论文部分内容阅读
医学图像分割是图像分割的一个重要的应用领域,是医学图像处理和分析的基础和经典难题。在诸多医学成像技术中,核磁共振图像由于具有数据量大、分辨率高、对人体无损伤等特点而得到广泛的应用,其中脑核磁共振图像分割技术由于其极高的应用价值近年来成为医学图像分割的研究热点。本文在前人已有工作的基础上,对粒子群算法及其在脑核磁共振图像分割中的应用进行了研究,具体工作内容如下:(1)介绍了脑核磁共振图像分割的研究背景和意义,并对现有的医学图像分割方法进行了分类和概括性的总结,以及阐述本文的主要工作。(2)分析介绍了粒子群算法的基本原理、研究状况、实验设计准则等基础性知识,并针对粒子群优化算法的早熟收敛问题,提出了一种基于突变的引入收缩因子的粒子群算法。该算法以一定概率对粒子的个体极值进行突变,使其能够进入搜索空间的其他区域进行搜索,防止粒子群算法陷入局部最优,有效的达到全局最优,提高了收敛速度,并结合基本粒子群算法、引入收缩因子的粒子群算法以及改进的粒子群算法进行了大量的关于若干标准测试函数的仿真实验,逐一进行数据比对和分析,实验结果证明,该方法能够较好的预防陷入局部最优解,从而达到全局最优解,且使其收敛速度得到一定的提高。(3)结合改进的粒子群算法,提出一种基于改进PSO并引入邻域信息的模糊C-均值聚类的脑核磁共振图像分割方法。通过引入像素的邻域信息,减小噪声对图像分割的影响,并估计出整幅图像的偏移场;通过引入基于突变的引入收缩因子的粒子群算法,解决了其他优化算法优化图像分割过程中需要设置大量参数的缺点,而粒子的适当突变,能够较好的跳出求解聚类中心过程中容易陷入局部最优解的情况,从而达到全局最优解,并极大地减小了初始聚类中心的选取对模糊C-均值聚类算法分割结果的影响,提高图像分割的精度。实验证明,该改进的方法针对脑核磁共振图像具有较好的分割效果。