利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法(FCM)广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。

基于模糊聚类空间模型的非均匀MR图像分割

模糊C-均值聚类算法(FCM)已广泛地运用到MR图像的分割中。但传统的算法中未利用图像的空间信息,在分割叠加了噪声和附加了偏移场的非均匀MR图像时分割效果不理想。本文改进了传统FCM的目标函数,引入控制邻域作用紧密程度的参数,提出了一种能够更加合理地运用图像的空间信息,改进的模糊C-均值聚类算法。通过对脑部MR 图像的分割实验表明,该算法能够比传统的FCM和其它改进算法对非均匀图像进行更精确的分割。

改进的基于核函数的FCM图像分割算法

目的:对含有噪声的脑部MR图像进行分割。方法:改进了传统FCM目标函数,引入核函数的概念,用内核诱导距离来代替传统的欧氏距离;考虑到邻近像素的影响,增加了空间约束项,从而提出了一种能够合理应用图像空间信息的、改进的基于核函数的模糊C均值聚类算法。结果:对叠加椒盐噪声模拟图分割,该算法分割结果显示各灰度区域内无噪声污点;对仿真脑部MR图像分割,该算法错分率低于基于核函数的FCM算法其及改进算法。结论:与传统的FCM和其他改进算法相比,该算法能够对非精确图像进行更精确的分割。

基于模糊均值聚类算法的灰度不均匀脑MR图像的分割

磁共振图像经常被含有缓慢变化的灰度不均匀场所破坏,不均匀场会造成同一组织的灰度发生变化,从而影响计算机辅助诊断的准确性。传统的基于灰度信息的分割方法对具有不均匀场的磁共振图像分割效果往往并不理想。文章改进了基于灰度信息的模糊C均值(FCM)算法,将偏移场模型、代表图像空间信息的邻域控制信息和最小二乘曲面拟合方法有机结合,能同时实现图像的校正和聚类,适用于灰度不均匀脑部磁共振图像的分割,分割精度明显优于已有的基于FCM的分割方法。

基于多目标规划的模糊C均值聚类算法

模糊C均值聚类算法(FCM)是一种非常经典的非监督聚类技术,已被广泛地应用到医学图像分割。由于传统的FCM聚类算法在分割图像时仅利用了图像的灰度信息,未利用图像的空间信息,在分割叠加了噪声的磁共振(MR)图像时分割效果不理想。考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,引入多目标规划的概念,提出了一种新的,更加合理的应用图像空间信息的聚类算法。实验结果表明,应用该算法可以有效地分割含有噪声的图像。

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。