基于密度模型的醫(yī)學(xué)圖像分割方法研究.pdf

1、針對(duì)醫(yī)學(xué)圖像的多維性、復(fù)雜性等特點(diǎn)，系統(tǒng)研究了醫(yī)學(xué)圖像的光滑直方圖、一階核密度估計(jì)和基于特征函數(shù)的有限高斯混合模型的密度估計(jì)模型。在此基礎(chǔ)上，提出各個(gè)密度模型所對(duì)應(yīng)的醫(yī)學(xué)圖像分割技術(shù)、方法及其算法。主要內(nèi)容包括以下幾個(gè)方面：
　　 (1)針對(duì)醫(yī)學(xué)圖像直方圖估計(jì)存在不光滑和缺乏空間性等問題，提出基于局部多項(xiàng)式的直方圖和Histon光滑方法，該方法利用數(shù)據(jù)的相鄰元素的多項(xiàng)式進(jìn)行平滑估計(jì)，根據(jù)加權(quán)最小二乘法估計(jì)多項(xiàng)式系數(shù)。利用粗糙集的

2、思想，把光滑后的Histon作為醫(yī)學(xué)圖像的粗糙集上界，光滑后的直方圖作為下界，構(gòu)造一個(gè)醫(yī)學(xué)圖像的粗糙集信息系統(tǒng)。并計(jì)算出粗糙集信息系統(tǒng)的粗糙度函數(shù)，根據(jù)此函數(shù)的局部最小值實(shí)現(xiàn)醫(yī)學(xué)圖像的多閾值自適應(yīng)顯著區(qū)域的分割。光滑后的直方圖和Histon可以有效減少粗糙度的“偽局部最小值”，避免了醫(yī)學(xué)圖像的過分割問題。
　　 (2)針對(duì)核密度估計(jì)存在計(jì)算量大、平滑參數(shù)難以自適應(yīng)估計(jì)和組織邊界的偏差較大等問題。提出基于分層抽樣的快速自適應(yīng)的一階

3、似然函數(shù)多項(xiàng)式的核密度估計(jì)方法。該方法利用光滑直方圖進(jìn)行分層抽樣，把訓(xùn)練樣本減少到最少；利用相鄰數(shù)據(jù)的平均距離作為局部平滑參數(shù)和反應(yīng)全局結(jié)構(gòu)的平滑參數(shù)一起構(gòu)造自適應(yīng)的平滑參數(shù)；利用一階似然函數(shù)多項(xiàng)式的核密度估計(jì)減少組織邊界的偏差。模擬圖像和真實(shí)的醫(yī)學(xué)圖像表明，新的核密度估計(jì)方法具有速度快、偏差小和自適應(yīng)等優(yōu)點(diǎn)。
　　 (3)針對(duì)基于固定步長(zhǎng)的爬山算法的醫(yī)學(xué)圖像分割會(huì)導(dǎo)致類別數(shù)增加、速度慢且不同的區(qū)域用同一個(gè)全局密度閾值等問題。提

4、出動(dòng)態(tài)步長(zhǎng)的爬山算法識(shí)別密度吸引子和從山頂向山腳搜索的下山策略的圖像分割方法。該方法利用動(dòng)態(tài)步長(zhǎng)的爬山算法識(shí)別局部最優(yōu)值，加快了分割速度，且避免了過分割的問題。下山策略的算法通過搜索下山方向，以山腳作為組織器官的密度閾值，實(shí)現(xiàn)了不同組織器官的局部多閾值分割。
　　 (4)針對(duì)傳統(tǒng)的有限混合模型存在參數(shù)初始化不穩(wěn)定，收斂速度慢和混合模型成份數(shù)估計(jì)困難等公認(rèn)的難題。提出基于核密度估計(jì)函數(shù)和特征函數(shù)的混合模型密度函數(shù)估計(jì)方法。該方法利