資源描述:
《模糊c均值聚類下的醫(yī)學(xué)圖像分割探討》由會員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、模糊C均值聚類下的醫(yī)學(xué)圖像分割探討摘要將FCM(模糊c均值聚類算法)應(yīng)用于醫(yī)學(xué)事業(yè)中,能夠?qū)D像分割中的模糊現(xiàn)象有效的解決,在將目標(biāo)函數(shù)建立的情況下,將迭代優(yōu)化方法應(yīng)用,并將目標(biāo)函數(shù)極小值獲得,并在此基礎(chǔ)上將最佳聚類確定。目前隨著科學(xué)技術(shù)的發(fā)展,大量的改進(jìn)算法不斷出現(xiàn),文章介紹和對比基于傳統(tǒng)、初始值選取、空間鄰域信息和核函數(shù)的FCM算法,為后期的算法研究明確方向。關(guān)鍵詞模糊C均值聚類;醫(yī)學(xué)圖像分割;核函數(shù);空間信息中圖分類號:TP391文獻(xiàn)標(biāo)識碼:A文章編號:1671-7597(2014)13-0064-02描述對象的特征提取并分離周圍環(huán)境是醫(yī)學(xué)圖像分割的主要目標(biāo),同時還要對調(diào)查對象
2、的相關(guān)信息進(jìn)行計算和分析,如物理、生理、病理及其解剖等。當(dāng)下對于醫(yī)學(xué)圖像的分割手段具有多樣性,其中模糊C均值就是其中的一種,對于模糊性和不確定性的醫(yī)學(xué)圖像較適用,目前誕生了一些列新的算法,下面我們將一一介紹。1傳統(tǒng)FCM算法通常情況下以模糊隸屬度矩陣表示聚類結(jié)果,目標(biāo)函數(shù)Jm(U,V)采用FCM算法的方法如此下:8(1)其中樣本集是,聚類數(shù)目是C,并且2?c?n,模糊加權(quán)指數(shù),對數(shù)據(jù)劃分的模糊程度進(jìn)行控制,在的情況下,,在m為1的情況下,就會實現(xiàn)模糊聚類向硬C均值聚類的過渡,相關(guān)研究證明,[1.5,2.5]是m的經(jīng)驗取值,聚類中心是V={v1,v2...,vc},第k個樣本到第i類中
3、心的歐式距離用d2(xk,vi)表示,xk對第i類的隸屬度采用uik表示,在得以滿足的情況下,將Lagrange乘數(shù)法應(yīng)用,將目標(biāo)函數(shù)(1)極小值獲得的條件獲得,即:其中(k=1,2,3,.....,n)(2)其中(i=1,2,3,......,c)(3)采用反復(fù)迭代優(yōu)化Jm(U,V)可將FCM算法獲得,具體的方法包括了以下幾點。1)將m、c迭代停止閾值設(shè)定,t=0為迭代次數(shù),將聚類中心V初始化。2)以公式(2)為依據(jù)進(jìn)行隸屬度矩陣的更新。3)以公式(3)為依據(jù)進(jìn)行新聚類中心的更新。4)在的情況下,將算法停止,對2)、(3)步驟予以重復(fù),并將k設(shè)定為k=k+1。該算法對適用于模糊性和
4、不確定性圖像的同時,還有以下不足。8一是在圖像尺寸增加的情況下,耗時和計算量也會隨之增加。二是很難分類結(jié)構(gòu)復(fù)雜的未知醫(yī)學(xué)圖像,并且還面臨著非線性優(yōu)化問題,并且初始值對聚類結(jié)果也具有較大的影響性。三是圖像分割時未考慮像素點之間的相關(guān)性。2基于初始值的FCM算法初始聚類中心的選取和聚類數(shù)目對FCM算法的圖像分割具有重要的意義,假如初始值具有不合理性,就會減緩算法收斂速度,進(jìn)而陷入局部極值。具體的方法是將權(quán)重較大的點從樣本數(shù)據(jù)集中搜索,進(jìn)而構(gòu)成高權(quán)重點集,第一個初始聚類中心的選擇就是權(quán)重最大的點,第二個初始聚類中心的選擇就是離權(quán)重最大點最遠(yuǎn)的點,在將貪心算法充分的應(yīng)用,將其余初始聚類中心點
5、從高權(quán)重點集中選取,該方法在獲得的聚類結(jié)果上具有穩(wěn)定性,并且也將聚類的性能及其準(zhǔn)確性提升。隨后又提出了分塊處理樣本點的方法,也就是將樣本點進(jìn)行分塊,并且每塊的算法上也存在差異性,并將分布密度最大的初始聚類中心找出作為聚類。該計算方法作用于MR腦圖像分割不僅能夠加快收斂速度,同時還可以保證分割的精度。再加上智能優(yōu)化算法在全局搜索能力上較好,故而FCM算法初始化的應(yīng)用范圍也較廣。3基于空間鄰域信息的FCM算法8要想圖像中噪聲的魯棒性在傳統(tǒng)FCM算法中得以增強(qiáng),將圖像分割結(jié)果準(zhǔn)確性提高,目前人們將研究的注意力逐漸轉(zhuǎn)向圖像空間信息改進(jìn)算法,也就是將將空間鄰域不同程度地約束,并將其作為隸屬度函
6、數(shù)或懲罰函數(shù)修改FCM目標(biāo)函數(shù),這樣能夠提升圖像分割的性能。相關(guān)學(xué)者提出將鄰域附加項的FCMS算法加入FCM的目標(biāo)函數(shù)中,所得的目標(biāo)函數(shù)如下:(4)其中,a是中心像素受鄰域的影響程度,X是鄰域內(nèi)像素的灰度值,通過以上算法我們得出計算鄰域信息是每步迭代的必須步驟,在分割的過程中具有收斂速度慢和計算量大的特點,為了將以上不足有效的解決,相關(guān)學(xué)者又提出了FCMSI和FCMs2算法,具體的目標(biāo)函數(shù)計算方法如下:(5)以上兩種算法分別對脈沖噪聲,如椒鹽和高斯有效,為了將鄰域信息缺陷有效的彌補(bǔ),又將基于直方圖的Enfcm算法提出,該算法是加權(quán)平均鄰域像素的灰度值和圖像中每個像素點,并在直方圖空間
7、上將新圖像映射,在此基礎(chǔ)上進(jìn)行圖像分割。通常情況下圖像中像素的數(shù)量一般大于像素的灰度級,因此在執(zhí)行率上該算法得到了進(jìn)一步的提升。但是該算法卻依舊存在一些不足,具體主要表現(xiàn)為以下兩個方8面:一是確定鄰域均值圖像和控制原圖像的參數(shù)a存在較大的難度,較大的情況下,無法精確圖像分割結(jié)果,反之在較小的情況下則無法達(dá)到理想的去噪效果。而為了彌補(bǔ)以上的不足,相關(guān)學(xué)者則提出了一種新型的FCM算法,它是以FCMSI算法為基礎(chǔ),這種方法使得噪聲的抑制能力得以增加,并且在分割精