CN109741330A - 一种混合滤波策略和模糊c均值的医学图像分割方法 - Google Patents
一种混合滤波策略和模糊c均值的医学图像分割方法 Download PDFInfo
- Publication number
- CN109741330A CN109741330A CN201811572575.5A CN201811572575A CN109741330A CN 109741330 A CN109741330 A CN 109741330A CN 201811572575 A CN201811572575 A CN 201811572575A CN 109741330 A CN109741330 A CN 109741330A
- Authority
- CN
- China
- Prior art keywords
- medical image
- fuzzy
- filtering
- wft
- cluster centre
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000036039 immunity Effects 0.000 abstract description 4
- 238000000926 separation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 238000003709 image segmentation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种混合滤波策略和模糊C均值的医学图像分割方法，包括以下步骤：读取医学图像，并对医学图像进行中值滤波；通过WFT将医学图像变换到频域；选择阈值函数进行噪声滤除；对滤波后的图像进行WFT逆变换；初始化聚类中心和样本点到聚类中心的距离，然后更新隶属度矩阵和聚类中心；计算目标函数值，若达到最大迭代次数或前后两次目标函数值的绝对值误差小于目标函数精度，则停止计算，否则继续迭代；输出聚类中心和各类隶属度值并完成模糊聚类的划分，输出分割后的图像。本发明利用直觉模糊集信息，达到了增强抗噪性、提高分割精确度的效果，解决了对医学图像进行高精度分割的实际问题。
Description
技术领域
本发明涉及数字图像处理技术领域，特别是涉及一种混合滤波策略和模糊C均值的医学图像分割方法。
背景技术
近年来，随着医学影像设备的迅猛发展和普及，全世界的医疗机构每天都要产生海量的医学影像资料，使得医学影像成为医学技术当中发展最快的领域之一。成像技术已经成为一种无侵害观察器官组织解剖结构的手段，例如计算机断层扫描(CT)，磁共振成像(MRI)等。新型成像技术以及设备的出现和计算机技术的发展，使得医学图像处理技术对医学科研和临床实践的作用、影响日益增大。医学图像处理的结果使科研人员和临床工作者对人体内部正常和病变位置的观察更加直观、更加清晰，提高了确诊率，为临床诊断和生物医学研究提供了强有力的保证。因此，国内外相关专家一直都非常重视医学图像处理技术，而医学图像分割是图像处理技术中的一个经典难题，在病理分析和手术计划方面，医学图像分割可以帮助实现医学图像的三维重建和可视化，这样有利于医生根据病人的三维信息，提前制定更好的手术方案，另外在影像信息处理方面，一个病人做一次MR或CT，可以生成大量的医学图像，会占据很大的存储空间，然而需要的仅仅是病人相关的病灶信息，所以医学图像分割有助于对病人关键信息的压缩，这在远程医疗中实现高效的医学图像信息的传输中有着很大的作用。
医学图像分割在医学领域的各方面都起着重要的作用，有助于医学领域更进一步的发展，在医学研究方面，医学图像分割可以精确地分割目标并提取，这样有助有后续医生对这些医学图像进一步的分析和处理；在临床诊断方面，医学图像分割有助于医生对人体部分器官和病灶区域的大小的一个测量，这样有助于医生对这个病人的诊断和后续医疗方案的制定。以各种理论为基础，经过几十年的探索研究，人们提出了许多图像分割算法。图像分割虽然已经有了一定的研究成果，但提出的分割方法往往是针对某个特定的领域，适用面有限，没有一种通用的分割算法可以分割任意图像，通用的分割理论尚不能指定。
发明内容
本发明所要解决的技术问题是提供一种混合滤波策略和模糊C均值的医学图像分割方法，能够达到增强抗噪性、提高分割精确度的效果。
本发明解决其技术问题所采用的技术方案是：提供一种混合滤波策略和模糊C均值的医学图像分割方法，包括以下步骤：
(1)读取医学图像I(x,y)，并对医学图像I(x,y)进行中值滤波；
(2)通过WFT将医学图像I(x,y)变换到频域；
(3)选择阈值函数进行噪声滤除；
(4)对滤除噪声后的图像进行WFT逆变换；
(5)初始化聚类中心P和样本点到聚类中心的距离，然后根据更新隶属度矩阵U和聚类中心，其中，隶属度矩阵U为一个c×n的二维矩阵，隶属度矩阵U中的元素uij表示第j个数据点pj属于聚类i的隶属度，满足约束条件vi为聚类中心，||·||表示欧氏距离；m为模糊加权指数；
(6)计算目标函数值，若达到最大迭代次数或前后两次目标函数值的绝对值误差小于目标函数精度，则停止计算，否则返回步骤(5)；
(7)输出聚类中心和各类隶属度值并完成模糊聚类的划分，输出分割后的图像。
所述步骤(1)中的中值滤波具体为：将模板中的各个像素点的灰度值进行排序，取中间值作为这个模板中心像素点的灰度值，使得医学图像中噪声呈非平稳高斯分布。
所述步骤(2)中通过WFT将医学图像I(x,y)变换到频域，具体变换方式为：其中，(u,v)是时域坐标，(ξ,η)是频域坐标，SI(u,v；ξ,η)是WFT的谱函数，g(x,y)是窗函数，σx和σy分别是x轴和y轴的标准差。
所述步骤(3)中的阈值函数为：其中，上横线表示滤波过程，SI(u,v；ξ,η)是WFT的谱函数，thr是阈值。
