论文部分内容阅读
图像分割是图像处理和图像分析领域中的重要研究课题。近几十年来,国内外学者虽对其进行了大量研究,但至今还没有通用的分割算法。由于人类视觉对图像灰度信息的不敏感性以及图像本身就具有模糊性和不均匀性,使得人们很难通过传统的分割方法得到理想的分割结果。基于模糊理论的聚类算法迎合了图像的模糊性,更能客观的反映现实事物的类属关系。模糊C均值聚类算法作为模糊聚类算法中最为经典的形式,已广泛地应用于图像分割领域。本文简单介绍了图像分割方法,并重点对模糊C均值算法进行了较深入研究,针对模糊C均值算法存在的缺点提出两种改进算法。本文的主要工作如下:(1)针对图像分割算法的研究情况进行了总结,并详述了模糊C均值算法在图像分割领域的研究现状,分析论述了模糊理论和模糊聚类算法。(2)针对模糊C均值算法对噪声敏感、易受初始聚类中心影响的缺点,提出一种结合局部信息的模糊C均值算法。该算法通过在其目标函数中添加邻域约束项,使得每个像素都受到其邻域像素的影响,以提高算法的抗噪性。该算法利用峰值点最大密度算法选取初始聚类中心,以提高算法收敛速度,避免其陷入局部极值。通过人工合成图像、自然图像和医学图像的分割实验,验证了该算法具有较强的抗噪性和较高的分割精度。(3)针对传统模糊C均值算法仅考虑图像的灰度信息,未将像素的空间位置信息结合到图像分割中,使得算法在分割过程中无法将灰度值相似的不同物体进行分类,本文提出一种结合最小距离分类器的模糊C均值算法。该算法首先根据图像的灰度信息,利用FCM算法实现聚类,其次自动提取感兴趣区域的聚类信息,并利用最小距离分类器对其按距离分类。通过将该算法应用到临床实验中,实现了乳腺核磁共振影像中灰度值相似的不同组织的分类,验证了该算法对乳腺核磁共振影像的分割具有较高的准确性,提高了其组织划分的精度。