[发明专利]基于形态学重建和隶属度滤波的模糊聚类图像分割方法

说明书

本发明公开了一种基于形态学重建和隶属度滤波的模糊聚类图像分割方法，包括以下步骤：读入原始图像f、对原始图像的灰度级进行模糊聚类、随机初始化隶属度矩阵U⁰，设置循环计数器t＝0、更新聚类中心v_k、更新隶属度矩阵U^(t+1)、对隶属度矩阵U进行中值滤波处理、根据隶属度矩阵U'得到图像分割结果P。本发明除了过滤窗口大小外,不受额外参数的限制；不需要考虑图像含有的噪声类型；不需要对邻域内像素与聚类中心的距离进行冗余计算,计算复杂度较低；有效利用了邻域空间信息,具有良好的图像分割效果。相对于现有的算法，本发明的方法具有很明显的分割效果优势和运行时间上的优势。

技术领域

本发明涉及图像分割方法领域，特别涉及一种基于形态学重建和隶属度滤波的模糊聚类图像分割方法。

背景技术

脑部MRI是一种非侵入性和高分辨率的成像技术，在临床上已经得到广泛应用。如何快速准确的分割出脑部MRI图像中的各种成分尤为重要。近几十年来，很多新的方法和思想被应用于医学图像分割领域，其中比较代表的有模糊C均值聚类法、超像素分割算法等。

超像素分割算法利用空间约束信息，具有有一定的抗噪性，能够保留图像的原始边界信息，但是超像素分割的个数需要人为确定，很大程度上依赖于经验值，会直接影响到分割效果。相关内容可参见专利CN 103353986“一种基于超像素模糊聚类的脑部MR脑部分割方法”

模糊C均值聚类算法(Fuzzy C-Mean cluster,FCM)是由Bezdek提出的(参考文献：Bezdek J C,Ehrlich R,Full W,FCM:The fuzzy c-means clustering algorithm[J].Computers&Geosciences,1984.10(2):191-203.),相比K均值聚类具有更强的模糊度并且保留了更多的原始图像信息,对无噪声和偏移场的图像具有很好的分割效果,但是它只考虑灰度信息并不考虑空间信息,所以不能分割出纹理和背景复杂的图像或被噪声破坏的图像.为了解决这个问题,大多数算法试图将局部空间信息引入到FCM算法中来提高分割精度.Ahmed等人(Ahmed M N,Yamany S M,Mohamed N,et al.,A modified fuzzy C-meansalgorithm for bias field estimation and segmentation of MRI data[J].IEEETransactions on Medical Imaging,2002.21(3):193-199.)提出了带有空间约束的FCM算法(FCM_S),对经典的FCM算法中的目标函数进行修正,允许像素受到邻近像素的影响.然而因为FCM_S算法在每次迭代时都计算了空间邻域项浪费大量时间.为了缩短FCM_S算法的时间,Chen和Zhang等人(Chen S,Zhang D,Robust image segmentation using FCM withspatial constraints based on new kernel-induced distance measure[J].SystemsMan&Cybernetics Part B Cybernetics IEEE Transactions on,2004.34(4):1907.)提出了FCM_S1和FCM_S2算法,利用平均滤波和中值滤波在迭代阶段开始前进行计算,提前获得空间邻域信息,降低了计算成本.然而这两种方法对高斯噪声等噪声都不具有鲁棒性.