[发明专利]基于改进模糊C均值聚类算法的脑部MRI图像分割方法

摘要

一种基于改进模糊C均值聚类算法的脑部MRI图像分割方法，步骤如下：一：利用模糊C均值算法做初始分类；二：给定聚类数目c，模糊因子m，算法迭代停止的阈值ε，最大迭代次数max，邻域窗口大小及其它需人工设定的参数；三：计算两个像素点间的相似度矩阵W；四：计算像素点对类的相似度ρ_ki；五：更新隶属度矩阵U；六：如果||U^(t+1)‑U^(t)||＜ε或t＝max，停止迭代，输出U^(t+1)；否则t＝t+1并转到步骤四；七：针对U^(t+1)采用最大隶属度法进行去模糊操作，分配标签完成图像分割；本发明完成了改进聚类中心形式、引入局部空间信息和利用直觉模糊集信息这三处优化，达到了增强抗噪性、提高分割精度的效果，解决了对脑部MRI图像进行高精度分割的实际问题。

主权项

1.一种基于改进模糊C均值聚类算法的脑部MRI图像分割方法，其特征在于：其实施步骤如下：步骤一：利用模糊C均值算法做初始分类，将得到的隶属度矩阵U0作为改进算法中隶属度矩阵U的初始化结果，并设置迭代次数t＝1；步骤二：给定聚类数目c，模糊因子m，算法迭代停止的阈值ε，最大迭代次数max，邻域窗口大小及需人工设定的参数；步骤三：根据下面的公式计算两个像素点间的相似度矩阵W；公式中各参数的含义如下：Iq,Ii—第q，i个像素点的灰度值；τ—需人工设置的参数；G—图像灰度的方差；xq,xi—第q，i个像素点的横坐标值；yq,yi—第q，i个像素点的纵坐标值；σ—需人工设置的参数；D—图像的对角线长度；步骤四：根据以下公式计算像素点对类的相似度ρki；πki＝1‑uki‑(1‑ukia)1/a其中，表示第i个像素对第k类的直觉模糊隶属度，u_ki表示第i个像素对第k类的隶属度，π_ki表示第i个像素对第k类的犹豫度，W_qi表示第q个像素和第i个像素之间的相似度，a为人工设定的参数，a>0；步骤五：根据下面的公式更新隶属度矩阵U；公式中各参数的含义如下：K—第k类；c—类别总数；i‑第i个像素；α‑邻域参数；NR‑邻域窗口的基数，若取3*3窗口，则NR＝9；j‑邻域窗口内的第j个像素；Ni‑邻域窗口；m‑模糊系数；步骤六：如果||U(t+1)‑U(t)||＜ε或t＝max，停止迭代，输出U(t+1)；否则t＝t+1并转到步骤四；步骤七：针对U(t+1)采用最大隶属度法进行去模糊操作，分配标签完成图像分割；通过以上步骤，完成了改进聚类中心形式、引入局部空间信息和利用直觉模糊集信息这三处优化，达到了增强抗噪性、提高分割精度的效果，能解决对脑部MRI图像进行高精度分割的实际问题；其中，在步骤一中所述的“利用模糊C均值算法做初始分类”，其具体做法如下：对隶属度矩阵进行随机赋值，但需满足每个像素点对所有类的隶属度之和为1；然后根据以下公式分别计算聚类中心矩阵和更新隶属度矩阵：公式中uki表示第i个像素点对第k类的隶属度，vk表示第k个聚类中心灰度值，Ii表示第i个像素点的灰度值，n为总像素个数，c为总类别数，m为模糊系数；然后反复迭代更新聚类中心矩阵和隶属度矩阵，直至相邻两次迭代结果中隶属度矩阵之差小于预先设定的阈值，停止迭代，将最后一次计算的隶属度矩阵保存输出。