所述步骤(4)中对滤除噪声后的图像进行WFT逆变换，具体的逆变换方式为：其中，为滤波后的医学图像。
所述步骤(6)中通过计算目标函数值。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用组合滤波方法，首先采用中值滤波滤除孤立噪声点或脉冲知识点，然后进行窗口傅里叶滤波，最后结合利用了直觉模糊集理论，达到了增强抗噪性、提高分割精确度的效果，解决了对医学图像进行高精度分割的实际问题。本发明提出的改进算法具有较高的应用价值和广阔的市场前景。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种混合滤波策略和模糊C均值的医学图像分割方法，如图1所示，包括以下步骤：
(1)给定聚类数目c，目标函数精度ε，模糊指数m，最大迭代次数maxTimes，以及人工需设定的参数；
(2)读取医学图像I(x,y)，并对医学图像I(x,y)进行中值滤波；
将模板中的各个像素点的灰度值进行排序，取中间值作为这个模板中心像素点的灰度值，中值滤波能够抑制图像中的颗粒噪声，保持了图像边缘及细节信息，提高了图像的质量。在处理过程中，模板窗口的大小很重要，一般选取3×3。
(3)通过WFT将医学图像I(x,y)变换到频域；
上式中各参数的含义如下：
(u,v)是时域坐标，(ξ,η)是频域坐标，SI(u,v；ξ,η)是WFT的谱函数，g(x,y)是窗函数，σx和σy分别是x轴和y轴的标准差，高斯窗尺寸σ的选择时，大窗有利于分离低频分量和噪声的滤除，小窗则有着计算误差小的优点。
(4)选择阈值函数用于噪声滤除；
其中，上横线表示滤波过程，SI(u,v；ξ,η)是WFT的谱函数，thr是阈值。
(5)对滤波后的图像进行WFT逆变换；
即为滤波后的医学图像。
(6)初始化聚类中心P和样本点到聚类中心的距离，然后根据以下的公式更新隶属度矩阵U和聚类中心；
||·||表示欧氏距离；m为模糊加权指数，且m∈[1,∞)；定义一个c×n的二维隶属矩阵U，U中的元素uij表示第j个数据点pj属于聚类i的隶属度，并满足约束条件vi为聚类中心。
(7)计算目标函数值若达到最大迭代次数或前后两次J的绝对值误差小于ε，则停止计算，否则转到步骤(6)；
(8)输出聚类中心和各类隶属度值并完成模糊聚类的划分，输出分割后的图像。
不难发现，相比于传统医学图像分割方法，本发明采用组合滤波方法，首先采用中值滤波滤除孤立噪声点或脉冲知识点，然后进行窗口傅里叶滤波，最后结合利用了直觉模糊集理论，提出了一种混合滤波策略和模糊聚类算法，达到了增强抗噪性、提高分割精确度的效果，解决了对医学图像进行高精度分割的实际问题。本发明提出的改进算法具有较高的应用价值和广阔的市场前景。
Claims (6)
1.一种混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，包括以下步骤：
(1)读取医学图像I(x,y)，并对医学图像I(x,y)进行中值滤波；
(2)通过WFT将医学图像I(x,y)变换到频域；
(3)选择阈值函数进行噪声滤除；
(4)对滤除噪声后的图像进行WFT逆变换；
(5)初始化聚类中心和样本点到聚类中心的距离，然后根据更新隶属度矩阵U和聚类中心，其中，隶属度矩阵U为一个c×n的二维矩阵，隶属度矩阵U中的元素uij表示第j个数据点pj属于聚类i的隶属度，满足约束条件vi为聚类中心，||·||表示欧氏距离；m为模糊加权指数；
(6)计算目标函数值，若达到最大迭代次数或前后两次目标函数值的绝对值误差小于目标函数精度，则停止计算，否则返回步骤(5)；
(7)输出聚类中心和各类隶属度值并完成模糊聚类的划分，输出分割后的图像。
2.根据权利要求1所述的混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，所述步骤(1)中的中值滤波具体为：将模板中的各个像素点的灰度值进行排序，取中间值作为这个模板中心像素点的灰度值，使得医学图像中噪声呈非平稳高斯分布。
3.根据权利要求1所述的混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，所述步骤(2)中通过WFT将医学图像I(x,y)变换到频域，具体变换方式为：其中，(u,v)是时域坐标，(ξ,η)是频域坐标，SI(u,v；ξ,η)是WFT的谱函数，g(x,y)是窗函数，σx和σy分别是x轴和y轴的标准差。
4.根据权利要求1所述的混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，所述步骤(3)中的阈值函数为：其中，上横线表示滤波过程，SI(u,v；ξ,η)是WFT的谱函数，thr是阈值。
5.根据权利要求1所述的混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，所述步骤(4)中对滤除噪声后的图像进行WFT逆变换，具体的逆变换方式为：其中，为滤波后的医学图像。
6.根据权利要求1所述的混合滤波策略和模糊C均值的医学图像分割方法，其特征在于，所述步骤(6)中通过计算目标函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572575.5A CN109741330A (zh) | 2018-12-21 | 2018-12-21 | 一种混合滤波策略和模糊c均值的医学图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572575.5A CN109741330A (zh) | 2018-12-21 | 2018-12-21 | 一种混合滤波策略和模糊c均值的医学图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109741330A true CN109741330A (zh) | 2019-05-10 |
