基于聚类分析的医学图像分割研究
发布时间：2020-12-20 05:27
医学图像分割是图像分割技术基于医学影像处理领域的重要应用,它是将医学图像中感兴趣区域信息提取出来的一种方法,是医学图像处理从图像采集到图像识别过程中至关重要的一步。医学图像分割方法从起初提出到现在一直被研究者给予高度的重视,基于大量图像信息和数学理论的分割方法已经被提出。在各类分割方法中,基于聚类分析的图像分割算法是将聚类理论恰当的应用于图像分割领域。对于图像分割问题,聚类方法的实质是依据像素间特征的相似度对像素点进行划分从而达到图像分割的目的。但是对于目前的聚类算法本身来说,其存在着许多的问题,严重影响了图像分割的计算效率和分割效果。近年来,随着机器学习算法的发展,基于聚类分析理论的医学图像分割研究已成为医学图像领域研究的热点。本文主要研究了医学图像分割技术中两种常用的聚类分析方法,首先研究了GMM（Gaussian mixture model）在医学图像分割技术中的应用,并对高斯混合模型中常用初始化方法和参数寻优算法进行了改进研究。其次基于传统的FCM模型提出了基于空间信息的遗传模糊聚类分割方法。最后基于MATLAB2018a平台将本文新建模型结合医学图像进行分割实验,从实验结果看...
【文章来源】：兰州理工大学甘肃省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
医学图像分割的意义本节基于图像处理技术和机器学习理论，分别研究了口腔CT图像分割与MR
基于聚类分析的医学图像分割研究10第二章医学图像分割理论基础2.1引言图像分割是一种根据图像的特征信息并依据视觉信息处理相关图像的数学模型，这些特征主要有灰度、边缘、纹理和目标先验知识等，就是实现自动准确地提取目标区域的过程。在医学图像处理和临床诊断过程中，医学图像分割是最为关键的一步，目标区域分割的精确度直接影响到后续医疗诊断的准确性，是医学图像分析、理解、描述和三维重建的基矗医学图像分割目的就是从医疗影像设备获得的图像中提取感兴趣的区域，从而进行图像的理解，为临床治疗的诊断提供可靠的理论支撑，医学图像的分割在医学图像处理中起着至关重要的作用，分割后的结果可以为医学图像的三维重建以及医学图像的可视化提供可靠的理论依据[30]。图像分割在图像处理中的重要性如图2.1所示。图2.1图像分割与图像处理的关系在已有的分割算法中能利用的图像信息往往只是其中的部分特征，这就导致各种已有分割算法的准确率和效率必然很低。目前大部分已有的分割方法只能局限于某一类型的图像或某一领域具体应用的分割，普遍运用的方法和策略依然需要克服很多的困难。一般地，只有在图像分割过程中全面考虑图像特征，才可以提高算法的抗噪声性能和分割精度。但是，在实际中设计算法分割时很难实现，只能尽最大可能利用更多的特征建立图像分割模型。根据已有的研究成果可知，有许多外在与内在因素严重影响了分割性能，如图2.2所示，主要有噪声、灰度不均、部分容积效应和伪影以及特征多样性缺乏等。其中主要的影响来自于噪声，
硕士学位论文11噪声主要是由于图像采集设备的影响，在分割之前需要选取恰当的方法进行预处理，以减少对分割效果的影响[31]。图2.2医学图像分割中的问题针对医学图像中的各种问题，大量的分割算法被提出，主要包括基于阈值的方法、基于区域的方法、基于边缘的方法、基于聚类的方法、基于神经网络的方法和基于图论的方法。2.2图像分割的概念图像分割是根据图像的的灰度、颜色、纹理、局部统计特征或频谱特征等特征属性，并且通过这些特征的差异将图像分成若干个特定的、具有独特性质区域的一种图像处理过程。依照数学角度来看，图像分割可以表述为将数字图像划分彼此没有交集的区域的过程，如果用I表示原始图像，用H判断子集合是否具有相同的性质，用Ri表示原始图像的子区域，其中i=1,2…,n，则满足如下性质[32]：(1)1;niiRI(2),,,;ijijijRR(3),1,2,,,();iiinHRTrue(4),,,();ijijijHRRFalse(5),1,2,,,iiinR是连通的区域。(1)表明同一子区域能合并为原始的完整图像，即完整性。(2)表明各个子区域互不相交，即独立性。(3)表明在同一子区域具有某些相似的特性，即单一性。
