基于模糊C均值聚类法医学X片图像分割.docVIP

基于模糊C均值聚类法医学X片图像分割 　　摘要：医学图像种类繁多，其分割方法也多种多样。图像分割具有模糊性，很难用一般的数学模型进行描述，模糊理论中的隶属度能够较好的描述这种模糊性。本文使用模糊C均值聚类法对医学X图片分割进行了研究。模糊C均值聚类法中的数据隶属度具有模糊性，克服了非此即彼的弱点。研究结果显示，除了部分细节有待改进以外，分割结果基本令人满意。 　　关键词：模糊C均值聚类；X片；图像分割 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）34-0224-02 　　Abstract：There are many kinds of medical images， and there are many segmentation methods too. Image segmentation is fuzzy， it is difficult to describe by common mathematic model， but the membership degree of fuzzy theory can describe the fuzziness. Fuzzy C-Means clustering method was used in medical radiography segmentation in the paper. The weakness of either this or that is overcome by the fuzzy attribute of data in fuzzy clustering method. The results show that the segmentation results are satisfactory except for some of the details needed to be improved. 　　Key words： Fuzzy C-Means Clustering Method； Radiograph； Image Segmentation 　　1 概述 　　医学图像分割是医学图像处理领域中较为关键的步骤，其目的是将医学图像中的特定部分分割出来，并提取相关特征，为临床诊疗提供依据。 　　在以往的临床实践中，往往使用人工标注医学图像中各个器官的精确位置。这是一项极为费时费力的工作，极大的延缓了疾病的诊断与治疗时间。虽然对医学图像全自动分割的研究已经持续了很长时间，但是依然无法达到实用水平1。直至今天，手动分割依然是医学图像分割的金标准，所幸医学图像分割正在从手动分割或半自动分割向全自动分割发展。 　　2 常见的医学图像分割方法 　　医学图像种类繁多，有X片、磁共振MRI图、计算机断层摄影CT图、B超图、肠镜图、胃镜图等等，很难用统一的模型来表征对象。医学图像分割方法也多种多样，使用不同的方法来分割同一张图像，其结果往往也不相同，对某一类医学图像行之有效的分割方法未必适合其他类型的图像。国内外常用的医学图像分割方法有以下几类： 　　第一类为阈值法。其基本思想是通过设置不同的阈值将像素点进行分类。该方法假设灰度图像在同一背景内相邻像素的灰度值是近似的，在不同背景内相邻像素在灰度上有差异。 　　第二类为区域生长法。这种方法要求先选取种子像素点，随后将与其相似的像素合并到它所在的区域，其基本原理就是将相似像素集合成区域2。 　　第三类是基于边缘检测的方法。区域边界上像素点的通常会发生比较剧烈的变化，通过对不同区域的边缘检测就实现图像区域的分割。基于边缘的图像分割方法常利用图像特征的梯度信息完成。微分算子法是最基本的边缘检测方法，但抗噪性差。另外还有基于小波变换的边缘检测技术等3。 　　第四类是基于数学形态学的图像分割方法。其利用不同结构的形态单元来进行形态学运算，提取图像结构的形状特征，实现对图像的划分。数学形态学有膨胀、腐蚀、开启和闭合四种基本操作算子。基于数学形态学的算法中最具代表性的是分水岭（watershed）算法。目前数学形态学方法多与其他方法结合使用。 　　第五类是基于神经网络的图像分割算法。其基本思想是模拟人类学习过程，整个网络由节点构成，每个节点都从其他节点接收信息，并产生一个输出。节点间的连接关系及权值利用样本通过训练获得。神经网络训练好之后，在输入层输入图像，在输出层可以得到分类结果。 　　第六类为基于模糊理论的方法。图像分割具有模糊性，很难用一般的数学模型进行描述，模糊理论中的隶属度能够较好地描述这种模糊性。基于模糊理论的图像分割方法有模糊阈值法、模糊连接度法、模糊聚类法等。模糊C均值聚类法属于模糊聚类法的一种，本文研究基于模糊C均值聚类的算法来对医学X