基于可拓检测的医学图像分割

颅内血肿尤其是急性颅内血肿是危害人生命健康的颅内损伤之一.准确分割颅内血肿区域具有重大的临床应用价值.血肿区域医学图像分割技术是实现颅内血肿三维重构及体积计算的关键技术,分割中的难题是如何提高分割精度.本研究建立了颅内血肿医学图像物元模型,提出了将可拓检测物元聚焦与模糊C均值聚类算法相结合的研究方法,解决了模糊C均值聚类算法在颅内血肿医学图像分割中容易陷入局部最优解的问题,从而有效地提高了分割精度.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法. 该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果. 实例分析证明了算法的有效性和实用性.     

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。     

改进的FCM聚类医学超声图像分割算法

为解决模糊C均值聚类算法在进行医学超声图像分割时聚类数目及初始聚类中心选取的问题,提出一种改进的模糊C均值聚类医学超声图像分割算法。算法根据医学超声图像的特点,首先将医学超声图像变换到灰度特征空间,然后根据医学超声图像的直方图特征峰值数目设置聚类数目,并将特征峰值设为聚类中心。最后,在灰度特征空间对医学超声图像进行病灶区域分割。仿真实验结果表明,算法能够准确、快速地分割出医学超声图像中的病灶区域。     

组合均值平移和区域合并的图像分割算法

医学图像类的多细胞图像分割过程中,经常因为细胞边界模糊而影响分割质量.针对复杂情况下的细胞图像分割问题,提出了一种组合分割方法,新方法将一种非参数聚类算法(均值平移)和区域合并相结合,先利用均值平移算法获得图像的过分割结果,再根据区域合并准则,合并过分割区域得到准确的分割结果.将此方法应用于活细胞的显微灰度图像,并与几何活动轮廓模型算法、阈值分割算法、均值平移算法及水线分割算法相比较,实验结果证明了此算法的有效性.此算法不仅可以将粘连的细胞分开,还可以获得接近细胞原始形状的边界,为进一步图像研究提供了良好的基础.     

基于减法聚类和K均值聚类的彩色图像分割算法

传统图像分割方法大都存在分割速度低下、过度分割等缺点.针对上述问题,提出一种新的彩色图像区域分割算法.这种方法首先将图像转化至L＊a＊b＊空间,并划分为子块,抽取图像子块的颜色、纹理和位置特征组成子块的特征向量,然后运用减法聚类,获得聚类簇数和初始蔟中心,最后利用改进的K均值算法在像素点特征空间进行聚类,进而分割图像成区域.实验结果表明这种新方法具有分割效率高、分割效果理想等优点.     

融合特征自适应抑制式模糊聚类彩色图像分割

为了提高彩色图像分割的精度和效率,提出了一种融合特征自适应抑制式模糊聚类图像分割算法.在Lab空间提取图像色彩信息,采用Haar小波变换与半方差函数提取图像纹理特征,得到7维融合特征以概括图像信息.利用带宽自适应的均值漂移算法生成聚类数目和初始聚类中心.根据迭代过程中隶属度的动态变化自适应生成抑制因子,以改善算法的运行...     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊 C 均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值. 文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO-FCM）. 利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题,同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM 进行图像分割. 实验表明,该方法能解决 FCM 算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果.     

基于空间邻域信息的模糊聚类图像分割

模糊C均值(Fuzzy C-means,FCM)聚类算法在图像分割中已获得广泛应用.为了克服传统FCM算法抗噪性能差的局限性,提出了一种新的基于空间邻域信息的模糊聚类图像分割方法.该方法将图像的聚类分割转化为一个优化问题,通过建立包含邻域信息的适应度函数考虑像素之间的相互影响,利用捕食者-食饵微粒群的全局优化能力获得最优聚类中心,实现图像分割.仿真结果表明,提出的算法不易陷入局部最优,抗噪能力强,分割效果好,是一种有效的图像分割算法.     

融合颜色聚类和分水岭算法的铁谱图像分割

通过分析不同颜色空间下铁谱图像k-means颜色聚类效果,提出在CIELAB颜色空间利用二维颜色分量进行k-means均值聚类的算法,从而实现铁谱图像背景和磨粒的分离.将kmeans颜色聚类结果作为基础图像,利用阈值法分别针对背景和磨粒提取区域极小值,从而获得背景和磨粒标记图像,在此基础上利用标记分水岭算法实现了铁谱图像磨粒沉积链自动分割.研究结果表明,本文所提出的方法消除了背景因素对磨粒沉积链分割的不良影响,提高了分割的准确度.     

显著信息引导的直觉空间模糊聚类图像分割

为克服直觉模糊C-均值(IFCM)聚类算法应用于图像分割时,易受噪声影响,且对聚类中心初始值敏感的缺陷,给出显著信息引导的直觉空间模糊聚类图像分割方法。使用图像的显著信息初始化聚类中心,能够很大程度地防止算法陷入局部最优;将改进的融合局部空间信息的模糊因子引入到IFCM聚类算法中,可提升算法的抗噪性能。实验结果表明所给方法能在多种含噪声图像上得到较好的分割效果。     

一种基于FCM和VBM的头部磁共振图像多组织分割算法

为了在无损情况下获得精确的人体头部三维模型,需要从颅脑的MRI序列图像中分割出头皮、颅骨、灰质、白质和脑脊液等5种主要的组织。首先,通过BET算法从原始的MRI图像中摘取出颅脑区域,然后通过模糊C-均值聚类(FCM)算法对得到的颅脑区域进行细分得到灰质、白质和脑脊液,继而再通过基于体数据的形态学(VBM)分割算法分割出颅骨、头皮和脑部空腔等非脑组织区域,最后对分割得到的各个组织进行平滑和形态学处理,最终成功分割出了所需的5种组织。通过与K均值聚类算法及形态学分割方法对比发现,该分割算法在组织边缘梯度更高的情况下具有更低的形态失真度。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

改进的模糊C-均值算法在图像分割中的应用

针对传统的模糊C-均值算法在图像分割中存在的缺陷,提出了一种基于点密度函数加权的模糊C-均值聚类算法。将图像像素的点密度函数作为权值,并依据类间相关度定义了一个聚类有效性函数用以确定最佳聚类数,结合聚类有效性完成对图像的分割。理论分析和对比试验表明,该算法在一定程度上克服了模糊均值算法的缺陷,在图像分割中具有良好的分类精度。     

基于改进Mumfold-Shah模型的图像分割算法

针对传统图像分割方法中由于边缘模糊难以取得理想分割效果的问题,提出了一种基于改进Mumfold-Shah模型的图像分割算法.结合模糊C均值聚类算法对Mumfold-Shah模型进行改进,以提高图像的分割速度和分割的鲁棒性.实验结果表明:该算法具有可行性和有效性.     

EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。