摘 要: 在合理利用空間信息的基礎(chǔ)上,,提出了一種更準(zhǔn)確,,緊致性和分離性更好的分割算法。該算法首先定義一個(gè)空間函數(shù),,并在其中引入一個(gè)控制參數(shù),該參數(shù)可以對噪聲點(diǎn),、邊緣點(diǎn)以及區(qū)域內(nèi)部的點(diǎn)進(jìn)行區(qū)別對待,,然后用空間信息更新隸屬度。實(shí)驗(yàn)結(jié)果表明,,該算法效果要明顯優(yōu)于sFCMpq算法及其改進(jìn)算法(EsFCMpq),。
關(guān)鍵詞: 圖像分割;模糊c-均值聚類,;鄰域信息,;MRI腦部圖像
圖像分割是圖像分析和模式識別的首要問題,它是圖像分析和模式識別系統(tǒng)的重要組成部分,,并決定圖像的最終分析質(zhì)量和模式識別的判別結(jié)果[1],。醫(yī)學(xué)圖像分割長期以來一直是圖像處理的研究熱點(diǎn),由于人體解剖結(jié)構(gòu)的復(fù)雜性,、組織器官形狀的不規(guī)則性,、不同個(gè)體的差異性等原因,使得到目前為止,,還無法得到一種能對所有圖像進(jìn)行有效分割的分割算法,。目前,圖像分割算法主要包括基于邊界,、基于閾值,、基于模糊集理論、基于區(qū)域的方法,。由于MR圖像成像設(shè)備獲取圖像的不確定性或模糊性,,造成不同個(gè)體組織之間難以找到清晰的邊界,而模糊聚類法是一種有效的方法。在腦部MRI圖像的分割中,,最具代表性的算法是模糊c-均值聚類算法(FCM),。傳統(tǒng)的FCM算法由DUNN J C[2]提出,后來由BEZDEK J C[3]進(jìn)行改進(jìn),。FCM算法采用迭代優(yōu)化目標(biāo)函數(shù),,最終獲得對數(shù)據(jù)集的模糊劃分。該算法的缺點(diǎn)是僅利用了灰度信息的聚類算法,,沒有考慮相關(guān)像素之間的相關(guān)性,,未能利用圖像的空間信息,這就導(dǎo)致了圖像分割的不準(zhǔn)確性[4-5],。近幾年來,,很多文獻(xiàn)都著力于利用圖像空間信息的改進(jìn)的FCM算法,提高了對低信噪比圖像的分割精度[6-7],。目前,,結(jié)合空間信息的FCM算法主要有兩種,一種是改進(jìn)目標(biāo)函數(shù),,在目標(biāo)函數(shù)中加入空間信息,;另一種是改進(jìn)隸屬度函數(shù),在隸屬度函數(shù)中加入空間信息,。本文提出的算法是后一種情況,。本算法首先定義一個(gè)空間函數(shù),在空間函數(shù)中引入一個(gè)控制參數(shù),,該參數(shù)可以對噪聲點(diǎn),、邊緣點(diǎn)以及區(qū)域內(nèi)部的點(diǎn)都進(jìn)行區(qū)別對待,然后用空間信息更新隸屬度,。實(shí)驗(yàn)結(jié)果表明,,該算法的效果要明顯優(yōu)于sFCMpq算法及其改進(jìn)算法(EsFCMpq)。
1 算法介紹
1.1經(jīng)典FCM算法
FCM算法是通過對目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化,,進(jìn)而對數(shù)據(jù)樣本進(jìn)行模糊聚類的一種方法,,分類結(jié)果用一個(gè)模糊隸屬度矩陣U={uik}∈RCN來表示。對于圖像分割,,數(shù)據(jù)樣本集就是N個(gè)像素,,通過FCM算法把這N個(gè)像素分成C個(gè)類,得到C個(gè)類中心和模糊隸屬度矩陣,,其中對于uik,,它表示第k個(gè)像素劃分為第i個(gè)類的程度,即隸屬度,。FCM的目標(biāo)函數(shù)[6]定義為:
使用聚類有效性參數(shù)對算法的性能進(jìn)行比較,,結(jié)果如表2所示。
以上結(jié)果表明,無論是真實(shí)圖像還是合成圖像,,從vpe和vpc兩個(gè)參數(shù)來看,,本文算法在分割精確性上優(yōu)于sFCMpq和EsFCMpq算法;從vfs和vxb兩個(gè)參數(shù)看,,本文算法在緊致性和分離性上要優(yōu)于sFCMpq和EsFCMpq算法,。
傳統(tǒng)的FCM算法分割并不理想,原因在于它只考慮了圖像的灰度信息,。本文算法既考慮了灰度信息又合理地利用了圖像的空間信息,。在空間信息統(tǒng)計(jì)中引入一個(gè)改進(jìn)的控制參數(shù)來區(qū)分噪聲、邊緣點(diǎn)和區(qū)域內(nèi)部的點(diǎn),,并對區(qū)域內(nèi)部的點(diǎn)進(jìn)行區(qū)別對待,,既能控制鄰域信息的使用,避免邊緣過平滑的現(xiàn)象,,又能更加合理地利用空間信息,。實(shí)驗(yàn)結(jié)果表明,與sFCMpq,、EsFCMpq算法相比,,該算法分割結(jié)果的精確性更高,分割結(jié)果有更好的緊致性和分離性,,是一種魯棒性更好的聚類算法。
和EsFCMpq存在的問題一樣,,由于加入了空間信息,,并且引入了控制參數(shù),在計(jì)算量上要比FCM,、sFCMpq,、EsFCMpq都有所增加,這是該算法存在的問題,。
參考文獻(xiàn)
[1] CHENG H D,, JIANG X H, SUN Y,, et al. Color image segmentation: advances and prospects[J]. Pattern Recognition,, 2001,(34):2259-2281.
