基于模糊聚類的醫(yī)學圖像分割算法研究與實現(xiàn).pdf

1、圖像分割是指把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程。醫(yī)學圖像分割是其他醫(yī)學圖像處理與模式識別問題如特征量化、特征配準、三維重建等的前期處理技術，并可以為臨床診斷和輔助治療提供有力的支持。醫(yī)學圖像的部分容積效應和有些組織區(qū)域的不確定性，決定了醫(yī)學圖像的模糊性?；谀：碚摰膱D像分割算法將模糊概念引入到圖像分割算法中，用隸屬度表示像素占各種“純組織”部分容積的比例。這已經(jīng)廣泛地應用于核磁共振成像(Magnetic Reson

2、ance Imaging，MRI)腦部圖像的分割中，其中最具代表性的算法就是模糊C-均值聚類算法(Fuzzy C-Means，F(xiàn)CM)。
　　模糊C-均值聚類算法是模糊聚類分析算法中的一種經(jīng)典算法，它采用迭代優(yōu)化目標函數(shù)來獲得對數(shù)據(jù)集的模糊劃分，具有很好的收斂性。采用FCM算法進行醫(yī)學圖像分割避免了設定閾值，能解決多個分支的分割問題，適合于圖像中存在不確定性和模糊性的特點。FCM算法作為一種無監(jiān)督聚類算法，聚類過程中不需要人工的干

3、預，適合于自動分割的應用領域。因此，應用FCM算法對圖像進行分割的研究已經(jīng)成為圖像處理領域的一個研究熱點，具有一定的實用價值。
　　論文在分析了國內(nèi)外醫(yī)學圖像分割的研究現(xiàn)狀以及發(fā)展趨勢的基礎上，對模糊C-均值聚類(FCM)圖像分割算法進行了深入的探討，研究了聚類類別數(shù)c、模糊加權指數(shù)m、迭代截止誤差ε以及初始聚類中心對算法的影響。針對FCM算法在分割速度較慢和對噪聲圖像分割不清楚的問題，本文首先提出了兩種改進算法，一種是在FCM算