由于信息科學技術的迅猛發(fā)展,信息量呈爆炸式增長。而圖像是人類獲取信息的重要途徑。在臨床醫(yī)學中,磁共振（Magnetic Resonance,MR）圖像有著高對比度、高分辨率、多方位等優(yōu)點,廣泛應用于各類腦研究。為了有效提取圖像中的關鍵信息,圖像分割是圖像處理中必不可少的環(huán)節(jié)。但是,由于腦部MR圖像中存在著部分容積效應、灰度不均勻性以及噪聲等缺陷,對其進行精確分割較為困難�；谀：鼵均值聚類（Fuzzy C-Means,FCM）的圖像分割算法是一類經(jīng)典的算法,它能夠較好地描述MR圖像中存在的組織邊界模糊等現(xiàn)象,因此在腦部MR圖像中獲得了較多應用,但其也存在易陷入局部最優(yōu)、對噪聲敏感等缺陷。本文重點對圖像分割算法進行了研究,并做了如下工作。（1）本文通過對各類分割算法的分析,選擇了模糊C均值聚類分割算法。針對該算法易陷入局部最優(yōu)的缺陷,本文引入一個改進的量子粒子群算法（Improved Quantum Particle Swarm Optimization,IQPSO）,提出了基于IQPSO的模糊C均值聚類算法（Fuzzy C-Means based on IQPSO,FCM_I<... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

不同三維空間掃描方向示意圖

（a）橫斷面 （b）矢狀面 （c）冠狀面圖 1.2 三個不同方向的腦部 MR 圖像 MR 圖像除了具備一切 MRI 成像技術的基本特點，還具備一些無紋理，組。磁共振成像技術正是因為這些優(yōu)點才成為目前研究腦部疾病的最好方法在臨床醫(yī)學中，將計算機技術和醫(yī)學圖像技術相結合，對腦部 MR 圖像進理，并以此來協(xié)助醫(yī)生進行定量分析、疾病診斷等有著重要意義[5]。目前經(jīng)從觀察組織結構、解剖結構，發(fā)展到應用現(xiàn)代技術分析醫(yī)學圖像數(shù)據(jù)、數(shù)分析以及提取特征等方面[6]。這些技術的發(fā)展，為醫(yī)療事業(yè)的發(fā)展注入醫(yī)生診斷病情提供了量化分析和幫助。治病人時，精確分析醫(yī)學圖像是至關重要的，醫(yī)學成像技術為醫(yī)護人員進很大的幫助，它提供的準確圖像數(shù)據(jù)可以大大降低誤診率，所以，醫(yī)學圖眾多學者關注的重點領域[7]。醫(yī)學圖像分析的步驟里面包括圖像分割、配而在其中，醫(yī)學圖像分割是一種至關重要的一項技術，在當前的臨床輔助

究生學位論文 第二章 圖鄰兩次聚類中心，計算它們的差值，若是比收斂精度 ε 算法結束，并且要輸出最近一次的隸屬度矩陣 U 和聚類達到設定的最大迭代次數(shù)（t>T）或者滿足條件 max||Ut-U大隸屬度原則，由式（2.9）確定各像素所屬的類別，以的最后歸屬。式（2.9）中 Ck表示第 k 個樣本點所屬的(uik) i , kM 圖像分割算法的流程圖。


本文編號：3116222