利用MATLAB实现医学图像处理与分析
利用MATLAB实现医学图像处理与分析边缘是图像最基本的特征。所谓边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素的集合, 它存在于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘具有方向和幅度两个特征, 沿边缘走向, 像素值变化比较平缓; 垂直于边缘走向, 像素值变化比较剧烈, 可能呈现阶跃状, 也可能呈现斜坡状因此, 边缘可以分为两种: 一种为阶跃性边缘, 它两边的像素灰度值有着明显的不同; 另一种为屋顶状边缘, 它位于灰度值从增加到减少的变化转折点。对于阶跃性边缘, 二阶方向导数在边缘处呈零交叉; 而对于屋顶状边缘, 二阶方向导数在边缘处取极值。第6期高向军,等:利用 MATLAB实现医学图像处理与分析1749d imw rie( modif, ank le_new series d en, n b)在 MATLA B中,笔者实现算法如下:a读入图像,预定义3.2 Levelset图像分割初始轮廓,如图3(a)所示;b定义离散化水平集函数;c)曲线在医学图像分割研究中,基于 level set技术的活动轮廓模演化,递准过程;d)求解演化后的零水平集,即为分割图像的型正引人注目。本实例在 MATLAB环境中,实现了Chm和边缘,如图3(b)所示。Ⅴese提出的无梯度的活动轮廓模型,并应用在医学图像分割之中。4结束语CⅤ分割方法的基本原理如下:没定义域为Ω的图像uo实践证明,MAT^AB软件功能强大、数据计算能力突出、被闭合边界C划分为目标O(C的内部)和背景B(C的外语言简洁易读。使用图像工具箱中的医学图像处理函数可以部)两个同质区域。两个区域的平均灰度分别为c1和c2此时方便快捷地实现医学图像的读写及简单处理功能。本文用实能量函数可看做为外部能量和内部能量之和,即例证明了在 MATLAB环境中可以方便、快速、有效地实现复杂E(cIc> C)=EinsidefC)+Eoutsidec)医学图像处理算法。同时Ⅵ ATLAR工具箱涉及的专业领域广H, m isc,(uo-Ci2dx dy+泛且功能強大。由于工具箱具有可靠性和开放性,可以方便H2IJout ie c)(o-C2)2dedy-YICI地直接加以使用,也可以将自己的代码加到工具箱中以改进函数功能。因比,在Ⅵ ATLA B(R2006b)环境下,实现医学图像的处理和分析具有很大的应用优势和价值。参考文献:1」田捷,包尚联,周明全.医学影像处理与分析[Ⅵ].北京:电子工业出版社,2003.(a)初始图像(b)分割结果「2]张尢赛,陈福民·D)IαM医学图像窗口变换的加速算法[J.计图3 Level set分割结果算机工程与应用,200339(13):218-2203]王立功,刘伟强,于甬华,等.DCOM医学图像文件格犬解析与当闭合边界C处于两个同质区域的边界时,能量达到最应用研究[J计算机工程与应用,20642(29):210212225小。为了解决曲线的拓扑变化问题,C-V分割法采用了水平[41曾筝,董芳华,陈咣,等.利用 MATLAB实现C断层图像的三维集方法,将闭合边界C嵌入高一维的曲面ψ中,根据初始闭合重建[J·CT理论与应用研究,200413(2):24-29曲线c构造一个内正外负的符号距离水平集函数中这样就5l任忠宝,李佳·基于 MATLA B的颅面三维重构技术J·计算机将关于闭合曲线C的能量函数转换为关于曲面中的能量函(6]王家文,李迎军.MAAB7.0图形图像处理(M].北京:国防数,再通过变分技术可以得到关于曲面的偏微分方程模型,即工业出版社,2006冲=1中/Yd(y中/1中1)-1(mo-c12+2(no-c2)2通(71HANT, VESE L. A ctive con bou rs w ithou t edges JI. EEE Tans过求由面的零水平集就可以得到C的位置mage Process 2001, 10(2): 266 277(上接第1740页)相比,本文算法虽然计算量有所增大,但能acam pos itc m ethod[ J]. Pattern Recogn tion 1982, 22(4: 381正确区分质量中等区域和质量较差的区域,并将背景区域和质385.量较差、后继算法无法恢复的噪声区域分割,保留质量巾等41 MEHTRE B M. F ngerp rmt m age ana ls s for autm atic ren tifica tion区域,使后续算法的处理区域更精确。I J] M achine Vis ion and App lica tons 1993, 6(2-3): 124-1395]苏彦华·Ⅴ balc++数字图像识別技术典型業例[M]·北京:人4结束语民邮电出版社,2004I6]耿茵茵,唐良瑞.指纹图像分级分割算法ⅠJ.北方工业大学学本文提出了一种改进的基于指纹灰度特性的指纹图像分200012(3):2-26割算法,克服了传统自适应阈值分割算法在指纹与背景交接区[7]甘树坤,欧宗瑛,魏鸿磊,基于灰度特性的指纹图像分割算法[J域,以及指纹内部脊线太淡或脊线粘连的区域分割不准及分割古林化工学院学报,200623(1):68-71前景边界的方坎效应问题,适用于更多类型的指纹图像,且分[8] ROSENFILD A, KAK A C. Digita I im age process ing[M].Naw割比较精确。实验结果表明,该算法的分割效果很好,对前景Yor a cadem i press 1976区和背景区的分割更加灵活准确,有效降低了指纹图像噪声的[9]G0 NAZALES R C. WOODSR E. D igital m age processing[M I影响,它不仅能分割出指纹质量较好的图像,也能有效地分割Read a add ison w esley 1992噪声干扰较大的指纹图像,经过分割后的图像指纹纹线清晰、「11田捷,杨鑫,生物特征识别技术理论与应用M],北京:子工业出版社,2005流畅,具有较强的适应性和很高的实用价值。目前该算法已被应用到成熟的指纹识别算法中。10]吴|金,朱兆达图像处理中阂值选取方法3年(192-1992)的进展(12)[J.数据采集与处狸19938(3):1920}(4):26278.