论文摘要
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。医学图像分割是其他医学图像处理与模式识别问题,如特征量化、特征配准、三维重建等的前处理技术,并可以为临床诊断和辅助治疗提供有力的支持。本文主要针对脑部磁共振（magnetic resonance,MR）图像分割进行研究,脑部MR图像分割问题根据不同的目的主要有:一,脑组织的提取,即从脑部MR图像中提取脑组织;二,脑组织分类,即将脑部MR图像标记为灰质、白质与脑脊液三种不同的组织区域;三,脑部病变组织的提取等。本文研究内容主要涉及正常脑组织的分类问题。理想的脑部MR图像应该是分段常量图像,但由于磁共振成像固有的一系列噪声与伪影的存在,譬如电子噪声,偏移场失真与部分容积效应,理想的分段常量属性通常被破坏。又由于人体解剖的个体差异较大,临床应用对医学图像分割的准确度和算法的执行速度要求较高,使得已有的算法远未达到理想的效果。模糊C均值算法（Fuzzy C-Means,FCM）是目前脑部MR图像分割算法中较常用的算法,传统的FCM算法仅利用灰度信息,它未考虑相邻象素间的相关性,未能利用图像的空间信息,在分割含有噪声污染图像时效果不好。本文对传统的FCM算法进行改进,提出了两种改进算法,这些方法在提高图像分割精度和鲁棒性等方面具有显著效果。本文首先对医学图像分割的现状作了详尽的综述。这部分主要介绍了医学图像分割方法的各种分类方法,特别对近年来医学图像分割方面的新算法及其特点作了一个详细的总结。第三章主要介绍了近年来国际上出现的很多改进的FCM算法。将它们大体分为三类:第一类,改变隶属度的约束条件;第二类,引进空间信息约束项;第三类,引入核函数。对这些算法中比较典型的算法做了简单的分析和评价。第四章是本文的重点内容,根据脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用空间信息的原则,提出了一种基于多目标规划的FCM聚类算法。在传统的FCM算法中增加了空间信息约束项,提出了新的目标函数,并运用Lagrange乘数法,得到该规划问题的解。通过对模拟方块图和脑部MR图像以及临床脑部MR图像的分割实验,表明该算法在分割被噪声污染图像时,比传统的FCM算法及其改进算法具有更精确的图像分割能力。第五章是本文的又一重点内容,首先介绍了模糊核模型,并把模糊核与基于多目标规划的模糊C均值聚类算法相结合,提出了一种改进的模糊C均值聚类算法。实验表明该算法对被噪声污染图像亦具有鲁棒性,特别是对被椒盐噪声污染图像的分割,可以有效地滤除噪声得到良好的分割结果。