文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于K均值聚类的图割医学图像分割算法
侵权投诉

基于K均值聚类的图割医学图像分割算法

图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。

第3卷 7

第5期

吴永芳,杨

鑫,徐

敏,等:基于 K均值聚类的图割医学图像分割算法

23 3

后把图像中所有节点都分别与 S和丁连接起来,即 t i s。—lk n这样,假定所构建图中所有节点构成的集合表示为,所有的边表示为 E,即: V= P u{} E=n—l k —l k ,, i sU t i s n n

异最小,而聚类间的像素之间的灰度值差异最大。本文的具 体实现步骤如下:

() 1用户在待分割图像中分别选取前景种子点和背景种 子点。

按照文献【】全局最优的分割方式对应如式 ()能量 6中 1中 函数的最小值: E(= (+2 A) A) A) B( () 1

() 2在前景种子点和背景种子点中用 KMC方法分别选取本文设置为 1) 0个前景聚类中心和背景聚类中心。 ()别计算待分割像素到前景中 3分个聚类中心和背景

其中: R(:∑ R A ) A) p( p ∈P

中 K个聚类中心的距离,假定 D o和 D b分别为待分割像素到 () 2

前景聚类中心和背景聚类中心的最短距离。

B(=∑曰{ q, ( p, q A) P,} A a ) f q N P.

() 3

这时就可得到一个新的区域项的计算方法,则式() 6和式() 7分别变成

式()式(0: 9和 1) oj ) b”=Do/Do+Db ( ) R (b g ) p“ k”=Db (/ Do+Db )

其,却a= t中 (,) q{

。

() 9 (0 1)

上述 A=( 1 2…,, 4 )一个向量,却是对像 A,,却…,是 A而

这样,就用式()式(0分别表示待分割像素与前景和 9和 1) 背景的相似程度。

素 J的标记,只能为“ b”或者“ k” ( )『, oj bg。 A是能量函数, RA)为区域项, B A称为平滑项,在式 () (称 () 1中系数≥ 0, 表示平滑项相对于区域项的权重因子。其中, (是一个与 A)

4实验结果与分析 与文献【】 8一样,本文的图像来源于一个公开的数据库 B a We。 ri b本文所用图像切片的厚度都是 1 n mm,所用切片的大小都是 2 7 l 1图 1 gahct是一个交互式的图像分 1x8。为 rp us割算法,以下图像中用红色像素标记前景种子点,用蓝色像素标记背景种子点。图 1 ) (是有轻度损伤的仿体;图 1 ) a (是 c T1加权下在噪音水平 (对于图像中最亮的组织 ) 3相为%和灰度的不均匀性为 2%的男性脑部核磁共振图像;而图 1b和 0 ()图 1 )别是图 1 )图 1c在式 () 2 2 0时用本文提出 (分 d (和 a () 1中= 0

待分割像素相关的区域性函数,衡量的是基于所选用的概率模型,对待分割像素 P予标记的接近程度的惩罚。而平赋滑性函数曰A) (是对邻域系统中的相邻像素对{,}间连接 pq之 性的惩罚。 gah ct一个交互式图像分割算法,假设 O和 B分 rp us是别表示用户选择的对象种子点和背景种子点,即分割结果必须满足的硬约束;则本文的目标是计算出式 f) 1中满足以下硬约束的所有割中的全局最小值: ∈O, p=“ b” A o j V p∈B, p=“ k” A bg

() 4 () 5

的算法得到的分割结果,可以看出去掉了灰质、自质和脑脊液以外的不重要组织结构,如脂肪、肌肉和皮肤等。

则式()式 ()所示的 R(和口 A提供了分割结果的 2、 3中 A) ()

软约束,这里只把图像分割为前景和背景,则式() A的标 2中 记只能为“ b”

或者“k” oj bg,在文献[】 R( ) 6中 A的算法下: g (oj ) p“ b”=一I( o) nI p/ 研 bg) k”=一l(p/ ) n1曰

() 6 () 7

■■一■ () a仿体 ()分割图 1 b可 ()际图像 c实 () d可分割图 2

其中,表示像素 P的灰度值;/ O与, B分别表示像素 P属于前景和背景的比例。 在式 (), R( )定义如下: 3中 A的 日{ q=1 I一向 l P,}/ () 8

圈 1整幅图像中分羽出的重要结构

图 2a是图 2和图 3的分割对象,即图 1 ) () (,目的分别 b 是从仿体中分割出灰质和白质。图 2b和图 3b都是基于 () () G MM的 ga h us rp t方法得到的分割结果。而图 2c和图 3c c () () 都是基于本文提出的方法得到的分割结果。

3基于 K MC的 ga hc t图像分割算法 rp us 在式() 6、式(),献中提到的对概率模型模拟采用了 7中文高斯混合模型( GMM)。G MM是对概率密度函数的延伸, 由于 G MM能够平滑地模拟任意形状的密度分布,因此近年来常被用做描述图像中像素的灰度分布。但实际应用中GMM的缺点也日益显露。例如在脑部核磁共振图像中,由于各个组织内部的灰度分布并不符合高斯混合模型,因此采用传统 的基于 G MM的 ga hC[分割各个组织时非常不理想。而 rp US K均值聚类方法不同,K均值聚类方法最早是由文献[]出 7提

的一种非监督的实时聚类方法。K MC的基本思想可描述为: 先指定聚类数目 K和迭代次数或收敛条件,并指定个初始聚类中心,根据一定的相似性度量准则,将每一个对象分配到最近或最“相似”的聚类中心形成聚类,然后以每一类的 平均值作为这一类的聚类中心重新分配,反复迭代直到聚类

日■■日日目 ()割灰质 a分 ()于 G b基 MM ()文结果 c本

图 2分割仿体 MRI中的灰质

()割自质 a分

( )于 GMM b基

() c本文结果

收敛或达到最大的迭代次数。因此,均值聚类算法的关键 包括 2个方面: 1何找到个聚类的中心; 2设计剩余对 ()如 ()象与聚类中心的相似性度量准则。最终 K均值

聚类算法把对

图 3分钢仿体 MR中的自质 I

从实验结果可以看出,无论是分割灰质还是白质,基于本文提出的基于 K MC的方法在精确度上都比经典的基于

象的集合分为 K个聚类,使得每个聚类内像素之间灰度值差

G MM的方法要好得多。图 2和图 3中所有分割结果都是原

基于K均值聚类的图割医学图像分割算法

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email