基于WFCM算法在MRI图像分割中的应用.docVIP

基于WFCM算法在MRI图像分割中的应用 　　摘 要： 模糊C均值聚类（FCM）算法是一种基于非监督聚类算法。样本加权模糊C均值聚类（WFCM）算法是FCM算法的改进，该算法能够明显提高收敛速度和聚类的准确性。无论是FCM算法还是WFCM算法，对噪声都相对敏感，而且聚类数目仍然需要人工确定。在此提出一种改进算法，首先通过偏微分方程（PDE）降噪算法对原始脑MRI医学图像进行处理;其次利用聚类有效性确定最佳聚类数目，对WFCM算法进行改进;最后利用本文改进算法对图像进行聚类分割。实验表明，该方法是一种具有自动分类能力、抗噪性较好的模糊聚类图像分割算法。 　　关键词： 图像分割; PDE降噪; 聚类有效性; 样本加权; 模糊聚类 　　中图分类号： TN964?34 文献标识码： A 文章编号： 1004?373X（2015）06?0090?04 　　Application of an improved WFCM?based algorithm in MRI image segmentation 　　HAN Hong?wei， MIAO Jia?qing 　　（Engineering amp; Technical College， Chengdu University of Technology， Leshan 614000， China） 　　Abstract： Fuzzy C?means clustering （FCM） algorithm is an unsupervised clustering algorithm. The sample weighted fuzzy C?means clustering （WFCM） algorithm is an improved FCM algorithm， which can significantly improve the speed of convergence and accuracy of clustering. Both FCM algorithm and WFCM algorithm are relatively sensitive to noise， but still need to determine the number of the clusters manually. In this paper， an improved algorithm is proposed， in which the noise reduction algorithm of partial differential equations （PDE） is used to process the original brain MRI image， and the cluster validity is adopted to determine the optimal number of clusters to improve WFCM algorithm and execute the image segmentation. Experiment results show that the improved algorithm has a capability of automatic classification and better noise immunity. 　　Keywords： image segmentation; PDE noise reduction; validity of clustering; sample weighting; fuzzy clustering 　　0 引 言 　　图像分割是图形处理的基本问题之一，是目标的特征提取、识别与跟踪的基础。由于脑MRI医学图像边界数据的模糊和整体图像数据的噪声干扰，使得医学图像分割问题比较困难[1]。由于脑MRI医学图像在一定程度上存在着不确定性，而模糊理论则正好对图像的这种不确定性有着较好的描述能力，因此模糊聚类被应用于图像分割问题中，并取得了较好的效果。而模糊C均值（FCM）聚类算法[2]是目前流行的图像分割方法之一。该算法适用于存在模糊性和不确定性图像的分割。 　　但是模糊C均值聚类这种算法也存在着一些明显的不足。比如没有充分利用图像的空间信息、聚类数目无法自动确定、计算量大等问题[3]。文献[4]提出了样本加权的模糊C均值聚类（WFCM）算法，作者认为样本在聚类过程中所起的作用不一样，对聚类结果产生的影响就不同，因此给每个样本赋予一定的权值对FCM目标函数进行修改，同时修改迭代公式。该算法提高了收敛速度和聚类的准确性，但是仍然无法克服人工确定聚类数的缺点，而且抗噪表现不