论文部分内容阅读
图像分割是指将图像中具有特殊含义的不同区域区分开,医学图像分割指的是依据图像中像素的相关特征,将图像分割成互不相交的组织或器官。和普通图像相比,医学图像具有对比度低,噪点较多的特点,而且不同组织器官或病灶之间的边界较为模糊,并且医学图像本身又具有复杂性,使用传统的自动分割方法会导致绝大多数的分割算法的分割结果都不理想,分割速度和性能等都有待提高,因此医学图像分割一直都是图像处理领域专家和学者研究的热点和难点。本文利用模糊聚类和水平集算法对医学图像进行分割。传统的FCM算法,对不含噪声的图像有很好的分割效果,但对于信噪比低的图像,由于忽略了像素之间的空间位置信息使得分割效果不理想,针对此缺点,本文介绍了一些经典的改进算法,主要包括FCMS算法、FCMS1算法、FCMS2算法、En FCM算法和FGFCM算法,相较于传统的FCM算法,改进算法的分割效果有了很大的改善,但需要调节算法中的参数,这些参数的大小直接影响着分割的质量,而参数的调整又是非常困难的事情。因此本文采用了FLICM算法,此算法不仅利用了图像的灰度信息和空间信息,并且在计算过程中除FCM系列算法中必要参数m和C外,不包含其它任何参数。水平集算法进行图像分割时,通常都能达到很好的分割效果,因为该算法不但考虑了图像的区域信息而且考虑了图像的边界信息,但需要不断地进行初始化操作,针对这一缺点,本文对传统的水平集算法进行了改进。改进的算法克服了传统水平集计算量大、需要周期初始化的问题,但仍然存在需要人工给出初始轮廓的问题和控制参数的优选问题。综合考虑这些因素,本文采用了FLICM算法与水平集算法相结合的方法。首先利用FLICM算法对图像进行预分割,得出一个初始轮廓,然后水平集算法利用给出的初始轮廓进行精分割。本文的新算法无需人为给出初始轮廓,也无需人为配置水平集参数,因此可以实现图像的自动化分割。并且通过实验也可看出,该算法具有较好的抗噪性、较快的分割速度快,较高的分割精度。