广义模糊Gibbs随机场与MR图像分割算法研究

为了对图像进行准确、可靠的分割,提出了一种基于广义模糊集的软分割算法,并将广义模糊集和G ibbs场结合起来,提出了广义模糊G ibbs随机场模型,同时建立了广义模糊G ibbs分割(GFGS)算法。该算法是首先把每一个分割类看作是广义模糊类,并以最大后验概率(MAP)为判别准则来决定每一个像素值的归类以及它属于该类的隶属度;然后用广义隶属度函数中负的部分来刻划数据中的异常值,使得该算法能有效地处理异常值;最后用该模糊类的质心来更新类的中心,并以人脑的仿真图像和临床MR图像进行了实验。实验结果表明,该算法能有效地滤除噪声和处理部分容积效应,是一个分割能力强、稳健性好的算法。

结合Gibbs随机场的加权模糊C均值图像分割算法

加权模糊C均值(WFCM)算法是在模糊C均值(fuzzyC-Means,FCM)算法的基础上提出的,它为不同的样本添加了不同的权值,从而改善了聚类效果。然而传统的加权模糊C均值算法具有对噪声非常敏感的缺陷,于是本文提出了一种结合Gibbs随机场的改进的WFCM算法(G-WFCM)。根据Gibbs随机场概率分布构造了一个Gibbs空间约束场,通过用Gibbs空间约束场为WFCM施加空间约束的方法来减小噪声对分割结果的影响。文中给出的人脑MRI图像分割实验证明,本文提出的G-WFCM算法具有比原WFCM算法更强的抗椒盐噪声能力。

基于模糊Gibbs随机场聚类二维直方图的核磁共振图像分割

针对人脑组织结构的不确定性和模糊性,提出模糊Gibbs随机场聚类与二维直方图相结合的分割方法。该方法首先利用均值、方差及邻域属性对隶属度函数进行定义,并建立模糊Gibbs随机场;然后以模糊Gibbs随机场作为先验知识、最大后验概率为判别准则来确定每一个像素的类归属以及它属于该类的隶属度,同时用模糊类的质心来更新类中心;最后将类中心引入二维直方图方法中,找到每个类之间的各个阈值点对图像进行分割。通过实验表明该算法能够准确分割出各种脑组织,对噪声的鲁棒性、结果的准确性及平滑性相对于模糊C均值(FCM)算法都有了很大的提高。

一种基于模糊Gibbs随机场的运动估计新算法

运动估计问题具有不适定性 ,单纯采用最大后验概率算法 ,实际上并未解决运动矢量的不连续、矢量的失真与随机噪声等棘手问题。本文应用模糊数据融合与 Gibbs分布的基本思想 ,将运动场风险约束条件的概率分布模式有效地纳入阶段非凸函数 (GNC)算法的局部迭代过程中 ,从而提高了运动估计效果。首先建立 Gibbs的自适应能量模型 ,该模型可将基于特征和基于梯度的两类矢量按照优化约束条件进行融合 ;其次利用各种运动经验知识构造矢量的模糊风险决策表 ,该决策表可对 Gibbs能量方程的每一步迭代收敛结果进行监督和修正 ,从而实现模糊数据融合。从收敛性和鲁棒性两方面说 ,模糊融合后的结果在原有基础上有明显提高。

基于广义模糊吉伯斯随机场图像分割新算法

吉伯斯分布作为一种引入图像空间信息的先验模型已广泛运用于贝叶斯图像分割中 .然而 ,由于传统该模型只在确定类上有定义 ,而在模糊类上未曾涉及 ,使得在运用该模型对一些模糊图像或退化图像进行处理时 ,分割效果不理想 ,甚至无能为力 .该文针对这些不足 ,从模型本身出发 ,在传统的吉伯斯随机场模型中引入模糊概念 ,并针对实际多值分割特点 ,提出一种高效、无监督的广义模糊算法 ,从而实现对多值图像的精确分割 .文中首先介绍一种二值的广义模糊吉伯斯随机场模型 ;然后将这种二值模型进行多值扩展 ,提出分段模糊与广义模糊吉伯斯两种实用的多值分割算法 ;最后将其运用于一系列医学图像分割 .实验表明 ,文中提出的广义模糊分割算法比基于传统随机场的算法有更好的图像分割能力 .

基于模糊Gibbs场和模糊C均值聚类的脑部磁共振图像的分割

提出了一种利用模糊Gibbs场和模糊C均值聚类的新算法,用来分割脑部磁共振(Magnetic resonance,MR)图像。本算法引入了像素的空间约束,提出了势团均匀分布的概念,并使用模糊信息定义了势团的Gibbs能量,并在传统的基于灰度的模糊C均值聚类(Fuzzy C-means,FCM)算法中引入Gibbs能量的补偿项,建立包含像素灰度信息和空间约束的新的目标函数,并得到模糊矩阵和聚类中心的迭代公式,克服了基于灰度信息的模糊C均值聚类算法的缺陷,从而改善了原有的分割模型。对合成图像和脑部MR图像的实验表明了本算法的有效性,可以有效地分割被噪声污染的低信噪比的MR图像。

基于Gibbs场与模糊C均值聚类的脑MR图像分割

模糊C均值聚类是一种经典的非监督聚类模型,已成功用于很多领域。但该算法对图像噪声比较敏感。为此,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到FCM框架中,完善其分类效果,使其在克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息。应用于脑MR图像分割,实验表明新算法可以得到较好的分类结果。

基于广义模糊吉波斯随机场的噪声图象分割

基于吉波斯随机场分割模型的图象分割方法是一种常用的重要方法。本文结合广义模糊集理论,针对噪声大的模糊图象分割问题,重新定义了吉波斯场的集团势函数,将广义模糊隶属度引入势函数,建立了新的分割模型。在此基础上用条件迭代模式(ICM)法对图象进行了优化分割。实验表明,该方法能有效地分割退化的模糊图象。

改进的模糊C均值聚类算法

由于传统的模糊C均值(fuzzy C-means,FCM)算法没有考虑像素点的空间邻域信息,仅涉及像素的单点灰度,在处理含有噪声的图像时有很大的局限性,因此分割效果较差。针对FCM的缺陷,提出一种新的改进算法,该算法引入Gibbs随机场,将Gibbs随机场先验概率与像素点隶属度的乘积作为新的像素隶属度。实验表明,改进后的算法有良好的分割效果,既可以较为完整地保留图像边界细节,又能较好地去除图像的噪声。

基于改进的FCM的人脑MR图像分割

传统模糊C均值广泛应用于图像分割,它是一种经典的模糊聚类分析方法,但是FCM算法对于初始值的选择都是采取随机的方法,强烈依赖于初始值的选择,收敛结果容易陷入局部最小值,并且FCM并没有考虑图像的空间信息,因而对噪声十分敏感。提出改进的FCM方法,采用新的方法确定初始值的选择,然后考虑空间信息,利用Gibbs随机场的性质引入先验邻域约束信息,重新确定像素的模糊隶属度值,同时再进一步地调整距离矩阵。通过实验可以表明,此改进的方法具有很好的分割效果,同时对噪声具有较强的鲁棒性。