本文關(guān)鍵詞：基于模糊C均值的醫(yī)學(xué)圖像分割改進(jìn)算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：醫(yī)學(xué)成像技術(shù)已經(jīng)廣泛應(yīng)用于各個醫(yī)療環(huán)節(jié)。醫(yī)學(xué)圖像分割作為各種后續(xù)圖像處理的基礎(chǔ)，已成為醫(yī)學(xué)圖像處理中的關(guān)鍵步驟。 本文研究基于模糊聚類的模糊C均值算法對醫(yī)學(xué)圖像的分割。該算法通過迭代隸屬度矩陣和聚類中心來優(yōu)化目標(biāo)函數(shù)，最終實現(xiàn)對圖像的分割。該算法不需要人工干預(yù)，，且具有良好的收斂性。但是該算法僅利用到了像素的灰度信息，沒有結(jié)合像素灰度值之間的空間信息，因此受噪聲影響較大。 本文首先對現(xiàn)有的分割方法進(jìn)行分類介紹。然后從模糊聚類入手，在介紹了算法思想并針對模糊C均值算法的優(yōu)缺點(diǎn)進(jìn)行分析后指出了該算法的三個改進(jìn)方向。為了評價算法的分割效果，本文還引入了四項定量指標(biāo)。本文通過將空間信息與原始算法相結(jié)合提出了兩種改進(jìn)方法。一種將空間信息應(yīng)用于隸屬度矩陣平滑過程中的聚集系數(shù)；另一種將空間信息引入目標(biāo)函數(shù)的罰項當(dāng)中，并用快速模糊C均值算法初始隸屬度矩陣和聚類中心。最后將改進(jìn)算法應(yīng)用于腦部核磁共振圖像，通過對仿真結(jié)果的對比以及定量指標(biāo)的評價，驗證了提出的改進(jìn)算法的有效性和抗噪性都有所提高。
【關(guān)鍵詞】：醫(yī)學(xué)圖像分割 模糊C均值 快速模糊C均值 空間信息
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.41;R310
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-15
• 1.1 圖像分割7
• 1.2 圖像分割方法綜述7-11
• 1.2.1 傳統(tǒng)的分割方法7-8
• 1.2.2 結(jié)合特定理論的分割方法8-11
• 1.3 腦部 MRI 圖像介紹11-12
• 1.3.1 核磁共振圖像的成像原理11
• 1.3.2 核磁共振的成像模式11-12
• 1.4 本文內(nèi)容及章節(jié)安排12-15
• 第二章 模糊 C 均值算法15-23
• 2.1 模糊聚類基礎(chǔ)15-16
• 2.1.1 模糊聚類概述15
• 2.1.2 模糊集的概念15
• 2.1.3 聚類分析15-16
• 2.2 K 均值算法16-17
• 2.3 模糊 C 均值算法介紹17-19
• 2.4 FCM 算法的優(yōu)缺點(diǎn)19-20
• 2.5 對醫(yī)學(xué)圖像分割結(jié)果的評價20-22
• 2.6 小結(jié)22-23
• 第三章 模糊 C 均值算法的改進(jìn)23-31
• 3.1 改變約束條件23-24
• 3.2 增加基于空間信息的罰項24-25
• 3.3 引入距離函數(shù)25-27
• 3.3.1 核函數(shù)法25-26
• 3.3.2 馬氏距離法26-27
• 3.4 仿真結(jié)果與分析27-30
• 3.4.1 仿真結(jié)果27-29
• 3.4.2 結(jié)果分析29-30
• 3.5 小結(jié)30-31
• 第四章 基于隸屬度矩陣平滑的圖像分割31-41
• 4.1 概述31-32
• 4.2 基于隸屬度矩陣平滑的模糊 C 均值算法及其改進(jìn)算法32-33
• 4.2.1 基于隸屬度矩陣平滑的 smFCM 算法32
• 4.2.2 改進(jìn)的基于隸屬度平滑的 EsmFCM 算法32-33
• 4.3 結(jié)合空間信息的模糊 C 均值算法33-35
• 4.4 仿真結(jié)果與分析35-39
• 4.4.1 仿真結(jié)果35-38
• 4.4.2 結(jié)果分析38-39
• 4.5 小結(jié)39-41
• 第五章 增加基于空間信息罰項的 FCM 圖像分割41-51
• 5.1 概述41
• 5.2 快速 FCM 算法41-44
• 5.2.1 FFCM 算法41-42
• 5.2.2 EFCM 算法42-43
• 5.2.3 WFCM 算法43-44
• 5.3 改進(jìn)的 FCM 算法44-46
• 5.4 實驗結(jié)果與分析46-49
• 5.4.1 仿真結(jié)果46-48
• 5.4.2 結(jié)果分析48-49
• 5.5 小結(jié)49-51
• 第六章 總結(jié)與展望51-53
• 6.1 工作總結(jié)51-52
• 6.2 前景展望52-53
• 致謝53-55
• 參考文獻(xiàn)55-59
• 研究成果59-60

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王培珍,陳維南;基于模糊聚類與二維閾值的圖像分割[J];東南大學(xué)學(xué)報;1998年06期

2 馬華;張永;龐長剛;;一種改進(jìn)的FCM在醫(yī)學(xué)圖像分割中的應(yīng)用[J];電腦開發(fā)與應(yīng)用;2006年04期

3 余錦華;汪源源;施心陵;;基于空間鄰域信息的二維模糊聚類圖像分割[J];光電工程;2007年04期

4 沙秀艷;何友;;基于加權(quán)模糊C均值聚類的圖像分割算法[J];海軍航空工程學(xué)院學(xué)報;2007年03期

5 丁震,胡鐘山,楊靜宇,唐振民,鄔永革;一種基于模糊聚類的圖象分割方法[J];計算機(jī)研究與發(fā)展;1997年07期

6 張?zhí)m;王珂;楊文宏;;一種結(jié)合空間信息的FCM算法對腦MR圖像的分割[J];計算機(jī)工程與應(yīng)用;2007年26期

7 李志梅;肖德貴;;快速模糊C均值聚類的圖像分割方法[J];計算機(jī)工程與應(yīng)用;2009年12期

8 李天慶,張毅,劉志,胡東成;Snake模型綜述[J];計算機(jī)工程;2005年09期

9 林瑤;田捷;;醫(yī)學(xué)圖像分割方法綜述[J];模式識別與人工智能;2002年02期

10 李t

本文編號：324918