基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

基于改进高斯混合模型的MR图像分割

传统高斯混合模型分割核磁共振图像时严重依赖初值,且易受图像中偏移场与噪声的影响。为此,提出一种基于片信息的改进高斯混合模型。采用模糊C均值聚类方法优化初始值,以减小初值对分割结果的影响,加快算法的收敛速度。使用Legendre多项式对偏移场进行拟合,并融入EM框架中,得到光滑的偏移场。利用邻域信息降低噪声的影响,使模型在降低噪声影响的同时,保留细长拓扑结构信息。实验结果表明,该模型能恢复出偏移场,分割结果较好。     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

一种基于高斯混合模型的距离图像分割算法

提出了一种基于表面法向的高斯混合模型的距离图像分割算法.它充分利用了表面法向高斯混合模型的物理含义,使数据聚类的次数减少,并利用Expectation-Maximization(EM)算法估计出的模型参数计算模型的后验概率实现了自动模型选择.算法针对两种距离相机的60幅真实距离图像进行了实验.将实验结果与几个流行的分割算法进行了客观比较.     

遥感图像的有向空间高斯混合模型分割方法

针对传统高斯混合模型没有考虑像素间的空间关系,使得遥感图像分割算法对噪声不具备健壮性的问题,提出了一种基于有向空间关系高斯混合模型的遥感图像分割方法。首先,根据图像区域特征,利用像素之间的空间信息对高斯混合模型的先验概率和后验概率进行约束,定义的空间约束能够确保图像空间更新时算法结构的稳定;其次,根据像素区域分类信息,通过能量函数中灰度信息的分量控制,确保图像灰度和空间信息的自适应分配;最后,利用K均值算法初始化分割模型参数,通过交替进行评估像素与类别之间的对应关系和空间约束变换,实现图像的精准分割。利用遥感样本图像对该算法进行性能测试实验,与当前流行的3种算法相比,该算法展现出卓越的分割性能。     

基于自适应空间邻域信息高斯混合模型的图像分割

针对高斯混合模型用于图像分割时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分割现象,提出一种自适应空间邻域信息高斯混合模型的图像分割法.该方法定义了一个能够有力抑制噪声点、很好保留边界特性的自适应空间邻域信息函数.在此基础上,设计了每个像素由某个类生成的邻域信息加权概率,并证明了该加权概率满足归一性和空间连续性2个准则;最后,利用EM优化算法给出模型参数E步和M步迭代求解公式.通过人工合成图像与真实图像的实验表明,该方法具有满意的分割效果.     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

一种基于高斯混合模型的MR图像分割

由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解.高斯混合模型使用了图像全局信息,比较好地处理弱边界问题.但传统的高斯混合模型仅使用了灰度值分布信息,这就使得图像中的弱边界容易导致水平集泄漏.本文提出通过一致连通增强扩散将中断部分和其周围区域连接起来,以及结构张量估计图像的方向信息,用图像修复的方法将弱边界区域重新复原回来.最后对左心室MR图像分割,实验表明该模型具有较好的分割效果.     

基于t-混合模型的脑MR图像白质分割

核磁共振成像（MRI）作为临床辅助诊断和研究的重要工具,MR图像分割的准确性直接影响着后续处理的正确性和有效性。在目前的图像分割算法中,基于t-混合模型的图像分割方法因其快速和稳健性而受到重视。该方法的一般过程是先估计混合模型的参数,计算图像中每点的后验概率,然后根据贝叶斯最小错误率准则对图像进行分割。根据MR图像的特点,提出了基于t-混合模型的大脑MR图像白质分割的算法,并取得了较好的实验结果。     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。     

一种基于改进的遗传算法的脑MR图像去偏移场模型

由于磁共振图像（Magnetic Resonance Images,MRI）常含有偏移场,影响后继图像分割。采用Legendre多项式基函数来拟合偏移场,以去除偏移场对图像分割的影响。当使得恢复图像的信息熵达到最小时,求得的偏移场最优。求偏移场的过程中需要求解基函数的参数,由于传统的梯度下降法易陷入局部最优,将遗传算法引入到参数求解过程中,然而传统的遗传算法时间复杂度高,易陷入局部最优,对遗传算法进行了改进,更容易得到全局最优解且时间复杂度较低。实验证明该算法可以得到精确的偏移场,得到准确的分割结果。     

一种快速、贪心的高斯混合模型EM算法研究

针对传统EM算法存在初始模型成分数目需要预先指定以及收敛速度随样本数目的增长而急剧减慢等问题,提出了一种快速、贪心的高斯混合模型EM算法。该算法采用贪心的策略以及对隐含参数设置适当阈值的方法,使算法能够快速收敛,从而在很少的迭代次数内获取高斯混合模型的模型成分数。该算法通过与传统EM算法、无监督EM算法和鲁棒EM算法的聚类结果进行比较,实验结果证明该算法具有很强的鲁棒性,并且能够提高算法的效率以及模型成分数的准确性。     

基于多阶抽样的高斯混合模型彩色图像分割

针对传统高斯混合模型应用于彩色图像分割时计算复杂度高等问题, 提出一种多阶抽样的高斯混合模型的彩色图像分割算法。首先,给出采样数定理及其证明,并推导出与聚类类别数和最小聚类相关的最小采样数目;其次,设计一罚函数判断抽样优劣,消除抽样对聚类模型影响,根据最小采样数数目,对像素点进行均匀采样,并利用高斯混合模型对采样像素点进行聚类;最后,定义像素点和类之间的距离,对剩余的像素点按距离最近原则进行划分。实验结果表明算法具有有效性。     

强噪声干扰下MR图像的脑组织分割

核磁共振图像（Magnetic Resonance Imaging）容易受到噪声的干扰,并且在图像边缘部分呈弱对比度。强噪声下核磁共振图像的脑组织分割一直是个难题,引起很多学者的关注。提出了一种使用自适应正则化参数并结合空间关系的算法,同时将核距离替换传统的欧式距离进行计算,对强噪声下的核磁共振图像进行分割,大大提高了分割的鲁棒性。算法的主要优点是为图像每个点定义自适应参数,并且将这个参数同时应用到目标函数的两项表达式当中,既减少了参数数量,又增强了分割效果。最后,由于结合空间关系,使分割结果更加的精确。实验表明,该方法在脑组织的分割精度、细节保留以及噪声处理方面比其他方法有所提高。     

基于[t]分布混合模型的半监督网络流分类方法

针对传统高斯分布容易受到数据样本边缘值和离群点噪声的影响,改用t分布替代原有的高斯混合模型,并使用期望最大化（Expectation Maximization,EM）算法对网络流数据样本进行t分布混合模型的建模。为降低EM算法的迭代次数,对t分布混合模型进行了改进,用理论和实验验证了算法的有效性,并对网络多媒体业务流进行了分类研究。实验表明,提出的算法有较高的分类准确率,拟合的模型要优于传统的K-Means算法和传统的高斯混合模型的EM算法。     

基于K均值聚类的图割医学图像分割算法

图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。