Family
ID=66359486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811572575.5A Pending CN109741330A (zh) | 2018-12-21 | 2018-12-21 | 一种混合滤波策略和模糊c均值的医学图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741330A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211126A (zh) * | 2019-06-12 | 2019-09-06 | 西安邮电大学 | 基于直觉模糊c均值聚类的图像分割方法 |
| CN113688926A (zh) * | 2021-08-31 | 2021-11-23 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103037216A (zh) * | 2011-10-04 | 2013-04-10 | 索尼公司 | 图像处理装置和方法、程序以及记录介质 |
| CN103871030A (zh) * | 2014-02-17 | 2014-06-18 | 中国科学院电子学研究所 | 一种干涉图像的滤波方法及设备 |
| CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
| CN106388778A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
| CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
| CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
| CN106997593A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 基于医学组织器官自身特性的模糊聚类医学图像分割方法 |
| CN106997592A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 具有实时性的模糊聚类医学图像分割方法 |
| CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
-
2018
- 2018-12-21 CN CN201811572575.5A patent/CN109741330A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103037216A (zh) * | 2011-10-04 | 2013-04-10 | 索尼公司 | 图像处理装置和方法、程序以及记录介质 |
| CN103871030A (zh) * | 2014-02-17 | 2014-06-18 | 中国科学院电子学研究所 | 一种干涉图像的滤波方法及设备 |
| CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
| CN106388778A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
| CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
| CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
| CN106997593A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 基于医学组织器官自身特性的模糊聚类医学图像分割方法 |
| CN106997592A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 具有实时性的模糊聚类医学图像分割方法 |
| CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHONG YANG等: "Window size selection in windowed Fourier transform for phase retrieval", 《OPTICS AND LASERS IN ENGINEERING》 * |
| GANSAR TIMUR PAMUNGKAS等: "Improvement of Fuzzy C-Mean using Local Laplacian Filter for Image Segmentation", 《2018 INTERNATIONAL SEMINAR ON APPLICATION FOR TECHNOLOGY OF INFORMATION AND COMMUNICATION》 * |
| 童云飞 等: "改进的多模式脑肿瘤图像混合分割算法", 《信号处理》 * |
| 邱志祺: "基于中值滤波与小波变换的图像去噪研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211126A (zh) * | 2019-06-12 | 2019-09-06 | 西安邮电大学 | 基于直觉模糊c均值聚类的图像分割方法 |
| CN110211126B (zh) * | 2019-06-12 | 2022-06-03 | 西安邮电大学 | 基于直觉模糊c均值聚类的图像分割方法 |
