[发明专利]一种基于模糊聚类的脑MR影像分割方法

摘要

本发明公开了一种基于模糊聚类的脑MR影像分割方法，主要解决脑MR影像分割过程中传统FCM算法及其改进方法无法同时消除噪声和偏置场的问题。该方法充分利用图像中的局部空间信息、局部灰度信息和非局部信息，分别构造出多局部信息模糊因子和非局部权重，在提高算法抗噪性的同时尽可能多地保持图像细节；同时建立偏置场模型，以去除脑MR影像中的灰度不均匀性；最后将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中，以实现噪声和偏置场条件下的脑MR影像分割。本发明方法能够有效地抑制脑MR影像中的噪声，并能有效消除偏置场对脑MR影像分割的影响，具有更优的分割性能。

主权项

一种基于模糊聚类的脑MR影像分割方法，包括：(1)设置聚类数c，模糊指数m＝2，迭代终止阈值ε，最大迭代次数iter_max，当前迭代次数t＝1；(2)随机初始化隶属度矩阵U(0)、聚类中心V(0)、偏置场其中满足c为聚类数，n为一幅影像的像素总数，可随机选取图像中c个像素的灰度值作为的初始值，其中的每个值可在[0，g‑1]内随机选取，g为图像的最大灰度级；(3)计算多局部信息模糊因子(4)计算非局部权重δijNL=1Ziexp(-||X(Pi)-X(Pj)||2h2),Zi=Σj∈Wirexp(-||X(Pi)-X(Pj)||2h2)]]>其中表示图像中以像素i，j为中心的两图像块之间的相似性权重，即非局部权重，表示以像素i为中心、r为半径的窗口中的所有像素，Zi为归一化项，Pi表示以像素i为中心的3×3图像块，X(Pi)为图像块Pi中各像素的灰度值构成的一维向量，Pj表示以像素j为中心的3×3图像块，X(Pj)为图像块Pj中各像素的灰度值构成的一维向量，||·||表示2‑范数，h为滤波参数，用于控制图像平滑的程度；(5)计算新的隶属度矩阵U＝{uki}∈Rc×n：uki=1Σp=1cΣj∈WirδijNL||(y~i-b~i)-vk||2+G~kiΣj∈WirδijNL||(y~i-b~i)-vp||2+G~pi‾1m-1]]>其中为真实图像中像素i的灰度值，为偏置场中像素i的灰度值，vk为第k类的聚类中心，m为模糊指数；(6)计算新的聚类中心V＝{v1，v2，…，vc}：vk=Σi=1n[Σj∈WirδijNLukim(y~i-b~i)+Σl∈Nil≠iδilL(1-ukl)m(y~l-b~l)]Σi=1n[Σj∈WirδijNLukim+Σl∈Nil≠iδilL(1-ukl)m]]]>其中为局部灰度项与局部空间距离项的结合；(7)计算新的偏置场b~i=y~i-Σk=1cΣj∈WirδijNLukimvkΣk=1cΣj∈WirδijNLukim;]]>(8)计算新的目标函数值J~(U,U,B~)=Σi=1nΣk=1c[Σj∈WirδijNLukim||(y~i-b~i)-vk||2+G~ki];]]>(9)若或当前迭代次数t＞iter_max，则终止迭代，输出隶属度矩阵U、聚类中心V和偏置场否则返回步骤(5)，继续下一次迭代；(10)去模糊化，实现图像分割：根据最大隶属度原则确定各像素所属的类别，以实现图像分割，即ci＝argk{max(uki)}，其中ci表示像素i所属的类别。