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 7卷第 5期 Vl _7 0 3 l
计
算
机
工
程
2 1年 3月 01 M a c 2】 r h 01
NO. 5
Co pu e g n e i g m trEn i e rn
图形图像处理
文章编号:10一3 8 01 5 22 3 oo- 2( lo—03—0 4 2 )
文献码: 标识 A
中圈分类号: P9. T 31 1 4
基于 K均值聚类的图割医学图像分割算法 吴永芳,杨鑫。徐敏,张星 (国科学院自动化研究所复杂系统与智能科学重点实验室,北京 10 9 )中 0 10
摘
要:图割是一种同时基于区域和边界的交互式图像分割算法。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传
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。 关健诃:图像分割;图割;K均值聚类;脑部核磁共振图像
G r p t e i a m a e S g e t to g r t m a h Cu sM d c l I g e m n a i nAl o ih Ba e n K— e n u t r n s d 0 m a sCl s e i g W U ng—a Yo f ng, YA N G i X n,XU i ZH A NG ng M n, Xi
( yL b rtr f mpe ytms n tlg neS ine Isi t o Alo t n C iee a e f c n e, e ig10 9, ia Ke a oaoyo Co lxS s e dI el e c ce c,ntue f a mai, hns d myo i csB in 0 10 Chn ) a n i t t o Ac Se j | b tat A s c]Grp ussa trciesg nainag rh b sdo o n aya drgo rp re f beti gsT ergo r i r a hc ti ni eat me tt loi m ae nb u dr n inpo ets jcsni e. h int m n v e o t e i oo ma e e n c n e t n l rp usi b s d o u s nMi tr d I o v ni a g a hc t s ae nGa si xue Mo e( o
a GMM) H we e, t s o ny aso p o e s b t o t s t a’ d s r ete . o v r i i n t l lw r c s, u s mei l t e ci o me i C l b h
ds iuino iesi ojcspeie . hsp prpooe ni rvdag rh b sdo men ls r g ga hct.t e aut ni ir t fpx l n bet rcsl T i a e rp ssa mpo e loi m ae nK— ascut i rp usi vla o s tb o y t en s i p r r d u igb t h no n e l g ei R s n n eI g n ( ef me s ohp a tms dra Ma n t eo a c ma i gMRI o ri,h f cie esa de ce c f h rp s dag r h r o n a c ) f an teef t n s n f i yo epo o e l oi m ae b e v i n t t s o d An n pa。c l r a c u a e a d r bu t e u t n s gme tn ma e t o s n n e i o— n f r t t o c mp t t n l h we . d i zi u a, n a c r t n o s r s l i e t s n i g i g swi n ie a d i tnst n n u io mi wi a l w o h y y h u a i a o c s a e a h e e . o t n b c i v d c
[ ywod ii g g nain gahc t K—la s ls rn; an t eoa c gn ( ) f ri Ke r s ma e e me t o; rp us uen ut ig M g ei R sn neI igMRIo ban s t; c e c ma DOI 1.9 9 .s 003 2 0 .50 9: 03 6/i n1 0—4 82 1 0 .7 js 1
1概述 图像分割是在计算机视觉巾图像配准和图像町视化的基 础,随着各种医学影像 ( C、MR、Ut su d在临床中的如 T I lao n ) r
复杂度内 J,可以在任意形状的图上算出最大流的方法,进 而可以快速计算出能量函数的全局最小割,同时也是全局最 优的图像分割方式。但随着研究的深入,gahct的缺点也 rp us
