基于模糊聚類的醫(yī)學(xué)圖像分割算法研究及設(shè)計(jì).pdf

1、圖像分割是圖像處理領(lǐng)域的重要研究?jī)?nèi)容，普遍應(yīng)用于醫(yī)學(xué)、氣象、計(jì)算機(jī)視覺、軍事、遙感等諸多研究領(lǐng)域。醫(yī)學(xué)圖像分割就是對(duì)醫(yī)學(xué)圖像進(jìn)行有意義的劃分，使其成為指定個(gè)數(shù)的相異區(qū)域，每個(gè)區(qū)域內(nèi)都保持一致性，區(qū)域之間盡可能地不同，并且各區(qū)域互不相交。醫(yī)學(xué)圖像分割為特征提取與識(shí)別、三維可視化、病理分析與診斷等提供有用的信息。醫(yī)學(xué)圖像分割的主要目的是對(duì)醫(yī)學(xué)圖像進(jìn)行有醫(yī)療價(jià)值的劃分，并提取出特定的區(qū)域，便于醫(yī)生制定醫(yī)療方案，開展療效評(píng)估等。醫(yī)學(xué)圖像在成像時(shí)

2、會(huì)受到分辨率、光照條件等影響，因此存在不確定性，而模糊處理技術(shù)正好適用于此類問題。
　　本文深入研究了模糊聚類基本理論以及其它人工智能技術(shù)，分析了前人算法中存在的問題以及在醫(yī)學(xué)圖像分割中遇到的困難，提出了幾種改進(jìn)的模糊聚類算法，并且應(yīng)用于醫(yī)學(xué)圖像分割中。本文主要獲得的創(chuàng)新性成果如下：
　?。?）在現(xiàn)有的相關(guān)評(píng)價(jià)標(biāo)準(zhǔn)的基礎(chǔ)上，本文提出了新的聚類算法評(píng)價(jià)標(biāo)準(zhǔn)：聚類中心變化值指數(shù) dv。作為衡量一個(gè)聚類算法優(yōu)劣的新標(biāo)準(zhǔn)，dv指數(shù)適

3、用于所有基于聚類中心初始化的聚類算法，不僅僅是模糊聚類，也不僅僅是圖像分割；關(guān)注的是以何種方法尋找的初始聚類中心更好，從結(jié)果的角度或者算法整體的角度評(píng)判一個(gè)聚類算法的優(yōu)劣。
　　（2）在快速模糊聚類算法 FFCM和EnFCM基礎(chǔ)上，本文提出了一種更加高效的醫(yī)學(xué)圖像分割算法。該算法先將圖像的直方圖與高斯模板卷積，并進(jìn)行峰值檢測(cè)，得到 c個(gè)峰值的橫坐標(biāo)，以此為基礎(chǔ)進(jìn)行區(qū)間劃分，在各區(qū)間范圍內(nèi)初始化并且更新聚類中心，然后對(duì)原圖像進(jìn)行均值

4、濾波，最后根據(jù)像素值所屬區(qū)間完成分割。實(shí)驗(yàn)證明，在保證分割質(zhì)量的前提下，可將運(yùn)行時(shí)間減少4％以上，優(yōu)于目前的快速分割算法。
　?。?）充分挖掘利用圖像直方圖的區(qū)間信息，得出了兩種新的基于模糊聚類的醫(yī)學(xué)圖像分割算法。首先用區(qū)域分裂求初始聚類中心或者區(qū)域迭代均值化求初始聚類中心，簡(jiǎn)化隸屬度的初始化方式，采用 EnFCM的方法更新隸屬度，并提出了對(duì)隸屬度進(jìn)行選擇性計(jì)算的策略，進(jìn)一步減少了算法的計(jì)算量，提高了運(yùn)行效率；再由隸屬度的變化更新