论文部分内容阅读
图像聚类已成为图像识别的一种关键技术。医学图像识别是医学图像分析和理解的重要内容,在医学临床诊断中具有重要作用。研究适合于图像识别的图像聚类算法具有重要意义。本文试图研究基于空问邻域加权的模糊核C—均值聚类并应用于医学图像。
本文研究了模糊C—均值聚类(FCM)、图像的空间信息和核聚类的方法,构造了空间邻域信息函数,在FCM算法的目标函数中引入核函数,提出了基于空间邻域加权的模糊核C—均值聚类算法。论文研究工作主要体现以下几个方面:
1.针对FCM算法用于图像聚类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类现象,提出一种新的基于空间邻域加权的模糊C—均值图像聚类法。首先,定义了一个空间邻域信息函数,该函数能够有力抑制噪声点,同时能够很好保留边界的特性;其次,设计了具有空间约束的样本邻域信息加权隶属度矩阵;最后,将该方法应用于人工合成图像和模拟MR脑图像的聚类。实验结果表明,该方法能够获得较好的聚类效果,同时具有较强的抑制噪声的能力。
2.传统FCM算法没有对数据特征进行优化,而是直接利用样本特征进行聚类。这样其有效性很大程度上取决于样本的分布情况。针对此问题结合核聚类算法和FCM算法,提出了一种用内核诱导距离来代替欧式距离的聚类方法。
3.基于核函数的FCM算法亦未考虑到图像的空间信息,对有噪声的图像进行分割时,效果不理想。本文提出利用空间信息的核FCM算法,其核心思想是定义一种新的距离计算方法,不仅考虑特征距离对聚类的影响,而且考虑像素的空间位置信息对聚类的作用,即基于空间邻域加权的模糊核C—均值聚类(SIKFCM)算法。
4.在基于空间邻域加权的模糊核C—均值聚类算法中,高斯平滑参数和空间信息加权值的选择,直接影响聚类效果,本文利用调节因子自动选取这两个参数,提出一种自适应空间信息的模糊核C—均值聚类算法(ASIKFCM)。实验结果表明,该方法可以有效的分割噪声图像。