[发明专利]一种基于改进QPSO的FCM医学图像分割方法

说明书

本发明针对医学图像中不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点，引入模糊聚类技术，并利用改进的量子粒子群算法进行优化，在此基础上提出一种图像分割方案。本发明利用一种新的改进量子粒子群优化算法，有效改善了标准模糊Ｃ均值模糊聚类算法对初始聚类中心依赖，易于陷入局部最优的缺陷,从而使得医学图像得到更好的分割。由于本发明提供的方法在给定初始条件后总能有效地进行收敛，因此该方法对于处理医学图像中经常存在的模糊以及边界不清等问题具有较好的效果。利用本发明提供的方法可以在处理医学图像的过程中保留更多的原始信息，其鲁棒性要高于硬性聚类等其他分割算法。

技术领域

本发明公开了一种基于QPSO的FCM医学图像分割方法，属于图像处理技术领域，主要用于医学图像的处理。

背景技术

医疗影像仪器为医疗诊断提供了丰富的图像信息，它包含很多有用的疾病诊断和分析信息。有效利用这些医学图像信息，可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应的医学组织器官进行动态模拟并分析病变部位的结构和发生过程，提高疾病诊断的准确率。

通常情况下，医学图像是非常复杂的。这是由于人体解剖结构本身的复杂性以及在使用各种影像技术获取图像的过程中不可避免地受到噪声、场偏移效应、局部体效应等的影响，使得获取到的图像常常表现为含噪高、对比度低、组织内部灰度不均匀、不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点。比如医学上常见的MR(Magnetic Resonance)脑部图像，通常包括脑皮层、皮下脂肪、颅骨、脑白质、灰质、脑脊液等多种组织，每种组织形状复杂、不同组织之间常常相互混叠(白质外面覆盖着灰质，灰质中填充着脑脊液)，没有清晰的边界。这种时候就需要对图像进行处理。

医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，国内外都十分重视医学影像处理。而图像分割是图像处理到图像分析的关键步骤。图像分割是一种将图像分成几个均匀区域并提取复杂场景需要的区域的技术，根据一些均匀性标准，如颜色，强度或纹理，区域相似，从而定位和识别分割图像中的边界。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。然而经典的图像分割算法在总体上分割精度较低，且大多对噪声敏感，难以取得大规模的应用。

医学图像的特点给图像分割技术的研究带来了相当大的困难，同时也给模糊聚类技术FCM带来了用武之地。模糊聚类技术利用不太精确的方式来描述复杂系统，可以有效地刻画医学图像中存在的模糊情况，对像MR脑图像这类边界模糊的图像具有很强的针对性。模糊聚类算法的这些特点使其在处理医学图像分割方面比其他传统的分割算法更具优势，因此得到了广泛的研究和应用。聚类分析较传统医学图像分割方法，具有无监督性、高效性和自适应性，对质量较高的图像有着较好的分割准确率。但这类方法也存在以下缺陷：对于未知的结构复杂的医学图像很难判断其应该分成几类，以及FCM聚类算法对初始聚类中心和隶属度矩阵依赖性较强，易于陷入局部最优解。本发明针对以上缺陷,利用灰度直方图及改进的量子粒子群算法进行优化，可以有效提高医学图像分割的质量。

发明内容

本发明针对医学图像中不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点，引入模糊聚类技术，并利用改进的量子粒子群算法进行优化，在此基础上提出一种图像分割方案。

本申请提出一种基于改进QPSO的FCM医学图像分割方法，包含以下步骤：

步骤1：输入一张医学图像；

步骤2：设定模糊指数m，迭代停止阈值e，并对给定的医学图像提取灰度特征，做灰度直方图，确定聚类数目为c；

步骤3：利用改进的量子粒子群找到最佳聚类中心；

步骤4：利用得到的最佳粒子，即医学图像的聚类中心，计算医学图像中每个像素点到聚类中心的隶属度，以其为依据，确定医学图像中每个像素的最后归属；