基于密度模型的醫(yī)學圖像分割方法研究.pdf

1、針對醫(yī)學圖像的多維性、復雜性等特點，系統研究了醫(yī)學圖像的光滑直方圖、一階核密度估計和基于特征函數的有限高斯混合模型的密度估計模型。在此基礎上，提出各個密度模型所對應的醫(yī)學圖像分割技術、方法及其算法。主要內容包括以下幾個方面：
　　 (1)針對醫(yī)學圖像直方圖估計存在不光滑和缺乏空間性等問題，提出基于局部多項式的直方圖和Histon光滑方法，該方法利用數據的相鄰元素的多項式進行平滑估計，根據加權最小二乘法估計多項式系數。利用粗糙集的

2、思想，把光滑后的Histon作為醫(yī)學圖像的粗糙集上界，光滑后的直方圖作為下界，構造一個醫(yī)學圖像的粗糙集信息系統。并計算出粗糙集信息系統的粗糙度函數，根據此函數的局部最小值實現醫(yī)學圖像的多閾值自適應顯著區(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)學圖像的過分割問題。
　　 (2)針對核密度估計存在計算量大、平滑參數難以自適應估計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的一階

3、似然函數多項式的核密度估計方法。該方法利用光滑直方圖進行分層抽樣，把訓練樣本減少到最少；利用相鄰數據的平均距離作為局部平滑參數和反應全局結構的平滑參數一起構造自適應的平滑參數；利用一階似然函數多項式的核密度估計減少組織邊界的偏差。模擬圖像和真實的醫(yī)學圖像表明，新的核密度估計方法具有速度快、偏差小和自適應等優(yōu)點。
　　 (3)針對基于固定步長的爬山算法的醫(yī)學圖像分割會導致類別數增加、速度慢且不同的區(qū)域用同一個全局密度閾值等問題。提

4、出動態(tài)步長的爬山算法識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。該方法利用動態(tài)步長的爬山算法識別局部最優(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，實現了不同組織器官的局部多閾值分割。
　　 (4)針對傳統的有限混合模型存在參數初始化不穩(wěn)定，收斂速度慢和混合模型成份數估計困難等公認的難題。提出基于核密度估計函數和特征函數的混合模型密度函數估計方法。該方法利