The invention discloses a fuzzy clustering medical image segmentation method based on the characteristics of medical tissues and organs, belonging to the technical field of image processing. The method includes: extracting gray feature given medical images, get the characteristic information of medical image sets; filtering technology to preprocess the medical image based on histogram calculation; image filtering; pre segmentation of medical images in medical organs; membership medical organs of clustering center and pixel initialize the energy function of medical image segmentation based on the definition of the energy function is minimized; through the iterative process in the iterative process, the results of the current segmentation is modified, and based on the modified segmentation results to update membership clustering centers on the medical organ and the medical image pixel output; the final segmentation result. The invention not only can realize the segmentation of medical image, but also can improve the operation efficiency of the segmentation algorithm.
【技术实现步骤摘要】
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
本专利技术涉及图像处理
,特别是指一种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。
技术介绍
医疗影像仪器为医疗诊断提供了丰富的图像信息。有效利用这些医学图像信息,可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应医学组织器官进行动态模拟并分析病变部位的结构和发生过程,提高疾病诊断的准确性。利用医学图像提供的信息时,首先要做的工作是对医学图像进行分割,将医学图像分割为不同的医学组织或器官,通过分析不同医学组织器官的形状、灰度等特性,对医生辅助诊断、治疗提供必要的帮助。在医学图像中,存在难以处理的部分容积效应现象(partialvolumeeffect,PVE)和强度不一致现象(intensityinhomogeneity,IIH),这主要是由医学图像的成像原理组成的。为了确定病灶位置的需要,医生需要从不同的方向观察不同位置的医学图像切片。形成的医学图像中,每一个像素的灰度值是其邻域中多个像素灰度值的共同反映,往往涉及多个组织或器官。因而,在传统的基于K-means的医学图像分割中,直接把某一个像素分类到某一特定的医学组织器官,无法取得较好的分割效果。同时,由于部分容积效应现象的存在,使隶属于同一医学组织器官的像素灰度特征不同,即强度不一致现象。目前有效处理这两种现象的图像分割方法是模糊C-均值方法(fuzzyC-means,FCM)。在基于FCM方法的医学图像分割中,像素以不同的隶属度同时隶属于多个医学组织器官,从而可以在分割过程中从原医学图像保留尽可能多的信息, ...
【技术保护点】
一种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,其特征在于,包括:步骤1:提取给定医学图像的灰度特征,得到医学图像的特征信息集;步骤2:利用所述医学图像的特征信息和邻域信息,基于滤波技术对所述医学图像进行预处理;步骤3:计算滤波后医学图像的特征直方图,以得到滤波后医学图像的统计信息;步骤4:基于所述滤波后医学图像的特征直方图,对所述医学图像中的医学组织器官进行预分割;步骤5:基于所述预分割的医学组织器官,对医学组织器官的聚类中心进行初始化;步骤6:基于所述预分割的医学组织器官,对像素的隶属度进行初始化,并在此基础上定义医学图像分割的能量函数;步骤7:通过迭代过程对所述能量函数进行最小化,在迭代过程中,对当前的分割结果进行修正,并基于修正后的分割结果,对医学组织器官的聚类中心和像素的隶属度进行更新;步骤8:输出最终的医学图像分割结果。
【技术特征摘要】
1.一种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,其特征在于,包括:步骤1:提取给定医学图像的灰度特征,得到医学图像的特征信息集;步骤2:利用所述医学图像的特征信息和邻域信息,基于滤波技术对所述医学图像进行预处理;步骤3:计算滤波后医学图像的特征直方图,以得到滤波后医学图像的统计信息;步骤4:基于所述滤波后医学图像的特征直方图,对所述医学图像中的医学组织器官进行预分割;步骤5:基于所述预分割的医学组织器官,对医学组织器官的聚类中心进行初始化;步骤6:基于所述预分割的医学组织器官,对像素的隶属度进行初始化,并在此基础上定义医学图像分割的能量函数;步骤7:通过迭代过程对所述能量函数进行最小化,在迭代过程中,对当前的分割结果进行修正,并基于修正后的分割结果,对医学组织器官的聚类中心和像素的隶属度进行更新;步骤8:输出最终的医学图像分割结果。2.根据权利要求1所述的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,其特征在于,所述步骤1中,所述特征信息集为:X={x1,x2,...,xn},xi={xi1,xi2,...,xis}(1)其中,X是给定医学图像的特征信息集,xi为医学图像的像素点,n为医学图像中像素点的个数,s为像素点xi的维数。3.根据权利要求2所述的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,其特征在于,所述步骤2中,利用公式(2)对所述给定医学图像进行处理:其中Nj代表第j个元素的邻域像素组成的集合,NR代表集合Nj的势,α是像素与邻域像素之间的平衡因子,xj和x′j分别代表滤波前后第j个像素的灰度特征值,xr代表Nj中第r个像素的灰度特征值。4.根据权利要求3所述的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,其特征在于,所述步骤3中,特征直方图为fh;所述步骤4包括:步骤41:分以下三种情况计算出图像特征直方图上的极大值的集合LM:如果fh(0)>fh(1),则0∈LM;如果fh(i)>fh(i-1)且fh(i)>fh(i+1),则i∈LM,其中0<i<255;如果fh(255)>fh(254),则255∈LM;步骤42:按公式(3)计算LM中每一个极大值关联的像素数:其中||·||表示集合的势;步骤43:从LM中删除具...
【专利技术属性】
技术研发人员:唐新亭,张小峰,孙玉娟,
申请(专利权)人:鲁东大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。