基于模糊聚類算法的醫(yī)學圖像分割技術(shù)研究.pdf

1、圖像分割技術(shù)是計算機視覺、圖像理解等領(lǐng)域中最重要的研究課題之一，也是醫(yī)學圖像處理的核心內(nèi)容和主要課題。醫(yī)學圖像分割是指根據(jù)圖像中像素的相關(guān)特征，將圖像分割為互不相交的不同組織或器官?；卺t(yī)學圖像分割技術(shù)，可以提取醫(yī)學圖像中感覺興趣的器官/組織，對病變組織等進行定性和定量分析。同時，醫(yī)學圖像分割又是三維重建等影像處理的基礎(chǔ)，分割的效果直接影響到三維模型重建的精確性。因此，研究醫(yī)學圖像分割技術(shù)具有非常重要的現(xiàn)實意義和實用價值。
　　由

2、于醫(yī)學圖像自身的復(fù)雜性，醫(yī)學圖像分割技術(shù)已經(jīng)成為制約醫(yī)學圖像處理進一步應(yīng)用和發(fā)展的瓶頸?？紤]到醫(yī)學圖像中的強度不一致、部分容積效應(yīng)和噪聲等現(xiàn)象，本文擬對基于模糊聚類算法的醫(yī)學圖像分割技術(shù)進行研究。與其他分割方法相比，模糊聚類算法是一種典型的“軟分割”方法，它允許像素以不同的隸屬度同時隸屬于不同的組織和器官，可以有效地解決醫(yī)學圖像中的部分容積效應(yīng)現(xiàn)象?；谀：垲愃惴▽︶t(yī)學圖像進行分割時，可以從原圖像中保留盡可能多的信息，因而可以獲得較好

3、的分割效果。然而，傳統(tǒng)的模糊聚類算法由于沒有考慮像素的鄰域信息，對醫(yī)學圖像中的噪聲、偽影等非常敏感，分割效果不是很理想。同時，算法在運行效率上也較為低下，無法滿足醫(yī)學圖像處理的實時要求。針對這兩個問題，在現(xiàn)有的改進模糊聚類算法的基礎(chǔ)上，本文重點進行了以下研究工作:
　　(1)針對FCM算法效率低下的問題，本文從聚類中心計算的角度進行了分析，認為算法效率低下的一個重要原因在于聚類中心的計算需要涉及圖像中的所有像素?；诖耍疚奶岢隽?/p>

4、基于分層技術(shù)的圖像分割技術(shù)，假設(shè)聚類中心僅由相應(yīng)聚類內(nèi)的像素強度值決定，與隸屬于其他聚類的像素無關(guān)。算法首先基于閾值分割技術(shù)將醫(yī)學圖像粗略地分割為不同的組織/器官，然后基于模糊聚類算法對初略分割的圖像進行修正，從而可以提高分割算法的運行效率。
　　(2)研究了醫(yī)學圖像分割的實時分割技術(shù)。針對FCM算法效率低下以及相關(guān)改進算法分割效果不理想的問題，本文首先對現(xiàn)有的分割算法進行深入分析，認為運行效率低下的原因是算法沒有充分挖掘圖像中隱

5、藏的信息。基于相關(guān)分析，提出了基于直方圖的FCM算法。算法利用峰值檢測技術(shù)將醫(yī)學圖像的直方圖分割為不同的區(qū)間，并假設(shè)聚類中心取決于相應(yīng)的區(qū)間，與其他區(qū)間無關(guān)。利用獲得的區(qū)間在圖像的直方圖上基于模糊聚類算法對圖像進行分割可以進一步提高算法的運行效率。一般情況下可以在0.1秒內(nèi)完成醫(yī)學圖像的分割，滿足醫(yī)學圖像分割的實時性要求。
　　(3)對基于鄰域信息的圖像分割技術(shù)進行研究。FCM的改進算法FCMS算法在進行圖像分割時，采用常數(shù)α作為