参数选择
3.6.2 局部和全局灰度约束项平衡参数的选择
3.7 本章小结
4 基于模糊C均值聚类的脑MR图像分割框架
4.1 引言
4.2 背景介绍
4.2.1 加性偏移场模型
4.2.2 BCFCM
4.2.3 GIFP-FCM
4.3 基于改进的快速模糊C均值聚类脑MR图像分割框架
4.3.1 目标函数
4.3.2 初始化聚类中心
4.3.3 估计偏移场
4.3.4 构造局部空间信息
4.3.5 构造控制参数
4.3.6 最小化目标函数
4.3.7 算法流程
4.4 实验结果与分析
4.4.1 抗噪能力
4.4.2 估计偏移场
4.4.3 三维脑MR图像分割
4.5 本章小结
5 基于粗糙模糊集和二型模糊集的聚类分割算法
5.1 引言
5.2 粗糙模糊聚类模型
5.2.1 背景介绍
5.2.2 基于粗糙模糊集聚类的脑MR图像分割模型
5.2.3 实验结果与分析
5.2.4 算法总结与讨论
5.3 区间二型模糊聚类模型
5.3.1 背景介绍
5.3.2 基于区间二型模期集概率模期C均值举类模型
5.3.3 实验结果与分析
5.4 本章小结
6 基于统计模型的模糊聚类脑MR图像分割算法
6.1 引言
6.2 背景介绍
6.2.1 高斯混合模型(GMM)
6.2.2 局部高斯概率模型(LGDF)
6.3 基于模糊局部高斯概率模型的聚类分割算法
6.3.1 建模
6.3.2 目标函数最小化
6.3.3 实验结果与分析
6.4 基于自适应尺度局部高斯概率的模糊聚类分割算法
6.4.1 构造自适应尺度
6.4.2 算法流程
6.4.3 实验结果与分析
6.5 本章小结
7 结束语
7.1 本文各章节算法比较与讨论
7.2 本文工作总结
7.3 将来的工作
致谢
参考文献
附录
博士在读期问发表和录用的论文
参加的科研项目
博士在读期间获得的奖励