基于水平集与模糊聚类的医学图像分割算法研究

摘要

医学图像分割在医学研究、临床诊断、医学图像三维重建和可视化、计算机辅助手术等领域中有着广泛的应用和研究价值。所谓医学图像分割，就是根据医学图像中的某种相似性特征，对器官组织、肿瘤区域、血管等同一感兴趣目标区域从医学图像背景中分离出来。
　　本文在系统研究了多种医学图像分割算法的基础上，针对模糊C均值聚类算法在分割图像时虽速度较快，但存在易受图像噪声影响而得不到连续封闭分割边界的问题；而活动轮廓模型的图像分割边界较为光滑连续；本文提出了一种融合曲线演化与模糊C均值聚类算法的快速图像分割模型。首先在模糊C均值聚类的隶属度矩阵上给出伪水平集及其演化曲线的定义；然后采用高斯滤波近似曲线演化过程中的弧长正则项，得到封闭光滑的分割边界；设计了一个新的边缘停止函数，在此基础上依据灰度值与隶属度映射关系对噪声点灰度值进行修正，以降低滤波对聚类结果的影响；聚类和曲线演化过程交替进行，提高了模型对噪声的鲁棒性；相关实验结果充分证明了本文模型的高效性与抗噪能力。
　　针对医学图像中普遍出现的灰度值不均匀现象，根据灰度值不均匀的两个假设，提出了一种基于方向梯度的水平集图像分割模型。通过设计一个图像灰度值线性衰减模型，给出了像素的方向梯度与所属目标的关系；利用图像像素点到局部区域内最大、最小灰度值处的方向变化率，提出了一个基于空间距离加权的像素分类方法。实现过程中，结合变分水平集方法，融合图像的空间邻域信息，提高了模型在利用图像梯度信息时的抗噪能力。通过人工图像、医学MRI图像及自然真实图像的分割实验，该模型能够较好地克服图像灰度值不均匀对分割结果的影响，分割速度较快，结果较为理想。

目录

声明

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 论文主要内容和结构

2 水平集方法及模糊C均值聚类算法简介

2.1 曲线演化及其水平集方法

2.2 变分水平集方法

2.3 模糊C均值聚类算法简介

2.4 本章小结

3 融合曲线演化与模糊C均值聚类的快速图像分割模型

3.1 水平集的快速曲线演化与基于模糊能量的活动轮廓模型

3.2 融合曲线演化与FCM的快速图像分割模型

3.3 模型实验结果

3.4 本章小结

4 基于局部方向梯度的水平集图像分割模型

4.1 图像灰度值的线性衰减

4.2 基于局部方向梯度的水平集图像分割模型

4.3 模型实验结果

4.4 本章小结

5 总结和展望

参考文献

致谢

攻读硕士学位期间主要成果