基于改进的 FCM 算法对图像分割的研究和应用

针对目前基于 FCM 的改进算法不能很好解决图像分割的精度和速率问题,提出了一种改进的FCM 算法来对图像进行有效率的分割。 在算法中加入抑制因子增加算法的聚类速率;在原有 KFCM 算法的目标函数中加入加权模糊因子增加像素的空间信息,从而解决算法分割精度的问题。 通过对比实验图可看出:改进的算法对原图像分割的效果更佳,而且对噪声的抑制效果较为明显,再通过引入评价指标的实验数据可以直观看出改进的算法不仅对原灰度图像而且对噪声图像都具有较好的分割性能,对噪声和孤立点都具有较好的鲁棒性和抑制性,表明了改进的算法能够大大提高人们的工作效率,同时为后期再次改进提出一 种思路和方向。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

一种融合图像滤波的FCM图像分割算法及其应用

模糊C均值聚类(FCM)算法常用于图像的聚类分割中,但常规的FCM算法对噪声的抑制能力较差。许多改进的FCM图像聚类分割算法虽能有效地抑制图像中的椒盐噪声和高斯白噪声,但是对图像中出现的大颗粒背景噪声的抑制效果仍然较弱。提出了一种融合图像滤波技术的FCM图像分割算法,根据噪声尺寸选择滤波窗大小,利用FCM聚类结果构造噪声判定矩阵并设计噪声判定规则,实现滤波窗内噪声点滤波操作。该算法针对人工合成的含噪灰度图像和实际的纤维图像进行了图像分割实验,实验结果表明:本文算法能有效抑制图像中的噪声,特别是大颗粒背景噪声,能获得满意的分割结果。     

改进的快速模糊C均值聚类的图像分割方法

传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但该算法没有考虑像素的灰度和空间特征,对噪声和伪斑点图像不可能取得好的分割效果.提出一种改进的算法,在快速的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计构造新的隶属函数,对图像进行二次聚类分割.该算法具有以下优点:1)有效地抑制了噪声的干扰;2)减少了图像的伪斑点;3)把误分类的像素很容易地纠正过来.对两种类型图像的实验分割结果表明该方法对噪声和伪斑点具有很强的鲁棒性和对像素聚类的正确性.     

结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

基于空间邻域信息的FCM图像分割算法

提出一种基于空间邻域信息的FCM图像分割算法,该方法将目标函数中的距离定义为特征距离与空间距离之和,不仅反映特征距离,而且反映空间距离.将空间信息引入到传统FCM算法的目标函数中,建立了包含邻域信息的新的聚类目标函数,实现图像的分割.实验结果表明,新算法能够获得较好的分割效果和质量,同时具有较强的抑制噪声的能力.     

粒子群优化算法在脑部肿瘤图像分割中的应用

粒子群优化算法能选择适当的适应度函数,使每组粒子群根据相应的适应值搜索到最佳聚类中心,改善了FCM算法和K-means算法的不足,具有适应性强,实时性好,受噪声影响小等特点。本文将其应用于脑部肿瘤图像的分割,结果表明,粒子群聚类算法是一种很有潜力的图像分割方法。     

一种改进的利用空间信息加权的FCM算法

FCM(fuzzy c-means clustering)算法在图像分割中应用较为广泛,但由于其对噪声较敏感,所以只适合于分割噪声含量较低的图像.利用空间信息加权的FCM算法能够有效地抑制噪声却使图像的边缘变得模糊,造成边缘处分割的不准确.本文通过区分图像边缘点和内部点,在构造邻域平均灰度图像时区别对待,并对边缘点根据它与邻域的灰度关系进行补偿.实验结果表明,这种方法不仅能够有效地抑制噪声,并使边缘点的分割更准确,使分割质量明显提高.     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

基于空间模糊聚类的图像分割优化算法

针对传统模糊C-均值(FCM)算法抗噪性能差的问题,提出一种新的基于空间模糊聚类的图像分割优化算法.该算法通过在传统FCM算法基础上加入图像特征项中像素间的空间位置信息,解决了传统FCM对噪声敏感的问题,增强了算法的鲁棒性.实验结果表明,对于添加5%Gauss噪声的图像,该算法可实现有效分割,分割效果显著优于传统FCM算法.     

一种基于一致性分片FCM的图像分割算法

针对传统FCM(fuzzy c-means)算法抗噪性差的问题,提出了一种基于一致性分片的模糊c均值聚类算法.为避免额外的空间邻域约束项带来的控制变量设置问题,该算法直接将FCM应用于图像片空间.为减弱空间邻域对图像边缘的模糊,采用基于置信区间的局部多项式交叉近似技术(local polynomial approximation and intersection of confidenec intervals,LPA-ICI)构造自适应形状一致性分片.在脑磁共振图像上的实验表明,与传统的FCM算法相比,该算法具有更高的分割精度和运行效率.     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.     

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值(FCM)的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振(MR)脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。     

改进FCMS算法及其在颅内肿瘤图像分割的研究

为了提高脑部肿瘤的磁共振成像(MRI)在肿瘤分割方面的精度和分割效率,提出了自适应阈值蚁群模糊聚类算法(TSAG_PnFCMS)。针对传统的模糊c均值聚类(FCMS)算法对噪声敏感,以及MRI图像中存在属性不同的样本点,在聚类过程中,将不同属性样本点的相关系数作为权重融入到欧氏距离的计算,提高聚类精度;针对蚁群算法容易陷入局部最优,提出一种自适应阈值蚁群算法,提高算法的全局搜索能力,将自适应阈值蚁群算法与改进的模糊聚类算法相结合,提高系统的分割精度和抗噪声性能,使得最终的分割效果达到最优。通过轮廓系数、目标函数收敛结果以及迭代时间进行实验仿真对比,表明改进算法的有效性,可见算法为颅内肿瘤图像的分割提供了可靠的技术手段。     

基于模糊核聚类的肝脏MRI肿瘤提取方法

针对肝部图像特点,在传统模糊核算法中引进邻域像素的空间信息,提出灰度和空间信息相结合的特征加权核聚类方法.该方法在核聚类过程中利用分割熵作为高斯演化策略的适应度函数对灰度和空间信息的权重进行优化,从而达到肿瘤提取的目的.本方法对福建省肿瘤医院提供的30个腹部MR图像序列进行实验,结果表明该方法对肝脏MRI肿瘤提取的有效性.     

An adaptive spatial clustering method for automatic brain MR image segmentation

In this paper, an adaptive spatial clustering method is presented for automatic brain MR image segmentation, which is based on a competitive learning algorithm – self-organizing map (SOM). We use a pattern recognition approach in terms of feature generation and classifier design. Firstly, a multi-dimensional feature vector is constructed using local spatial information. Then, an adaptive spatial growing hierarchical SOM (ASGHSOM) is proposed as the classifier, which is an extension of SOM, fusing multi-scale segmentation with the competitive learning clustering algorithm to overcome the problem of overlapping grey-scale intensities on boundary regions. Furthermore, an adaptive spatial distance is integrated with ASGHSOM, in which local spatial information is considered in the clustering process to reduce the noise effect and the classification ambiguity. Our proposed method is validated by extensive experiments using both simulated and real MR data with varying noise level, and is compared with the state-of-the-art algorithms.