基于模糊C-均值聚类医学图像分割的优化算法

摘要：

模糊C-均值聚类(FCM)算法在分割模糊的医学图像中有很好的效果,通过设置初始聚类中心,根据每个像素的隶属度来划分属于哪一类,采用迭代的方式来得到分割结果.针对FCM算法容易受到聚类中心初始值和噪声的影响,采用遗传算法和粒子群算法的结合算法来确定一组合适的初始聚类中心,通过遗传算法和粒子群算法的结合算法加快了单纯使用遗传算法确定初始聚类中心的收敛速度;再通过引入像素的邻域信息,重构标准FCM算法中的目标函数,以提高邻域像素和中心像素之间的相似程度,使得相邻的像素更容易划分到同一类别,克服了标准FCM算法只考虑像素间的灰度值而导致对噪声和异常值的敏感问题.将该方法应用到核磁共振成像(MRI)脑部图像分割实验中,相比标准的FCM分割算法和遗传模糊聚类算法,分割效果更好.

关键词：模糊C-均值聚类、遗传算法、粒子群算法、邻域像素、核磁共振成像

所属期刊栏目：27

分类号：TP301.6(计算技术、计算机技术)

资助基金：江苏省自然科学基金BK2011789;东南大学毫米波国家重点实验室开放课题K201318

在线出版日期：2018-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：81-84