基于模糊C均值的腦部MR圖像分割改進算法研究.pdf

1、醫(yī)學圖像分割是醫(yī)學圖像處理技術中的重要基礎和關鍵步驟。在諸多的醫(yī)學圖像分割算法中，模糊聚類算法被認為是最適合于醫(yī)學圖像分割的方法之一，其中又以模糊C均值算法的應用最為廣泛，但模糊C均值算法本身存在著一些缺陷。本文正是針對這個問題，系統(tǒng)地研究了模糊C均值算法的改進算法，并將其應用到MR腦部圖像的分割當中。全文主要的成果如下：
　　1．指出了模糊局部信息C均值（FLICM）算法的錯誤推導之處，并給出了相應過程的證明。
　　2．模

2、糊核C均值（KFCM）算法和結合空間信息的核模糊C均值（SKFCM）算法是MR腦部圖像分割中的常用算法，前者對噪聲圖像的分割質量較差，后者對圖像分割的速度較慢。針對這些情況，提出了基于核函數的增強模糊C均值（KEnFCM）聚類算法。該算法通過引入核函數，修改增強模糊C均值（EnFCM）算法的目標函數，克服了KFCM和SKFCM算法的缺陷。實驗結果表明，該算法既對噪聲圖像有很好的魯棒性，又提高了圖像分割的效率。
　　3．針對模糊C均

3、值算法中每個樣本點對聚類的作用均等的缺點，提出了結合二維灰度直方圖的加權模糊C均值（2DWFCM）聚類算法。該算法是在加權模糊C均值（WFCM）算法基礎上改進的。首先統(tǒng)計出平滑圖像的一維直方圖信息，以及原圖像和平滑圖像的二維直方圖對角線上的信息，將這兩者的乘積作為WFCM算法中新的權重系數。實驗結果表明，該算法應用于圖像分割的精確性高于快速的模糊C均值算法（FFCM）和WFCM等算法，是一種較好的FCM改進算法。
　　4．提出了結