基于Gibbs随机场理论的脑部MR图像分割新算法研究-生物医学工程专业论文.docxVIP

摘要图像分割主瘿是指将图像划分并标汜成各具特性的不同区域并搬取 摘要 图像分割主瘿是指将图像划分并标汜成各具特性的不同区域并搬取 出媾兴趣目标的技术，其研究多年以来一随受到人们的高度重视。}主I予 缝分裁强像的可变幢魄较大，秀藤上噪声赖存在，魄成了图像分割联藤 簸瀚主要困难。为了实现精确并稳健的图像分裁，现在广为接受的怒在 分割算法框架中引入先验信息。本文主要针对医学图像分析中脑部MR 图像的分割问题，在目前的常用算法中基于Gibbs随机场理论引入先验 信患的擐导，嚣震了分裁算法疆究。 有限混台(FM)模型是当前籀部MR图像统计分割簿法中最常用的 模溅，由于它是一个基于直方图的统计分割模型，没有考虑任何空问信 息，导致分割的结果对噪声锻敏感，分割如的区域存在很多杂散的孤立 点。本交在G谗bs夔疆场理论戆蠢导下，j羲逑考虑穗邻象素点熬稳互影 响将空间信息引入有限高斯混合(FGM)模型，提出了改进的脑部MR 图像分割算法。同时本文采用了改进后的期塑最大化(EM)算法来估计 FM模型的参数，而且提出树形K平均算法给出初始参数估计，实现了 全蠡麓兹踅缘分辫。 模糊c平均聚类(FCM)是一种非常经典的非监督聚类技术，也已 被广泛用于脑部图像的分割研究。与FM模型非常类似，幽于标准的FCM 算法进行图像分嘉#仪利用了灰发信息，两没鸯考虑象素的空鲻位置倍感， 函褥分蘩模墅怒不完整靛，造成辕准FCM黪法其逶鼹予分裁噪声台餐缀 低的图像。本文利用Gibbs随机场所描述的邻域关系属性，引入先验空 间约束信息，提出拒纳度的概念，建立包含灰度信息与空间信息的新日 标溺数，继露提撼基于Gibbs涎枫场与模糊C平均聚类蛇GFCM图像分 害g赣舞法。 本文给出大鬣实验对分割算法做了系统的定量分析，证明了本文所 提算法的稳健一陡与精确性。 关键{透：黧豫分爨蘧帮磁共强(磁袋)运豫Gibbs疆援场煮瓣混 合(FM)模型期望最大化(EM)算法模糊C平均聚炎(FCM)Bias 场 本文受国家自然科学基金重点磺弱(NO资助 ．i． AbstractImage Abstract Image segmentation，partitioning all image into different regions with some specific properties and labeling each pixel、撕m its underlying class，has always been an important and challenging problem for many years．The main difficulties lie in the great variability of images and the presence of noises．It iS widely accepted that the key for a better segmentation iS to incorporate high-level a-prioiq knowledge into the framework of segmentation．In this thesis，traditional segmentation algorithms are discussed and a-priori knowledge iS incorporated through the Gibbs random field(GRF)theory tO deal with a particularly important problem in the area of medical image analysis：automatic segmentation ofbrain MR images． Generaliythe finite mixture(FM)model is the most widely used model for statistical segmentation of brain MR images because of its effective modeling of intensity distribution and its simple mathematical fornl．However a kind of histogram 一 based model for segmentation the FM model has an intrinsic Iimitation．no spatial infolTnation括taken intO account．This causes the FM model to work only o