基于模糊C均值的医学图像分割改进算法研究

摘要

医学成像技术已经广泛应用于各个医疗环节。医学图像分割作为各种后续图像处理的基础,已成为医学图像处理中的关键步骤。
　　本文研究基于模糊聚类的模糊C均值算法对医学图像的分割。该算法通过迭代隶属度矩阵和聚类中心来优化目标函数,最终实现对图像的分割。该算法不需要人工干预,且具有良好的收敛性。但是该算法仅利用到了像素的灰度信息,没有结合像素灰度值之间的空间信息,因此受噪声影响较大。
　　本文首先对现有的分割方法进行分类介绍。然后从模糊聚类入手,在介绍了算法思想并针对模糊C均值算法的优缺点进行分析后指出了该算法的三个改进方向。为了评价算法的分割效果,本文还引入了四项定量指标。本文通过将空间信息与原始算法相结合提出了两种改进方法。一种将空间信息应用于隶属度矩阵平滑过程中的聚集系数;另一种将空间信息引入目标函数的罚项当中,并用快速模糊C均值算法初始隶属度矩阵和聚类中心。最后将改进算法应用于脑部核磁共振图像,通过对仿真结果的对比以及定量指标的评价,验证了提出的改进算法的有效性和抗噪性都有所提高。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 图像分割

1.2 图像分割方法综述

1.3脑部MRI图像介绍

1.4 本文内容及章节安排

第二章 模糊C均值算法

2.1模糊聚类基础

2.2 K均值算法

2.3模糊C均值算法介绍

2.4 FCM算法的优缺点

2.5对医学图像分割结果的评价

2.6小结

第三章 模糊C均值算法的改进

3.1改变约束条件

3.2增加基于空间信息的罚项

3.3引入距离函数

3.4仿真结果与分析

3.5小结

第四章 基于隶属度矩阵平滑的图像分割

4.1概述

4.2基于隶属度矩阵平滑的模糊C均值算法及其改进算法

4.3 结合空间信息的模糊C均值算法

4.4仿真结果与分析

4.5小结

第五章 增加基于空间信息罚项的FCM图像分割

5.1概述

5.2快速FCM算法

5.3 改进的FCM算法

5.4 实验结果与分析

5.5 小结

第六章 总结与展望

6.1 工作总结

6.2 前景展望

致谢

参考文献

研究成果