论文部分内容阅读
在图像处理与计算机视觉领域中图像分割是一个重要的问题。由于医学图像在成像过程中受到了多种因素(如分辨率、光照条件等)的影响,导致待提取的目标和背景之间具有一定的不确定性和相似性,对于这种不确定性问题最好的解决方法就是使用模糊图像处理技术。医学图像分割就是把医学图像划分成若干个互不相交的连通区域,使得医学图像在每个区域内都满足特定区域的一致性,从而提取出感兴趣的区域,并显示出来,为医学图像的目标提取、识别、三维可视化和病理分析等提供可靠的数据信息,医学图像分割的主要目的是对人体组织图像进行符合病理学意义的区域划分,从中提取出病变区域,为医生对病人病情进行疾病诊断,提出治疗方案并进行治疗效果评价等提供参考。本文在对半监督模糊聚类基本理论以及半监督学习方法深入研究的基础上,针对传统算法中存在的问题以及在图像分割领域中遇到的实际困难,提出了一种改进的半监督模糊聚类算法,并且在人脑核磁共振图像(Magnetic Resonance Images, MRI)分割中得到了应用。本文主要获得以下研究成果：(1)在传统的模糊C均值聚类基础上引入了半监督模糊聚类,并通过UCI数据库中鸢尾花(Iris)和酒(Wine)的数据集对引入半监督后算法的有效性进行了验证,得出了半监督模糊C均值聚类算法在聚类精度上比原始的模糊C均值聚类算法有显著提高的结论。(2)本文针对大规模数据集中,在标记点稀疏的情况下半监督模糊C均值聚类会变为传统的无监督模糊C均值聚类的问题,提出了一种改进的半监督模糊C均值聚类算法。改进算法的思想主要是源自Bensaid提出的部分监督模糊C均值聚类算法,在迭代过程中通过调整监督信息的比重从而影响聚类中心。本文将改进的算法成功应用到了人脑MRI图像分割中,并且使用分割精度和CPU运行速度等作为指标对聚类效果进行了综合评价。最后证明了改进的算法在人脑MRI图像分割中有很好的鲁棒性和较快的分割速度。(3)利用Matlab中GUI图形用户界面设计了一个医学图像分割的系统,通过设置不同的参数可以对医学图像进行直观的读取及分割,为后续理论及算法研究提供了良好的实验平台。