【参考文献】：
期刊论文
[1]基于遗传密度峰值聚类的医学图像分割[J]. 何瀚志,朱红,王伟. 计算机工程与设计. 2019(03)
[2]核空间局部自适应模糊C-均值聚类图像分割算法[J]. 梁丹,于海燕,范九伦,雒僖. 微电子学与计算机. 2019(02)
[3]可变类谱聚类遥感影像分割[J]. 李玉,袁永华,赵雪梅. 电子学报. 2018(12)
[4]用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型[J]. 柴五一,杨丰,袁绍锋,黄靖. 计算机科学. 2018(11)
[5]模糊隶属度加权的KFCM脑MRI的组织分割方法[J]. 赵海峰,陈书海. 计算机辅助设计与图形学学报. 2018(11)
[6]基于改进空间模糊聚类的DTI图像分割算法[J]. 刘絮雨,张相芬,马燕,李传江,杨燕勤. 中国生物医学工程学报. 2018(04)
[7]自适应特征选取的鲁棒模糊聚类分割算法[J]. 吴成茂,白鹭. 小型微型计算机系统. 2018(08)
[8]基于机器学习的图像分割研究[J]. 安强强,张峰,李赵兴,张雅琼. 自动化与仪器仪表. 2018(06)
[9]自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测[J]. 王建明,史文中,邵攀. 测绘学报. 2018(05)
[10]基于空间信息改进聚类的切伦科夫荧光图像去噪算法[J]. 贺小伟,孙怡,卫潇,卢笛,曹欣,侯榆青. 光学学报. 2018(10)
博士论文
[1]基于混合模型和空间信息的图像分割研究[D]. 邵光普.华中科技大学 2019
[2]基于图割的图像分割方法研究[D]. 辛月兰.陕西师范大学 2018
[3]基于多统计信息的形变模型医学图像分割[D]. 郑申海.重庆大学 2018
[4]高分辨率SAR图像分割与分类方法研究[D]. 冯籍澜.电子科技大学 2015
硕士论文
[1]模糊多阈值医学图像分割算法研究[D]. 刘峰宁.南京邮电大学 2019
[2]基于VR的医学图像处理与分析系统研究与应用[D]. 王正中.电子科技大学 2018
[3]多阈值与多图谱方法在医学图像分割上的应用研究[D]. 徐云龙.山东大学 2017
[4]医学图像的分割与三维可视化[D]. 傅杰.浙江大学 2017
[5]基于层次贝叶斯自适应稀疏的高斯混合模型[D]. 王炳辉.大连理工大学 2015
[6]基于模糊C均值聚类的图像分割算法研究[D]. 李伟.哈尔滨工程大学 2013
本文编号：2927293
【文章来源】：兰州理工大学甘肃省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
医学图像分割的意义本节基于图像处理技术和机器学习理论，分别研究了口腔CT图像分割与MR
基于聚类分析的医学图像分割研究10第二章医学图像分割理论基础2.1引言图像分割是一种根据图像的特征信息并依据视觉信息处理相关图像的数学模型，这些特征主要有灰度、边缘、纹理和目标先验知识等，就是实现自动准确地提取目标区域的过程。在医学图像处理和临床诊断过程中，医学图像分割是最为关键的一步，目标区域分割的精确度直接影响到后续医疗诊断的准确性，是医学图像分析、理解、描述和三维重建的基矗医学图像分割目的就是从医疗影像设备获得的图像中提取感兴趣的区域，从而进行图像的理解，为临床治疗的诊断提供可靠的理论支撑，医学图像的分割在医学图像处理中起着至关重要的作用，分割后的结果可以为医学图像的三维重建以及医学图像的可视化提供可靠的理论依据[30]。图像分割在图像处理中的重要性如图2.1所示。图2.1图像分割与图像处理的关系在已有的分割算法中能利用的图像信息往往只是其中的部分特征，这就导致各种已有分割算法的准确率和效率必然很低。目前大部分已有的分割方法只能局限于某一类型的图像或某一领域具体应用的分割，普遍运用的方法和策略依然需要克服很多的困难。一般地，只有在图像分割过程中全面考虑图像特征，才可以提高算法的抗噪声性能和分割精度。但是，在实际中设计算法分割时很难实现，只能尽最大可能利用更多的特征建立图像分割模型。根据已有的研究成果可知，有许多外在与内在因素严重影响了分割性能，如图2.2所示，主要有噪声、灰度不均、部分容积效应和伪影以及特征多样性缺乏等。其中主要的影响来自于噪声，