[2] DUNN J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters [J].Journal of Cybernetics,, 1973,,3:32-57.
[3] BEZDEK J C. Pattern recognition with fuzzy objective function algorithms [M]. New York: Plenum Press:1981.
[4] 余學(xué)飛.基于模糊理論的醫(yī)學(xué)圖像分割算法研究[D].廣州:南方醫(yī)科大學(xué),2009.
[5] 辛學(xué)剛,,盧振泰,,陳武凡.融入空間信息的醫(yī)學(xué)圖像優(yōu)質(zhì)分割[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(34):225-226.
[6] TOLIAS Y A,, PANAS S M. Image segmentation by a fuzzy clustering algorithm using adaptive spatially constrained membership functions[J]. IEEE Transactions on Systems,,Man and Cybernetics, 1998,,28(3):359-369.
[7] MOHAMED N A. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data [J].IEEE Transactions on Med Image,, 2002,21(3):193-199.
[8] CHEN W J,, GIGER M L,, BICK U. A fuzzy c-means (FCM)-based approach for computerized segmentation of breast lesions in dynamic contrast-enhanced MR images [J].Academic Radiology, 2006,,13(1):63-72.
[9] 張?zhí)m,,王珂,楊文宏.一種結(jié)合空間信息的FCM算法對腦MR圖像的分割[J].計(jì)算機(jī)工程與應(yīng)用,,2007,,43(26):203-205.
[10] CHUANG K S, TZENG H L,, CHENS,, et al. Fuzzy c-means clustering with spatial information for image segmentation[J]. Computerized Medical Imaging and Graphics, 2006(30):9-15.
[11] 李斌,,陳武凡.基于模糊聚類空間模型的非均勻MR圖像分割[J].醫(yī)療衛(wèi)生設(shè)備,,2006,27(2):3-4.
[12] LUNG H V,, KIM J M. A generalized spatial Fuzzy C-Means algorithm for medical image segmentation[J]. IEEE International Conference on Fuzzy Systems,, FUZZ-IEEE,2009:409-414.
[13] 李志梅,,肖德貴.快速模糊C均值聚類的圖像分割方法[J].計(jì)算機(jī)工程與應(yīng)用,,2009,45(12):187-189.
[14] BEZDEK J C. Cluster validity with fuzzy sets[J]. Journal of Cybernetics,, 1974,,8(3):58-73.
[15] BEZDEK J C. Mathematical models for systematic and taxonomy[C]. Proceedings of 8th International Conference on Numerical Taxonomy, 1975:143-166.
[16] XIE X L,, BENI G. A validity measure for fuzzy clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,, 1991,13(8):841-847.
[17] FUKUYAMA Y,, SUGENO M. A new method of choosing the number of clusters for the Fuzzy C-Means Method[C]. Proceedings of 5th Fuzzy Systems Symposium,, 1989:247-250.
[18] POPESCU M, BEZDEK J C,, KELLER J M,, et al. A new cluster validity measure for bioinformatics relational datasets[C]. IEEE International Conference on Fuzzy Systems,,2008:726-731,.
[19] BALAFAR M A,, RAMLI A R,, MASJOHOR S, et al. Compare different spatial based Fuzzy-C_Mean(FCM) extensions for MRI image segmentation[J]. The 2nd International Conference on Computer and Automatic Engineering(ICCAE),, 2010,,5(1):609-611.
[20] AYECH M W, KALTI K E,, AYEB B E[C]. International Conference on Pattern Recognition,, 2010:2306-2309.