出现及广泛应用,医学图像分割
也成为了制约医学图像普及的一个非常有挑战性的问题…。准确而有效地分割出脑部核磁共振图像中各个组织是量化分析脑部图像的关键。目前, 分割脑部核磁共振图像存在如下难点:()取到的脑部核磁 1获
日益显现出来。如分割细长的物体时容易产生皱缩的分割结果,而且 ga hc t rp us的能量函数的表达式中,参数对分割结果的影响比较大 J然而, ga hct中区域项的依赖性。对 rp s u研究一直比较少,只提到可以用高斯混合模型,但实验证 J明 GMM有两大缺陷:() 1计算量大;()非所有的图像都具 2并有 GMM所示的概率模型。例如在脑部核磁共振图像中分割 灰质、臼质时得到的分割结果都非常不理想。因此,本文提
共振图像由于噪音、对比度、偏磁场的存在以及部分容积效应 fV ) P E的影响,图像中各个组织之间的界线比较模糊; () 2脑部核磁共振图像中灰质、白质和脑脊液结构本身的复杂性。这使得对脑部核磁共振图像的分割问题是很多研究者的 热点[。 2 1
出基于 K MC的 gahct rp us的图像分割算法。
2传统的 ga hct rp us图像分割算法 gahct最早是由 B y o[等人在 2 0年提出的同时 rp us okv1 6 01基于区域和边界的交互式图像分割算法。 rp us gahct基本原理如下:假定图像,中所有像素组成的集合为 P,则图像,中的每个像素(在三维图像中称为体索) P P( P)都可以看作图 中的一个节点,然后再添加 2个特殊的节点 S和 7,分别表 1示源点和终点。据定义的临域系统Ⅳ (在二维图像中一般根如
目前,脑部核磁共振图像的分割方法大致可以分类 2类: () 1用模糊 c均值(C及其改进的方法来实现,但 F M参 F M) C数很多,所以,时间上比较慢,不符合临床的要求;() 2用基于马尔科夫随机场( F的方法, MR )但在 MR F求最大后验概率 时,大部分算法所采用的 E E pcainMai zt n”具 M( xett— xmi i ) o ao
有致命的缺点:计算量大,需要很好的初始化参数,而且容易陷入局部最小值…。 目前,图割(rp us已经广泛地应用在计算机视觉中, gahct ) 用来对各种离散像素的
标记问题给出最大后验解。目前,人 们不但对 gahct中提出的能量函数最小化的 N rp us P性进行了大量的研究,二进制随机变量的子模块函数也已经应用干图
是 4邻域或 8邻域),把相邻节点连接起来,即 n l k—i s;然 n 基金项目:国家自然科学基金资助项目(0 2 0 1; 6 6 10 )中国科学院知识
创新工程重要方向基金资助项目“计算机辅助肝脏手术前风险定量 分析预测及术后功能评估系统 ( S X2YW-一6 ) KC一 R 2 2
作者简介:吴永芳(9 3,,士研究生,主研方向: 1 8一)女硕医学图像 分割;杨鑫,博士;徐敏,高级工程师;张星,博士
像处理的很多问题中,如图像分割、立体视觉匹配等。gah rp ct日益流行的根本原因在于它找到了一个在多项式的时间 us
收稿日:2 1—7 6期 0 00— 2
E ma:x o u r 0@13 o - i i ye 62 6 . r l a b cn

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...
·图形图像处理· 基于 K 均值聚类的图割医学图像分割算法吴永芳,杨摘 鑫,徐 敏,张 星 (中国科学院自动化研究所复杂系统与智能科学重点实验室,北京 100190) ...
基于K均值聚类的图割医学图像分割算法吴永芳,扬鑫,徐敛,张基(中国科学院自动化研究所复杂系统与智能科学重点实验室,北京100190) ■蔓:图割是一种同时基于区域和...
研究表明, 均值聚类分割算法利并在 Lab 模式下能够较好地分割出成熟草莓图像,且 Lab 模式比其他彩色模式更适用于 K 均值聚类的图像分割 算法。 关键词: 草莓收获...
2013 年 6 月 农机化研究 第6 期 基于 K 均值聚类的成熟草莓图像分割算法王雪光 , 陈淑红( 河北工程大学 信息与电气工程学院,河北 邯郸 摘要: 056038 ) ...
K均值聚类分割的多特征图像检索方法_物理_自然科学_专业资料。Computer ... 基于K-均值聚类算法的图... 52人阅读 5页 2.00 基于K均值聚类和多...
基于改进的K-均值聚类图像分割算法_专业资料。K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对...
基于K-均值聚类和分水岭算法的PCB彩色图像分割_机械/仪表_工程科技_专业资料 暂无评价
唐一东 人工智能及识别技术 基于改进的 K- 均值聚类图像分割算法柳娟, 满家巨( 湖南师范大学 数学与计算机科学学院, 湖南 长沙 410081) 摘要: K- 均值聚类是...
基于K均值聚类与区域合并的彩色图像分割算法_IT/计算机_专业资料。基于K均值聚类与区域合并的彩色图像分割算法今日推荐 180份文档 CET四六级高分通关宝典...
热门文档