硕士学位论文11噪声主要是由于图像采集设备的影响，在分割之前需要选取恰当的方法进行预处理，以减少对分割效果的影响[31]。图2.2医学图像分割中的问题针对医学图像中的各种问题，大量的分割算法被提出，主要包括基于阈值的方法、基于区域的方法、基于边缘的方法、基于聚类的方法、基于神经网络的方法和基于图论的方法。2.2图像分割的概念图像分割是根据图像的的灰度、颜色、纹理、局部统计特征或频谱特征等特征属性，并且通过这些特征的差异将图像分成若干个特定的、具有独特性质区域的一种图像处理过程。依照数学角度来看，图像分割可以表述为将数字图像划分彼此没有交集的区域的过程，如果用I表示原始图像，用H判断子集合是否具有相同的性质，用Ri表示原始图像的子区域，其中i=1,2…,n，则满足如下性质[32]：(1)1;niiRI(2),,,;ijijijRR(3),1,2,,,();iiinHRTrue(4),,,();ijijijHRRFalse(5),1,2,,,iiinR是连通的区域。(1)表明同一子区域能合并为原始的完整图像，即完整性。(2)表明各个子区域互不相交，即独立性。(3)表明在同一子区域具有某些相似的特性，即单一性。
【参考文献】：
期刊论文
[1]基于遗传密度峰值聚类的医学图像分割[J]. 何瀚志,朱红,王伟. 计算机工程与设计. 2019(03)
[2]核空间局部自适应模糊C-均值聚类图像分割算法[J]. 梁丹,于海燕,范九伦,雒僖. 微电子学与计算机. 2019(02)
[3]可变类谱聚类遥感影像分割[J]. 李玉,袁永华,赵雪梅. 电子学报. 2018(12)
[4]用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型[J]. 柴五一,杨丰,袁绍锋,黄靖. 计算机科学. 2018(11)
[5]模糊隶属度加权的KFCM脑MRI的组织分割方法[J]. 赵海峰,陈书海. 计算机辅助设计与图形学学报. 2018(11)
[6]基于改进空间模糊聚类的DTI图像分割算法[J]. 刘絮雨,张相芬,马燕,李传江,杨燕勤. 中国生物医学工程学报. 2018(04)
[7]自适应特征选取的鲁棒模糊聚类分割算法[J]. 吴成茂,白鹭. 小型微型计算机系统. 2018(08)
[8]基于机器学习的图像分割研究[J]. 安强强,张峰,李赵兴,张雅琼. 自动化与仪器仪表. 2018(06)
[9]自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测[J]. 王建明,史文中,邵攀. 测绘学报. 2018(05)
[10]基于空间信息改进聚类的切伦科夫荧光图像去噪算法[J]. 贺小伟,孙怡,卫潇,卢笛,曹欣,侯榆青. 光学学报. 2018(10)
博士论文
[1]基于混合模型和空间信息的图像分割研究[D]. 邵光普.华中科技大学 2019
[2]基于图割的图像分割方法研究[D]. 辛月兰.陕西师范大学 2018
[3]基于多统计信息的形变模型医学图像分割[D]. 郑申海.重庆大学 2018
[4]高分辨率SAR图像分割与分类方法研究[D]. 冯籍澜.电子科技大学 2015
硕士论文
[1]模糊多阈值医学图像分割算法研究[D]. 刘峰宁.南京邮电大学 2019
[2]基于VR的医学图像处理与分析系统研究与应用[D]. 王正中.电子科技大学 2018
[3]多阈值与多图谱方法在医学图像分割上的应用研究[D]. 徐云龙.山东大学 2017
[4]医学图像的分割与三维可视化[D]. 傅杰.浙江大学 2017
[5]基于层次贝叶斯自适应稀疏的高斯混合模型[D]. 王炳辉.大连理工大学 2015
[6]基于模糊C均值聚类的图像分割算法研究[D]. 李伟.哈尔滨工程大学 2013
本文编号：2927293
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2927293.html
