学位论文 > 优秀研究生学位论文题录展示

模糊聚类在医学图像分割中的应用和研究

作　者: 康迎英
导　师: 王炜; 雷军强
学　校: 兰州大学
专　业: 计算机科学与技术
关键词: FCM 医学图像分割聚类分析 KFCM
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 37次
引　用: 0次
阅　读: 论文下载

内容摘要

这些年医学成像技术迅速发展,通过这些技术临床医生可以对患者病变部位更直接、清晰的观察,从而做出更准确的判断,有助于对患者的治疗。目前,采用医学图像分割技术,可以帮助我们更清晰的分析发病器官的形状、边界、大小等性质,甚至于计算机已经可以自动对分割结果进行分析,并对病情做出初步判断,以便人们参考。由于人体的个体差异大,所以在临床上对医学图像分类算法要求有较高的分割精度及速度,目前普遍使用的分割方法不少,但是都不完善,因此,医学图像分割算法仍然是研究的热点。图像分割就是把图像划分成若干区域,每一个区域内部的像素点之间的相似度高,而区域之间的相似度低的一种技术。实践中由于各种因素的干扰和影响,导致图像分割的不确定性,而模糊理论及模糊图像分割技术恰好适合这种不确定性,所以本文研究的重点就是将模糊聚类应用于医学图像的分割。典型的模糊聚类方法是模糊C-均值算法(Fuzzy C-means, FCM),实际上它是一个带约束的非线性规划问题,图像的模糊划分是通过求解目标函数的最优化得到的。本文在对FCM算法理论深入研究的基础上,又将改善算法的初始聚类中心的选取,以及提高算法对噪声的处理能力作为一个研究点。本文引入了一种基于核函数的算法,它合理利用了图像的空间信息,有效解决了核模糊C均值算法对噪声不敏感的问题,提高了分割精度。

全文目录

摘要  3-4
Abstract  4-7
第一章绪论  7-13
  1.1 医学图像分割的研究背景及意义  7-8
  1.2 图像分割方法概述  8-9
  1.3 医学图像分割的特点  9-10
  1.4 模糊聚类及其在图像分割中的应用  10-11
  1.5 本文的主要内容  11-12
  1.6 小结  12-13
第二章模糊聚类基础理论  13-23
  2.1 模糊数学基础理论  13-14
    2.1.1 经典集合  13
    2.1.2 模糊集合的概念  13-14
  2.2 聚类和聚类分析  14-19
    2.2.1 聚类分析  14-15
    2.2.2 数据集的划分  15-16
    2.2.3 经典C-均值聚类算法  16-17
    2.2.4 模糊C-均值聚类算法  17-18
    2.2.5 模糊聚类算法的发展  18-19
  2.3 FCM图像分割算法相关的参数  19-22
    2.3.1 聚类类别数  19-20
    2.3.2 模糊加权指数  20-21
    2.3.3 迭代截止的误差  21
    2.3.4 模糊聚类中心的初始化  21-22
  2.4 小结  22-23
第三章医学图像分割方法及理论研究  23-32
  3.1 图像分割介绍  23-24
    3.1.1 图像分割定义  23
    3.1.2 图像分割方法的分类  23-24
  3.2 图像分割方法  24-29
    3.2.1 基于区域的分割方法  24-25
    3.2.2 基于边缘检测的分割方法  25-26
    3.2.3 基于阈值的分割方法  26-28
    3.2.4 结合特定理论的图像分割方法  28-29
  3.3 图像分割算法评价方法  29-31
  3.4 小结  31-32
第四章基于FCM的医学图像分割算法  32-41
  4.1 医学图像聚类分割的实现  32
  4.2 基于FCM的医学图像分割  32-34
  4.3 基于核函数的模糊聚类算法  34-36
    4.3.1 常用核函数  34
    4.3.2 基于核函数的FCM算法(Kernel FCM)  34-35
    4.3.3 改进的基于核函数的模糊聚类算法  35-36
  4.4 实验结果与分析  36-40
  4.5 小结  40-41
第五章总结与展望  41-42
参考文献  42-45
致谢  45-46
附件一  46

模糊聚类在医学图像分割中的应用和研究

内容摘要

全文目录

相似论文