论文部分内容阅读
脑部疾病是当前威胁人类身体健康的主要疾病之一。利用脑影像检查技术,定性和定量地分析脑组织,对有效诊断脑疾病有重要帮助。磁共振成像(Magnetic Resonance Imaging,MRI)技术具有非介入性、无损伤性、受目标物体运动影响小等特点,已经成为脑疾病临床诊断的重要医学辅助手段。在中高层医学影像分析中,往往需要先对图像进行精确分割,从而得到关于病灶区域的定量分析结果,为后续医疗方案的制定和修改提供依据。但是在临床实际应用中,由于脑核磁图像中存在脑组织的部分容积效应、灰度不均匀性、噪声和低对比度等影响,给脑核磁图像的精确分割带来巨大困难。为此,本文针对脑核磁图像精确分割的问题,基于模糊C均值聚类算法,从对目标函数的改进和利用空间信息和局部信息两方面,深入研究了基于模糊聚类算法及其扩展的脑核磁图像分割算法。本文所做的主要工作与创新性成果如下:(1)提出了一种基于二级目标的模糊C均值聚类的图像分割方法(TLTS-FCM),在FCM聚类算法基础上引入了目标函数的二级目标约束条件,在两级目标函数的约束下,将目标函数达到极小值,控制邻域像素,合理的利用了空间信息。(2)提出了一种基于核函数的各向异性滤波模糊聚类算法的图像分割方法(KAF-FCM),用对于各像素点的各向异性的滤波来代替TLTS-FCM聚类算法中的基于邻域信息数据的一些约束加权运算,并把滤波后的图像数据应用到FCM的目标函数中去。算法中还把标准FCM算法中的距离公式替换成高斯核函数以使得算法对于噪声有更强的抵抗性。(3)提出了一种基于局部信息熵优化的模糊聚类算法LIEO-FCM(Local Information Entropy Optimization FCM)。利用信息熵理论实现对分割区域的优化,使得算法在保持局部性的同时,找到基于该区域的受偏移场影响最小区域,提高算法准确性的同时提高算法的运算时间。二次分割算法中,以每个聚类区域为中心进行动态搜索,得到多个对应的搜索窗口并进行分割,将所有分割结果与原始聚类区域的第一次分割结果进行比较,对第一次分割结果中错误分割的像素进行二次分割,进一步提高了算法的准确性。