基于高斯混合密度模型的醫(yī)學(xué)圖像聚類研究.pdf

1、圖像聚類已成為圖像識別的一種關(guān)鍵技術(shù)。而醫(yī)學(xué)圖像識別是醫(yī)學(xué)圖像分析和理解的重要內(nèi)容，在醫(yī)學(xué)臨床診斷中具有重要作用。因而，研究適合于圖像識別的圖像聚類算法具有重要意義。目前，醫(yī)學(xué)圖像聚類算法還沒有達到理想的識別效果，不能完全滿足醫(yī)學(xué)圖像分析和理解的要求。本文試圖研究適合于醫(yī)學(xué)圖像識別的基于高斯混合密度模型的聚類方法及其算法。 本文研究了高斯混合密度模型和基于高斯混合密度模型的聚類方法，構(gòu)造出醫(yī)學(xué)圖像的高斯混合密度模型，提出了基于E

2、M的醫(yī)學(xué)圖像高斯混合密度模型參數(shù)估計算法及其改進。論文研究工作主要體現(xiàn)以下幾個方面： (1)系統(tǒng)研究了概率密度函數(shù)的參數(shù)估計、非參數(shù)估計的理論和方法，特別闡述了基于高斯混合密度模型的參數(shù)估計屬于半?yún)?shù)估計的理論和方法。發(fā)現(xiàn)基于高斯混合密度模型聚類算法適合于醫(yī)學(xué)圖像的聚類分析。 (2)針對模型選擇的問題，提出了改進的QAIC準則函數(shù)。理論和實驗證明，該函數(shù)適合于確定醫(yī)學(xué)圖像高斯混合密度模型的分量數(shù)。研究中使用試探法驗證了改

3、進的QAIC準則函數(shù)的正確性。 (3)研究了高斯混合密度模型的醫(yī)學(xué)圖像應(yīng)用問題，提出了基于高斯混合密度模型的醫(yī)學(xué)圖像數(shù)據(jù)分布描述方法。 (4)針對后k-均值初始化高斯混合密度模型參數(shù)對參數(shù)估計值比較敏感的問題，提出了基于蟻群算法改進的k—均值算法，并將之應(yīng)用于確定高斯混合密度模型初始值。實驗證明，改進的初始化算法對醫(yī)學(xué)圖像會產(chǎn)生更好的聚類效果。 (5)通過研究醫(yī)學(xué)圖像每個像素點的特征矢量對高斯混合模型的貢獻程度不