CN104240196A - 一种基于fcm的四邻域归类方法 - Google Patents
一种基于fcm的四邻域归类方法 Download PDFInfo
- Publication number
- CN104240196A CN104240196A CN201410415183.3A CN201410415183A CN104240196A CN 104240196 A CN104240196 A CN 104240196A CN 201410415183 A CN201410415183 A CN 201410415183A CN 104240196 A CN104240196 A CN 104240196A
- Authority
- CN
- China
- Prior art keywords
- fcm
- image
- neighborhood
- tissue
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FCM的四邻域归类方法,包括以下步骤:将预处理图像进行FCM聚类分割处理;初始化FCM聚类算法的隶属度矩阵的聚类中心;计算FCM聚类分割处理后的图像的隶属度矩阵;判断价值函数J是否满足条件,如果满足,则算法停止;计算新的聚类中心;运用四邻域判断的方法进行处理。与现有技术相比,本发明在FCM对脑部图像处理后的基础上,对处理结果图像进行四邻域判断归类,经过编程实验验证了该方法能够很好地改善FCM对组织连通性的破坏,得到的处理结果图像中组织的连通性更好,聚类效果更加科学。基于FCM的四邻域判断聚类效果更符合组织的完整性、连通性,能够更好地表现出脑部组织的信息,在实际应用中具有很好的帮助作用。
Description
技术领域
本发明涉及医学图像分析处理技术领域,特别是一种基于FCM的四邻域归类方法。
背景技术
图像分割技术能够实现对图像中目标物体的提取,通过对目标物体的提取分析,能够得到大量具有价值的信息,已经应用于航天探测、医学诊断等行业。图像分割技术一直是图像处理领域研究的热点。在医学领域中脑部图像中的脑部组织存在模糊性和不确定性,对脑部图像基于Roberts算子、Sobel算子、Laplacian算子的边缘检测分割能够实现对脑部图像中组织的边缘提取,但是对于脑部组织的分割提取基本没有效果,这是因为脑部区域组织的特征值变化缓慢,基于边缘检测的方法不能将脑部中的组织提取出来。FCM聚类算法是一种基于全局划分的聚类算法。首先,初始化聚类中心或初始化隶属度矩阵;其次,利用隶属函数计算目标对象的隶属度或利用计算聚类中心的公式计算聚类中心;最后,在价值函数的条件控制下迭代修正聚类中心和隶属度矩阵。最终,使得被划分在同一类的对象相似度最大,不同类之间的相似度最小,经过对对象的隶属度矩阵判断就可以实现对图像的聚类分割。FCM被广泛用于人工智能、模式识别和数据挖掘等领域。
FCM聚类算法在对脑部图像进行聚类分割后,虽然可以得到较好的脑部分割图像,但是,脑部组织的模糊性和FCM的聚类过程造成了组织的不连通性。
发明内容
本发明的目的是要提供一种基于FCM的四邻域归类方法,实现对脑部区域组织连通性被破坏的改善。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于FCM的四邻域归类方法,包括以下步骤:
1)将预处理图像进行FCM聚类分割处理;
2)初始化FCM聚类算法的隶属度矩阵的聚类中心,Vi(i=1、2、3…);
3)计算FCM聚类分割处理后的图像的隶属度矩阵,
4)将 且 带入步骤3)的隶属度矩阵,判断价值函数J是否满足条件,如果满足,则算法停止;
5)通过步骤3)的隶属度矩阵计算新的聚类中心,
6)将步骤5)处理后的图像运用四邻域判断的方法进行处理,当像素的四邻域的特征值都是一类时,则说明该像素是属于其邻域像素这一类的,将其归入其邻域类,否则保持该像素点的特征值不变。
与现有技术相比,本发明在FCM对脑部图像处理后的基础上,对处理结果图像进行四邻域判断归类,经过编程实验验证了该方法能够很好地改善FCM对组织连通性的破坏,得到的处理结果图像中组织的连通性更好,聚类效果更加科学。基于FCM的四邻域判断聚类效果更符合组织的完整性、连通性,能够更好地表现出脑部组织的信息,在实际应用中具有很好的帮助作用。
附图说明
图1为本发明实施例中三维医学图像可视化系统中的脑部CT图像;
图2为本发明实施例中经过FCM聚类分割之后的脑部图像;
图3为本发明基于FCM的四邻域判断聚类的处理结果图像;
图4为本发明实施例的对象的四邻域的特征值同类时的分类图;
图5为本发明实施例的对象的四邻域的特征值不同类时的分类图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示的一种基于FCM的四邻域归类方法,包括以下步骤:
1)将预处理图像进行FCM聚类分割处理;
2)初始化FCM聚类算法的隶属度矩阵的聚类中心,Vi(i=1、2、3…);
3)计算FCM聚类分割处理后的图像的隶属度矩阵,
4)将 且 带入步骤3)的隶属度矩阵,判断价值函数J是否满足条件,如果满足,则算法停止;
5)通过步骤3)的隶属度矩阵计算新的聚类中心,
6)将步骤5)处理后的图像运用四邻域判断的方法进行处理,当像素的四邻域的特征值都是一类时,则说明该像素是属于其邻域像素这一类的,将其归入其邻域类,否则保持该像素点的特征值不变。
如图1所示为三维医学图像可视化系统中的脑部CT图像,在该图中基本可以分为三大部分背景、骨骼和大脑区域,其中背景和骨骼部分可以很好被人眼识别,但是大脑区域完全不能被人眼识别出来,比如大脑的脑室。对图1进行FCM聚类处理之后,其结果如图2所示,经过FCM聚类处理后,脑部区域中的脑室(图2中箭头所指)和大脑的轮廓可以被人眼识别,提供造成了组织的连通性被破坏,在图2中表现为大脑区域的组织呈筛状(存在大量孤立的点)。在实际中脑部组织拥有连通性和完整性,所以FCM在对脑部区域分割上存在不足,针对这种情况,我们提出对FCM聚类后的图像进行四邻域判断聚类的方法,实现对脑部区域组织连通性被破坏的改善。其方法如下:
如图当某一个像素A的四邻域都是同一类B像素的话,那说明该A像素也属于B像素这一类,所以将像素A归入B类,这样延续了组织的连通性,如图4所示;反之,当像素A的四邻域存在不同的类的像素值B、C、D、E四种或者四种的任意2种或3种组合时,说明像素A和它的四邻域像素之间的关系是比较清楚的,像素A、B、C、D、E都是独自的一类,则保持像素A、B、C、D、E的特征值不变,如图5所示。
在图2的基础上运用基于FCM的四邻域的归类判断处理后结果如图3所示,脑部组织的连通性和完整性得到了很明显的改善。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (1)
1.一种基于FCM的四邻域归类方法,其特征在于,包括以下步骤:
1)将预处理图像进行FCM聚类分割处理;
2)初始化FCM聚类算法的隶属度矩阵的聚类中心,Vi(i=1、2、3…);
3)计算FCM聚类分割处理后的图像的隶属度矩阵,
