非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法对噪声鲁棒性差的问题, 提出一种自适应非局部空间约束与K-L信息 的模糊C-均值噪声图像分割算法. 首先, 通过定义平滑度, 设计自适应匹配函数, 实现非局部空间信息项搜索窗口和 邻域窗口的自适应计算, 克服非局部空间信息窗口大小固定的问题. 其次, 将K-L信息引入目标函数, 利用隐马尔可 夫模型计算图像像素的上下文信息, 减少分割的模糊性. 最后, 利用原始图像和非局部空间信息项局部方差的绝对 差和其倒数自适应约束原始图像和非局部空间信息项, 实现约束项参数的自适应选择, 提高算法的灵活性. 含噪合 成图像和彩色图像分割实验表明, 该算法在分割精准度、平均交互比、归一化互信息、模糊分割系数和模糊划分熵 等性能方面均优于其他几种FCM算法. 例如, 在混合噪声密度为15%的条件下, 算法的模糊分割系数和模糊划分熵 分别达到99.92%和0.14%.     

基于Canopy聚类的噪声自适应模糊C-均值算法

针对局部空间信息的模糊C-均值算法（WFLICM）中空间影响因子容易受到噪声影响出现错误标识的问题,提出一种融合局部和非局部空间信息的模糊C-均值聚类图像分割算法(NLWFLICM),在WFLICM算法的模糊影响因子中引入非局部空间信息,根据噪声程度自适应地设置局部和非局部信息权重,并重新标记中心点的模糊影响因子。实验结果表明,NLWFLICM算法具有比WFLICM算法更强的鲁棒性和自适应性,并在一定程度上提高了WFLICM算法对含有大量噪声图像进行分割的鲁棒性,同时保留了图像的纹理。为了提高算法的聚类性能和收敛速度,结合Canopy算法能够快速对数据进行粗聚类的优点,提出基于Canopy聚类与非局部空间信息的FCM图像分割改进算法（Canopy-NLWFLICM）,可以在NLWFLICM算法聚类前,对聚类中心进行预处理,从而提高收敛速度和图像分割精度。     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

用于脑部核磁共振图像分割的具有抗噪能力的BCFCM算法

脑部核磁共振成像(MRI)是脑疾病临床诊断的重要手段,而脑组织的准确分割则是其中一个重要的环节。然而MRI图像中普遍存在的噪声和偏移场给脑组织的准确分割造成了很大的困难。在MRI图像分割算法中,偏移场矫正模糊C-均值算法(BCFCM)在模糊C-均值聚类算法(FCM)的基础上增加了对偏移场的估计和空间信息的使用,可以很好地消除图像偏移场对分割造成的影响。但是BCFCM算法由于没有考虑到噪声对偏移场估计的影响,因此对高噪声图像的分割效果欠佳。针对MRI脑组织分割,在图像预处理过程中提出一种快速的分割方法来去除颅骨及其附属物。此外,提出基于BCFCM的改进算法,该改进算法在迭代过程中可以通过对噪声强度的估计来自适应地改变目标函数窗口的大小。同时,该算法引入高斯核函数对偏移场进行平滑处理,并通过阈值限制偏移场的估计值,以有效地避免偏移场的错误估计对分割结果的影响。实验结果表明,改进后的算法不仅可以有效准确地 分割脑组织,而且具有较强的抗噪声和处理偏移场的能力。     

基于MICO+FCM的MRI脑组织分割

针对MRI中存在的强度不均匀问题以及颅骨组织对于脑部组织提取所造成的影响,为了解决对特定脑部组织的研究问题,提出一个MICO+FCM脑组织分割算法。算法首先利用基于MICO的能量最小化算法对脑部MRI进行强度不均匀性估计和矫正,并且通过该算法完成对图像的初步分割,然后通过区域生长算法对图像中的颅骨组织进行去除,再利用FCM算法完成脑部组织中脑白质和脑灰的分割提取。通过仿真表明,相对于传统FCM算法及其它图像分割算法,提出的MICO+FCM脑组织分割算法在分割准确率和分割效率上均有所提升。     

利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法（FCM）广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。     

基于K-means和图割的脑部MRI分割算法

为了克服原始图割算法在用户选定的像素种子点较少情况下,目标边界容易出现错分这一现象,本文提出了基于K-means和图割(Graph cut,GC)算法相结合的交互式K-均值图割（K-means and graph cut,KMGC）算法,对脑部核磁共振图像（Magnetic resonance image,MRI） 进行交互式操作,该算法通过K-means聚类,对脑部MRI的灰度不均匀性进行了处理,在此基础上,再使用图割算法进一步对脑部MRI进行细化,从而达到有效地分割脑白质和脑 灰质的目的。本文分别在仿真和真实的脑部MRI数据上进行了大量的实验,分别从定量分析和定性分析两个角度对实验结果进行了分析,并与其他分割算法进行了对比,对比实验结果标明,KMGC算法能够有效地对脑部MRI进行分割,并在分割效果上优于其他算法。     

基于改进粗糙集概率模型的鲁棒医学图像分割算法*

基于参数化模型的图像分割算法对复杂的医学图像分割精度较低,对此提出一种基于改进粗糙集概率模型的鲁棒医学图像分割算法。首先,将粗糙集的上下逼近与概率边界区引入最大期望算法中,表征每个类簇;然后,将图像的灰度分布建模为一个有限数量的混合粗糙集概率分布;最终,通过马尔可夫随机场引入图像的空间信息,提高图像分割算法的鲁棒性。基于合成脑部MR(核磁共振)图像库与真实脑部MR图像库的分割实验结果显示,本算法的分割精度与鲁棒性均优于其他参数化模型的分割算法及其他专门的脑部MR图像分割算法。     

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。     

基于超像素分割的非局部均值去噪方法

针对非局部均值(NLM)去噪算法在变化丰富的纹理区域采用平移窗口的方法选择相似块的不足进行了研究,提出一种基于超像素分割的非局部均值去噪算法。该方法充分考虑非局部均值去噪算法中相似性对噪声去除的影响,利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点,在超像素分割块基础上优化纹理区域相似窗口的选择策略,提高图像块与中心像素块之间的相似性,从而达到提升非局部均值算法的去噪水平、边缘纹理不被模糊的目的。在多幅经典自然图像上的实验结果表明,该方法能够有效的去除图像中包含的噪声信息,相比于传统的非局部均值方法,保留了更多的纹理信息。     

基于空间特征的谱聚类含噪图像分割

为克服传统谱聚类算法应用到含噪图像分割时易受到图像中噪声影响的问题,提出一种基于空间特征的谱聚类含噪图像分割算法。该方法利用图像各个像素的灰度信息、局部空间邻接信息及非局部空间信息设计像素的三维特征,通过引入空间紧致性函数建立像素特征点与其K个最近邻之间的相似性,进而利用谱聚类算法得到图像的最终分割结果。实验中采用含噪的人工图像、自然图像及合成孔径雷达图像与空间模糊聚类、规范切谱聚类和Nystrm方法3种算法进行对比实验,实验结果验证文中方法能克服图像中噪声影响并取得较满意的分割效果。     

基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法

为了克服图像噪声对图像分割结果的影响,利用图像中与像素具有相似邻域结构的像素提取当前像素的非局部空间信息,构造了基于像素的灰度信息和非局部空间灰度信息的二维直方图,并将此二维直方图引入到Otsu曲线阈值分割法中,提出了基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法。实验结果表明,该方法能进一步提高原始二维Otsu曲线阈值分割法对于图像噪声的鲁棒性,获得了更加理想的分割结果。     

Study on the improved fuzzy clustering algorithm and its application in brain image segmentation

Brain magnetic resonance image segmentation has become a hotspot and a difficult point in the field of medical image segmentation, and its segmentation effect directly affects the later pathological analysis and clinical treatment. For the problem of brain image segmentation, firstly, the image is subjected to pre-processing such as histogram equalization to eliminate irrelevant information in the image and enhance the detectability of the information. Then, through the research and analysis of Fuzzy C-Means(FCM) algorithm, Kernel-based FCM(KFCOM) and Weighted fuzzy kernel clustering(WKFCOM) algorithms are proposed. The WKFSOM algorithm combines the advantages of the two algorithms. It not only uses image space information as prior knowledge, but also can deal with image ambiguity. Finally, the KFCOM and WKFCOM algorithms are used to analyze the MRI images of the brain, and the segmentation effects of various algorithms are quantitatively evaluated by MCR. The KFCOM algorithm has a misclassification rate of 9.03% and the WKFCOM algorithm has a misclassification rate of 6.67%. It can be concluded that the WKFCOM algorithm can accurately segment brain tissue efficiently and unsupervised, and has a good inhibitory effect on noise. This will make it easier to obtain clinical information about the disease and bring great convenience to the clinician’s diagnosis.     

多尺度非局部自注意力MRI脑肿瘤分割网络

针对U-Net模型在MRI脑肿瘤分割上存在的感受野受限和全局信息捕获不足问题, 通过引入非局部自注意力机制与多尺度的金字塔卷积提出一种改进U-Net模型—PyCSAU-Net. 该模型以三维U-Net作为基础网络, 在第4层横向连接位置引入扩展的三维非局部注意力模块, 通过改善网络因卷积核大小受限导致的长距离建模能力不足问题来提升脑肿瘤分割精度; 此外, 在网络下采样阶段将普通卷积替换为具有多尺度特点的三维金字塔卷积, 在多级别和分辨率下来提取更具判别性的脑肿瘤深度特征. 在公开的BraTS 2019和BraTS 2020验证集上在完全肿瘤、增强肿瘤和肿瘤核心分割上分别取得了0.904/0.901、0.781/0.774和0.825/0.824的分割精度, 表明所提出PyCSAU-Net方法在脑肿瘤分割任务上的有效性和竞争力.