基于快速核聚类MRI图像分割算法.docVIP

基于快速核聚类MRI图像分割算法 　　【摘 要】Mercer核技术将实际问题通过非线性变换转换到高维特征空间，提高了模式的可分性，解决了维数灾难问题。但是，未经过优化的核聚类算法不能有效地解决实际问题，如医学图像分割。为了提高核聚类算法速度，人们提出了不同的优化方法。结合KFCM-I的聚类效果及KFCM-II的效率，本文提出了一种基于精简集的快速核聚类算法，该方法优于相关算法，并应用在了MRI图像分割上。通过对MRI脑Phantom图像的分割结果表明，该方法不但提高了核聚类算法的计算复杂度，并且通过参数调整达到较好的分割效果。 【关键词】核聚类算法 高斯核参数估计 图像分割 核磁共振成像 一、引言 对于脑部MRI图像分析，精确分割出不同的组织在医院研究中扮演着非常重要的角色。过去几十年，已经有很多方法应用于MRI图像的分割。在这些方法中，模糊聚类算法已经被证实为一种有效的图像分析方法[1，5]。但是，由于受随机噪声及强度偏置场的影响，利用模糊聚类算法实现图像分割仍是一项困难的工作。为了提高聚类效果，可以采用不同的改进算法。其中，Mercer核技术[3，5]具有较好的效果。该算法通过核映射将输入模式转换到高维的特征空间（称为核空间），提高了模式的可分性，并在高维特征空间中构造线性判别函数来实现输入空间中的非线性判别函数，同时巧妙地解决了维数灾难问题。核聚类算法基于上述理论，将映射模式应用于传统的聚类算法[3]。虽然该方法优于传统的方法，但是在解决实际问题中相当耗时，如MRI图像分割。为了提高核聚类算法效率，人们提出了不同的优化算法。例如，文献[5]利用原像技术替代映射数据的线性和，提出了一种改进的聚类算法，称为KFCM-II。该方法大大降低了直接核化FCM得到的KFCM-I算法的时间复杂度。 区别于文献[5]提出的算法，本文提出了一种快速的核聚类算法，表示为KFCM-III。该方法不需要所有的映射样本来表示聚类中心。通过对医学MRI图像的分割结果证明了算法的有效性。 二、FCM、KFCM-I以及KFCM-II （一）模糊聚类算法（FCM） FCM（Fuzzy C-Means）是一种无监督的聚类方法，可以将个输入数据（向量）聚成（）类。该方法可以通过对目标函数的最小化获得： 表明数据属于第类，并且满足。表明第类的聚类中心，并且在最小化公式（1）的过程中，表示为所有输入样本的加权和。 使用拉格朗日乘子法，对公式（1）最小化，分别求出和两个迭代方程。聚类过程是对这两个方程进行循环迭代，直到收敛。将表示为，最终被归为第类，从而将模糊聚类问题转换为一个硬分类问题。 （二）Mercer核及KFCM-I Mercer隐含着对应一个从原始空间到一个高维核空间的映射，提高了模式的可分性。在核特征空间的模糊聚类，称为KFCM-I（核化的FCM）。该聚类方法可以通过最小化公式（1）的核化版本来实现： 式中是第类的核聚类中心。类似地，两个迭代方程可以描述如下： 因为函数是隐性的，公式（3）和（4）不能直接进行计算，需要采用另外一种求解方法。故不能通过表示成映射模式的加权和为显式得到。 Mercer核方法提供了一种巧妙地方法解决上述问题，表示为，满足如下条件： 因为公式（6）可以进行显式地展开，那么就可以避开直接计算公式（4）。聚类初始化后，可以迭代计算公式（3）和公式（6）直至收敛，将模糊聚类结果转换为一个硬分类。 从上面可以不难看出，公式（6）是整个计算过程中最复杂的部分，计算复杂度为，为迭代的次数，在大多数情况下大于10。 虽然KFCM-I提供了一种有效的聚类方法，并且可以用于解决维数灾难问题。但计算复杂度过高，很难用于实际应用中。 （三）KFCM-II及原像技术 因为公式（6）计算复杂度较高，为了提高KFCM-I的效率，需要对其简化。为了解决该问题，文献[5]通过最小化如下目标函数提出一种新的聚类算法： KFCM-II算法基本思想是基于可以替换为，（），也就是说的原像存在。如果该假设成立， 使用拉普拉斯乘子法，迭代方程可以得到简化。 不幸的是，使用替代并不恰当。文献[3]指出对于高斯核不存在映射数据加权和的原像。原像估计技术可能对聚类模型带来一些缺陷。例如，因为在中显式获得，所以KFCM-II从特征空间退化为中对应的一个聚类。 三、KFCM-III及精简集 （一）核聚类平方扩展的简化 为了克服KFCM-II模型的缺陷，同时保持聚类的有效性。基于精简集概念，本文提出一种新的聚类方法，称为KFCM-III。 不难发现，KFCM-I和KFCM-II使用所有输入样本来表示聚类中心（参见公式（4）和（11））