基于密度模型的醫(yī)學(xué)圖像分割方法研究.pdf

1、針對醫(yī)學(xué)圖像的多維性、復(fù)雜性等特點，系統(tǒng)研究了醫(yī)學(xué)圖像的光滑直方圖、一階核密度估計和基于特征函數(shù)的有限高斯混合模型的密度估計模型。在此基礎(chǔ)上，提出各個密度模型所對應(yīng)的醫(yī)學(xué)圖像分割技術(shù)、方法及其算法。主要內(nèi)容包括以下幾個方面：
　　 (1)針對醫(yī)學(xué)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(shù)據(jù)的相鄰元素的多項式進行平滑估計，根據(jù)加權(quán)最小二乘法估計多項式系數(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)造一個醫(yī)學(xué)圖像的粗糙集信息系統(tǒng)。并計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)針對核密度估計存在計算量大、平滑參數(shù)難以自適應(yīng)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(yīng)的一階

3、似然函數(shù)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(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(xué)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(yīng)等優(yōu)點。
　　 (3)針對基于固定步長的爬山算法的醫(yī)學(xué)圖像分割會導(dǎo)致類別數(shù)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(xiàn)了不同組織器官的局部多閾值分割。
　　 (4)針對傳統(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)估計困難等公認的難題。提出基于核密度估計函數(shù)和特征函數(shù)的混合模型密度函數(shù)估計方法。該方法利