基于模糊均值聚類的腦MR圖像分割算法的研究.pdf

1、圖像分割是把圖像分解成各具特性的子區(qū)域并提取出感興趣目標(biāo)的技術(shù)，它是由圖像處理到圖像分析的一個關(guān)鍵步驟，在計(jì)算機(jī)視覺、模式識別和醫(yī)學(xué)圖像處理等領(lǐng)域得到了廣泛應(yīng)用。基于聚類分析的圖像分割方法是圖像分割領(lǐng)域中一類極其重要且應(yīng)用廣泛的算法，其中用得最普遍的是模糊C-均值聚類算法，它不需要設(shè)置閾值，也不需要人工參與。經(jīng)典模糊C-均值聚類算法存在聚類精確度不高、易受噪聲干擾的缺陷。為了解決這一問題，本文對經(jīng)典模糊C-均值聚類算法進(jìn)行了改進(jìn)。

2、>　　(1)將高斯核函數(shù)引入到模糊C-均值聚類算法中，代替模糊C-均值聚類算法中的歐氏距離，使低維中的非線性問題轉(zhuǎn)化為高維空間中的線性問題，降低了問題的復(fù)雜度。為了解決Dave提出的噪聲距離δ的值是常數(shù)的問題，本文改進(jìn)計(jì)算噪聲距離δ的公式，使得噪聲距離δ的值能夠隨著像素的改變而改變。
　　(2)由于隸屬度的不確定性使得聚類的效果不佳，因此本文將信息熵作為衡量聚類質(zhì)量的方法。
　　(3)為了進(jìn)一步提高模糊聚類算法的抗噪性能，本