針對(duì)乳腺M(fèi)R圖像組織復(fù)雜、灰度不均勻、難分割的特點(diǎn),本文提出雙樹(shù)復(fù)小波（DTCWT）變換結(jié)合密度聚類(lèi)的圖像分割方法.首先利用復(fù)小波域雙變量模型結(jié)合各向異性擴(kuò)散函數(shù)對(duì)圖像進(jìn)行去噪處理;進(jìn)而通過(guò)簡(jiǎn)單線性迭代聚類(lèi)（SLIC）算法將圖像劃分成一定數(shù)量的超像素區(qū)域,根據(jù)事先設(shè)置的閾值搜索每個(gè)超像素的近鄰,從而降低基于K近鄰的密度峰值快速搜索聚類(lèi)（KNN-DPC）算法尋找每個(gè)樣本近鄰的時(shí)間;最終,引入超像素區(qū)域的近鄰信息度量樣本密度,采用KNN-DPC算法的分配策略自適應(yīng)聚類(lèi).仿真和臨床數(shù)據(jù)分割結(jié)果表明,所提算法能有效的實(shí)現(xiàn)乳腺M(fèi)R圖像的分割. 

【文章來(lái)源】：電子學(xué)報(bào). 2019,47(10)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
1 引言
2 相關(guān)工作
    2.1 雙樹(shù)復(fù)小波域雙變量模型
    2.2 KNN-DPC算法
3 基于DTCWT和改進(jìn)KNN-DPC(DTCWT+IKNN-DPC)的乳腺M(fèi)R圖像分割
    3.1 KNN-DPC算法圖像分割的問(wèn)題
    3.2 DTCWT+IKNN-DPC算法
        3.2.1 改進(jìn)DTCWT-BS的圖像去噪
        3.2.2 SLIC算法改進(jìn)的KNN-DPC算法(IKNN-DPC)
        3.2.3 DTCWT+IKNN-DPC算法實(shí)現(xiàn)
4 算法性能分析
    4.1 去噪性能分析
    4.2 分割精度分析
    4.3 時(shí)間復(fù)雜度分析
5 臨床乳腺M(fèi)R圖像分割分析
6 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于softmax回歸與圖割法的腦腫瘤分割算法[J]. 葛婷,牟寧,李黎.  電子學(xué)報(bào). 2017(03)
[2]K近鄰優(yōu)化的密度峰值快速搜索聚類(lèi)算法[J]. 謝娟英,高紅超,謝維信.  中國(guó)科學(xué):信息科學(xué). 2016(02)
[3]多分辨率水平集算法的乳腺M(fèi)R圖像分割[J]. 范虹,朱艷春,王芳梅,張旭梅.  物理學(xué)報(bào). 2014(11)
[4]局部熵驅(qū)動(dòng)的GAC模型在生物醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 王順鳳,冀曉娜,張建偉,陳允杰,方林.  電子學(xué)報(bào). 2013(12)
[5]Rician噪聲水平場(chǎng)的估計(jì)及其在MR圖像去噪中的應(yīng)用[J]. 余麗玲,陽(yáng)維,馮衍秋,劉閩,馮前進(jìn),陳武凡.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2013(05)
[6]核磁共振骨皮質(zhì)成像關(guān)鍵技術(shù)研究進(jìn)展[J]. 包尚聯(lián),杜江,高嵩.  物理學(xué)報(bào). 2013(08)
[7]基于雙樹(shù)復(fù)小波與波原子的圖像擴(kuò)散濾波[J]. 劉金華,佘堃.  物理學(xué)報(bào). 2011(12)
[8]一種基于FCM和Level Set的MRI醫(yī)學(xué)圖像分割方法[J]. 陳志彬,邱天爽.  電子學(xué)報(bào). 2008(09)



本文編號(hào)：3497169