模糊聚类在医学图像分割中的应用和研究

作     者：康迎英 

作者单位：兰州大学 

学位级别：硕士

导师姓名：王炜;雷军强

授予年度：2013年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：FCM 医学图像分割 聚类分析 KFCM 

摘      要：这些年医学成像技术迅速发展,通过这些技术临床医生可以对患者病变部位更直接、清晰的观察,从而做出更准确的判断,有助于对患者的治疗。目前,采用医学图像分割技术,可以帮助我们更清晰的分析发病器官的形状、边界、大小等性质,甚至于计算机已经可以自动对分割结果进行分析,并对病情做出初步判断,以便人们参考。由于人体的个体差异大,所以在临床上对医学图像分类算法要求有较高的分割精度及速度,目前普遍使用的分割方法不少,但是都不完善,因此,医学图像分割算法仍然是研究的热点。 图像分割就是把图像划分成若干区域,每一个区域内部的像素点之间的相似度高,而区域之间的相似度低的一种技术。实践中由于各种因素的干扰和影响,导致图像分割的不确定性,而模糊理论及模糊图像分割技术恰好适合这种不确定性,所以本文研究的重点就是将模糊聚类应用于医学图像的分割。典型的模糊聚类方法是模糊C-均值算法(Fuzzy C-means, FCM),实际上它是一个带约束的非线性规划问题,图像的模糊划分是通过求解目标函数的最优化得到的。本文在对FCM算法理论深入研究的基础上,又将改善算法的初始聚类中心的选取,以及提高算法对噪声的处理能力作为一个研究点。本文引入了一种基于核函数的算法,它合理利用了图像的空间信息,有效解决了核模糊C均值算法对噪声不敏感的问题,提高了分割精度。