| CN113688926A (zh) * | 2021-08-31 | 2021-11-23 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
| CN113688926B (zh) * | 2021-08-31 | 2024-03-08 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Review of breast cancer pathologigcal image processing | |
| CN112465827B (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
| He et al. | Image segmentation algorithm of lung cancer based on neural network model | |
| CN107590809A (zh) | 肺分割方法及医学成像系统 | |
| Toga | Brain warping | |
| CN103781416B (zh) | 使用体相位对比mri的全面的心血管分析 | |
| Yazdani et al. | Image segmentation methods and applications in MRI brain images | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| Zhang et al. | Overview of multi-modal brain tumor mr image segmentation | |
| WO2015163089A1 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
| CN107977952A (zh) | 医学图像分割方法及装置 | |
| CN104268873A (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
| Duan et al. | A novel GA-based optimized approach for regional multimodal medical image fusion with superpixel segmentation | |
| CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
| CN109741330A (zh) | 一种混合滤波策略和模糊c均值的医学图像分割方法 | |
| Danilov et al. | Image segmentation for cardiovascular biomedical applications at different scales | |
| Narayan et al. | A comprehensive review of various approach for medical image segmentation and disease prediction | |
| Subudhi et al. | Application of machine learning techniques for characterization of ischemic stroke with MRI images: a review | |
| Xia et al. | Cross-domain brain CT image smart segmentation via shared hidden space transfer FCM clustering | |
| Anshad et al. | Recent methods for the detection of tumor using computer aided diagnosis—A review | |
| Li et al. | Multi-scale selection and multi-channel fusion model for pancreas segmentation using adversarial deep convolutional nets | |
| Dong et al. | An improved supervoxel 3D region growing method based on PET/CT multimodal data for segmentation and reconstruction of GGNs | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| Savadjiev et al. | Knowledge based versus data based: a historical perspective on a continuum of methodologies for medical image analysis | |
| Lawankar et al. | Segmentation of liver using marker watershed transform algorithm for CT scan images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
| RJ01 | Rejection of invention patent application after publication |