一种基于水平集和模糊聚类的医学图像分割算法的制作方法

1.本发明属于医学图像分割领域，涉及一种基于水平集和模糊聚类的医学图像分割算法。


背景技术：

2.医学图像分割对于辅助医生诊断具有重要的参考价值，所以国内外学者进行了大量研究，提出了很多有效的分割方法，代表方法有基于阈值的分割方法、基于边缘的分割方法、区域生长法和区域分裂合并法、基于能量泛函的分割方法等。
3.主要存在以下问题及原因
4.(1)对初始轮廓敏感
5.在水平集分割算法中，选取图像中初始轮廓位置至关重要。对初始轮廓敏感的算法，会因为位置选取不当，而导致曲线不能够最终演化到目标边缘，造成分割失败的现象，同时计算开销大。
6.(2)对噪声敏感
7.噪声总是不可避免的通过各种方式引入到图像中，给图像分割带来巨大挑战。噪声会使水平集轮廓曲线容易穿过目标边缘或陷入局部极小值，导致分割效果不理想。
8.(3)对复杂图像分割效率低
9.水平集分割性能取决于适当的初始化和控制参数的优化配置，在这个过程中需要人工干预，所以在对复杂图像进行分割时效率低，时间开销大，并且因为人为因素的不可控制性，可能会导致分割失败。


技术实现要素：

10.本发明的目的在于：提供了一种基于水平集和模糊聚类的医学图像分割算法，解决了
11.本发明采用的技术方案如下：
12.1.一种基于水平集和模糊聚类的医学图像分割算法，其特征在于：包括以下步骤，
13.步骤1：输入原始噪声图像；
14.步骤2：初始化水平集函数，设置不同项参数；
15.步骤3：初始化聚类中心；
16.步骤4：根据公式(1)，计算隶属度；
[0017][0018]
步骤5：根据公式(2)，计算引导滤波图；
[0019][0020]
其中
[0021]
步骤6：根据公式(3)，更新聚类中心；
[0022][0023]
步骤7：根据公式(4)，更新水平集函数；
[0024][0025]
步骤8：判断水平集演化曲线是否满足收敛准则，没有则返回步骤4，直到满足终止条件。
[0026]
进一步地，步骤2中参数包括计算图像的局部熵，进而得到图像的局部符号差能量项。
[0027]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0028]
1.通过在模糊聚类算法中集成引导滤波器，我们可以得到均匀的分割段，并且能够缓解在聚类过程中图像边缘信息丢失的问题，同时能够抑制噪声对水平集轮廓曲线演化的影响。
[0029]
2.以水平集模型为主体，引入改进的模糊聚类，实现两者的结合。利用模糊聚类能够自适应的获取目标近似边界的特性，得到水平集演化的控制参数，达到水平集初始轮廓自动化的效果。
附图说明
[0030]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
[0031]
图1是本发明流程图；
具体实施方式
[0032]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0033]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0035]
下面结合实施例对本发明的特征和性能作进一步的详细描述。
[0036]
实施例一
[0037]
本发明较佳实施例提供的一种基于水平集和模糊聚类的医学图像分割算法，包括以下步骤，
[0038]
步骤1：输入原始噪声图像；
[0039]
步骤2：初始化水平集函数，设置不同项参数；
[0040]
步骤3：初始化聚类中心；
[0041]
步骤4：根据公式(1)，计算隶属度；
[0042][0043]
步骤5：根据公式(2)，计算引导滤波图；
[0044][0045]
其中
[0046]
步骤6：根据公式(3)，更新聚类中心；
[0047][0048]
步骤7：根据公式(4)，更新水平集函数；
[0049][0050]
步骤8：判断水平集演化曲线是否满足收敛准则，没有则返回步骤4，直到满足终止条件。
[0051]
为了实现水平集初始轮廓自动化：以水平集模型为主体，引入模糊聚类算法，实现两者的结合。利用模糊聚类得到水平集分割的控制参数，以实现初始轮廓自动化，减少人工干预的影响。对待分割的噪声图像进行处理过程中，我们希望得到更均匀的分割段，并且能获取精确的区域边界：传统的模糊聚类方法采取去噪技术进行预处理，以减小噪声的影响，获得更加均匀的分割结果，但是这种先去噪再分割的方法会有边界信息损失的问题。针对这种情况，我们通过改进模糊聚类算法，以保留边缘信息，同时抑制噪声的影响。
[0052]
由于引导滤波器可以利用图像本身和引导图的空间信息来改变像素值，并且具有增强图像细节的作用，同时在图像预处理过程中会抑制噪声的影响，所以本研究将引导滤波器集成到模糊聚类中，然后与水平集模型相结合。我们利用模糊聚类的自适应性，以及对其改进后的边缘保持性和噪声抑制性，实现水平集初始轮廓自动化的效果，避免人工干预、噪声的影响，同时获取更精确的区域边界，进一步提升分割的准确性。
[0053]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。