4)将 且 带入步骤3)的隶属度矩阵,判断价值函数J是否满足条件,如果满足,则算法停止;
5)通过步骤3)的隶属度矩阵计算新的聚类中心,
6)将步骤5)处理后的图像运用四邻域判断的方法进行处理,当像素的四邻域的特征值都是一类时,则说明该像素是属于其邻域像素这一类的,将其归入其邻域类,否则保持该像素点的特征值不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410415183.3A CN104240196A (zh) | 2014-08-21 | 2014-08-21 | 一种基于fcm的四邻域归类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410415183.3A CN104240196A (zh) | 2014-08-21 | 2014-08-21 | 一种基于fcm的四邻域归类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104240196A true CN104240196A (zh) | 2014-12-24 |
Family
ID=52228205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410415183.3A Pending CN104240196A (zh) | 2014-08-21 | 2014-08-21 | 一种基于fcm的四邻域归类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240196A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
CN103413131A (zh) * | 2013-01-24 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 基于光谱及几何特征的塔吊识别方法 |
-
2014
- 2014-08-21 CN CN201410415183.3A patent/CN104240196A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN103413131A (zh) * | 2013-01-24 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 基于光谱及几何特征的塔吊识别方法 |
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Sayed | A new algorithm based entropic threshold for edge detection in images | |
Li et al. | Lane detection based on connection of various feature extraction methods | |
WO2016183225A3 (en) | Image analysis of images of containers | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
Xavierarockiaraj et al. | Brain tumor detection using modified histogram thresholding-quadrant approach | |
Vijay et al. | Gray scale image segmentation using OTSU Thresholding optimal approach | |
CN104966054B (zh) | 无人机可见光图像中的弱小目标检测方法 | |
CN104517116A (zh) | 在图像中确定目标区域的装置和方法 | |
Sharma et al. | The automated vehicle detection of highway traffic images by differential morphological profile | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
Chowdhury et al. | Cell tracking in video microscopy using bipartite graph matching | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN103198321A (zh) | 视网膜图像处理方法及装置 | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
Elmoufidi et al. | Detection of regions of interest in mammograms by using local binary pattern and dynamic K-means algorithm | |
Halder et al. | Brain tumor detection using segmentation based Object labeling algorithm | |
Chen et al. | An improved edge detection in noisy image using fuzzy enhancement | |
Anjomshoae et al. | Enhancement of template-based method for overlapping rubber tree leaf identification | |
CN104240196A (zh) | 一种基于fcm的四邻域归类方法 | |
Al-Azzawi | Human action recognition based on hybrid deep learning model and Shearlet transform | |
CN105389823A (zh) | 一种基于肿瘤攻击的交互式智能图像分割方法 | |
Jones et al. | Neuron segmentation in electron microscopy images using partial differential equations | |
Istiningrum et al. | Lane Detection With Conditions of Rain and Night Illumination Using Hough Transform | |
Jany Shabu et al. | Low volume brain tumor extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |