腦磁共振(MRI)圖像的分割在計算機輔助診斷和臨床研究中起著重要作用。然而,由于存在噪聲和腦圖像中不同組織之間邊界的不確定性等因素,腦圖像的有效合理分割是一項具有挑戰(zhàn)性的任務(wù)。因此,研究腦部MRI圖像分割具有一定的實際意義。在圖像的分割算法中,FCM(模糊C均值聚類)是一種適合應(yīng)用在腦部圖像分割中的經(jīng)典算法。FCM算法的實質(zhì)就是使得屬于同一聚類的對象之間相似度最大,而不同聚類之間的相似度最小,并計算目標(biāo)函數(shù)的最小值,從而實現(xiàn)每個像素的模糊劃分。本文在研究了 FCM算法及其改進算法后,發(fā)現(xiàn)了以下的不足:一是分割的過程中只考慮了圖像中像素點的自身情況,導(dǎo)致分割結(jié)果對噪聲十分敏感;二是沒有充分考慮鄰域像素與中心像素的關(guān)系,也就是沒有利用像素間的差異性的影響,導(dǎo)致了分割結(jié)果的不精確。為了克服FCM算法以上的缺點,本文在改進FCM算法的過程中,引入了鄰域像素對中心像素的權(quán)重。首先對待聚類像素進行加權(quán),計算出結(jié)合了鄰域像素灰度分布和相似程度的待聚類像素灰度值。然后,在此基礎(chǔ)上,利用本文提出的相異性系數(shù)公式,求出鄰域像素對中心像素的影響程度,分別計算鄰域像素和中心像素相對于聚類中心的距離,得到待聚類...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 論文章節(jié)結(jié)構(gòu)
2 模糊C均值聚類算法和馬爾可夫隨機場
    2.1 模糊C均值聚類算法(FCM)
        2.1.1 FCM算法的原理
        2.1.2 FCM算法的實現(xiàn)
        2.1.3 FCM算法的優(yōu)缺點
    2.2 基于鄰域信息的FCM改進算法
        2.2.1 FCMS算法
        2.2.2 FLICM算法
        2.2.3 EnFCM算法
    2.3 馬爾可夫隨機場(MRF)
        2.3.1 鄰域系統(tǒng)與基團
        2.3.2 吉布斯分布
    2.4 本章小結(jié)
3 鄰域像素的相關(guān)性
    3.1 局部鄰域像素的灰度分布
    3.2 結(jié)合鄰域像素影響的灰度值加權(quán)
    3.3 鄰域像素的相關(guān)性
    3.4 本章小結(jié)
4 基于目標(biāo)函數(shù)優(yōu)化的FCM算法改進
    4.1 基于像素相異性系數(shù)的改進
    4.2 基于馬爾可夫隨機場的局部概率
    4.3 MRF與改進的FCM算法結(jié)合
    4.4 本章小結(jié)
5 實驗結(jié)果與分析
    5.1 實驗環(huán)境
    5.2 評價標(biāo)準(zhǔn)
    5.3 本文實驗結(jié)果
    5.4 對比實驗
        5.4.1 FCM算法對比實驗
        5.4.2 FCMS算法對比實驗
        5.4.3 FLICM算法對比實驗
        5.4.4 EnFCM算法對比實驗
        5.4.5 運行時間對比
    5.5 本章小結(jié)
結(jié)論
參考文獻
致謝
作者簡歷及攻讀碩士學(xué)位期間的科研成果



本文編號：3805484