為了克服原始圖割算法在用戶選定的像素種子點(diǎn)較少情況下,目標(biāo)邊界容易出現(xiàn)錯(cuò)分這一現(xiàn)象,本文提出了基于K-means和圖割（Graph cut,GC）算法相結(jié)合的交互式K-均值圖割（K-means and graph cut,KMGC）算法,對(duì)腦部核磁共振圖像（Magnetic resonance image,MRI）進(jìn)行交互式操作,該算法通過(guò)K-means聚類(lèi),對(duì)腦部MRI的灰度不均勻性進(jìn)行了處理,在此基礎(chǔ)上,再使用圖割算法進(jìn)一步對(duì)腦部MRI進(jìn)行細(xì)化,從而達(dá)到有效地分割腦白質(zhì)和腦灰質(zhì)的目的。本文分別在仿真和真實(shí)的腦部MRI數(shù)據(jù)上進(jìn)行了大量的實(shí)驗(yàn),分別從定量分析和定性分析兩個(gè)角度對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析,并與其他分割算法進(jìn)行了對(duì)比,對(duì)比實(shí)驗(yàn)結(jié)果標(biāo)明,KMGC算法能夠有效地對(duì)腦部MRI進(jìn)行分割,并在分割效果上優(yōu)于其他算法。 

【文章來(lái)源】：數(shù)據(jù)采集與處理. 2016,31(05)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
引言
1 相關(guān)算法研究
    1.1 圖割算法[5]
        1.1.1 能量函數(shù)
            (1)區(qū)域?qū)傩皂?xiàng)
            (2)邊界屬性項(xiàng)
        1.1.2 最大流/最小割
    1.2 K-means算法
2 兩階段MR圖像分割算法
3 實(shí)驗(yàn)與分析
    3.1 KMGC算法和原始GC算法的對(duì)比實(shí)驗(yàn)
    3.2 KMGC算法和區(qū)域生長(zhǎng)算法的對(duì)比實(shí)驗(yàn)
    3.3 KMGC算法和GOK-means算法的對(duì)比實(shí)驗(yàn)
    3.4 KMGC算法和人工交互分水嶺區(qū)域合并算法的對(duì)比實(shí)驗(yàn)
4 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于全局優(yōu)化K均值聚類(lèi)的醫(yī)學(xué)圖像分割方法[J]. 余柳青,覃曉,元昌安,蔡宏果.  廣西師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2015(01)
[2]EM聚類(lèi)和SVM自動(dòng)學(xué)習(xí)的白細(xì)胞圖像分割算法[J]. 鄭馨,王勇,汪國(guó)有.  數(shù)據(jù)采集與處理. 2013(05)
[3]基于圖割的圖像分割方法及其新進(jìn)展[J]. 劉松濤,殷福亮.  自動(dòng)化學(xué)報(bào). 2012(06)
[4]基于人工交互分水嶺區(qū)域合并的醫(yī)學(xué)圖像分割研究[J]. 呂曉琪,范運(yùn)洲,谷宇,劉靜.  中國(guó)醫(yī)學(xué)影像學(xué)雜志. 2010(06)



本文編號(hào)：3548802