基于模糊 C-均值聚类医学图像分割的优化算法

来源：计算机技术与发展杂志2017年第12期北京时间：

作者：廖林峰;邱晓晖

摘要：模糊 C-均值聚类(FCM)算法在分割模糊的医学图像中有很好的效果,通过设置初始聚类中心,根据每个像素的隶属度来划分属于哪一类,采用迭代的方式来得到分割结果。 针对 FCM 算法容易受到聚类中心初始值和噪声的影响,采用遗传算法和粒子群算法的结合算法来确定一组合适的初始聚类中心,通过遗传算法和粒子群算法的结合算法加快了单纯使用遗传算法确定初始聚类中心的收敛速度;再通过引入像素的邻域信息,重构标准 FCM 算法中的目标函数,以提高邻域像素和中心像素之间的相似程度,使得相邻的像素更容易划分到同一类别,克服了标准 FCM 算法只考虑像素间的灰度值而导致对噪声和异常值的敏感问题。 将该方法应用到核磁共振成像(MRI)脑部图像分割实验中,相比标准的 FCM 分割算法和遗传模糊聚类算法,分割效果更好。

关键词：模糊 C-均值聚类;遗传算法;粒子群算法;邻域像素;核磁共振成像