参考文執I 12 BAZEN AM, GEREZ S H. Segn en tation of fingeprin t m ages[ c]//l]陆颍.指纹自动识别原理与方法综述[J]·工栏数学学报.2004Prme of the 12th Annual W orks op on C icu its Sys kms and Sign al21(6):10031010Pocess ng Neherland I s n, 2001 276-2802]硎 HANG J anwei I Heng li s udy on segm ent a lgorithm in au m a[l3]冯星奎,颜祖泉,肖兴明,等.指纹图像合成分割法[J.计算机l i fige prill ilen Lifica lion[ J. M cro oomputer Applica tons应用研究,200017(1):7G77199915(12)202214]韩思奇,王蕾·图像分割的阈值法综述丨J].系统工程与皃子技13 CMEBTREUM.C是是出m出是 lishing630 bihgts-ycscrved.htp/w. cnkinct
- 2020-12-10下载
- 积分：1
关于模糊C-均值(FCM)聚类算法的改进
关于模糊C-均值(FCM)聚类算法的改进关于模糊C-均值(FCM)聚类算法的改进∑∑md2(x1,v,)离有变化,即(1)式中改为(,)=|P)(x;-v大连大学学报其中W为模糊加权因子,由式(5)确定。在模糊￠一均值算法中引入模糊加权因4子,使得数据空间中各个数据点对同一橐类中心所具有的特征优势不同,导致对距离的贡献也不同,更具合理性,使得聚类效果更好,分类更清晰,改进数据预处理的方法。4数据仿真结果将200个二维数据分为三类。使用了两种方法,本文提出的改进的模糊聚类算法(引入了模糊加权因子),结果见图2;经典的模糊C-均值聚类算法6,结果见图3对比聚类效果图如通过对比两种算法的效果图可以看出:图图3FCM聚类效果图2是改进后的模糊聚类算法(引入了模糊加权刈比目标函数曲线如下因子)的效果图,聚类效果比图3经典的模糊C均值聚类算法更好,数据点更集中,有若干点集中在聚类中心上。我们可以看右下角的数据点,改进后的模糊聚类算法将紫色的点和蓝色的点能清楚的分开,两个类之间的界限很明显而模糊C-均值算法分类的程度就不是很清晰,分别属于两个类的绿色的点和紫色的点几乎重合,可见类与类之问划分不清晰。图4改进算法后的目标函数图图2改进算法后的聚类效杲图喷笔签义,引入了重要参数-模糊加权因子,模糊加权因子的引入,使得数据空间中各数据点所具有的特大连大学学征优势不同,导致对距离的贡献也不同,这是两种距离定义方法的根本区别之处。并且用数据仿真验证了这种改进了的模糊聚类算法比原来的算法聚类更有效,分类更清晰,速度快。参考文献O一0年第五期[l} Timothy J.Ros.模糊逻辑及其工栏应用[M].北京:电子工业出版社,20032]鲁宇,范希鲁.模糊加权距离及其合理性讨论[J].北方交通大学学报,1990(2)[3]王士同、神经模糊系统及其应用[M].北京:北京航天航空大学出版社,1998(6)图5FCM目标函数图T 4 1 Kazutaka Umuyaharu, Saclaaki MiyarIulo and Yoshiteru图4的是改进算法后的目标函数图(引入模糊Nakamori, Formulations of Fuzzy Clustering for Categorical加权因子),图5是经典的模糊C-均值算法目Data, International Journal of Innovative ComputingInformation and Control(lICIC), vol 1, no, 1, pp 83标函数图。可以看出图4的函数曲线比图5的函94,2005(3)数曲线更加平滑,收敛速度快。[5 Hugang Han, Information System with Fuzzy Weights5结论Intermational Journal of Innovative Computing, Information本文讨论的是对模糊C-均值聚类算法的改and Control JICIC ) vol. 2, no 3, pp 553-565, 2006进,在原有的模糊C-均值算法的基础上,用一种6]吴晓莉,林哲辉.MAⅣLAB埔助模湖系统设计[M.西安:新的定义距离的方法替代欧氏空间中距离的定西安电子科技大学出版社,2002.Improvement of the Fuzzy C-Means Clustering AlgorithmWANG Ying-jie Wang, BAI Feng-bo, WANG Jin-hui(1. College of Information Engineering, Dalian University, Dalian, 116622, China2. MSPD, HiSoft Technology Intemational Ltd., Beijing, 100074, China3. Beijing Electromechanical Engineering Insitute, Beijing, 100074, ChinaAbstract: An improvement algorithm about the fuzzy c-means clustering algorithm is discussed in this paper. Basedon original fuzzy c -rneans clustering algorithm, the improvement algorithm uses a new way of defining distance todisplace the distance in Euclidean space. Experimental results show that the improvement algorithm is better thanal algurithm and the classification is clearer than original algKey words Fuzzy c-means algorithm; Fuzzy weighted distance; Fuzzy weighted factor
- 2020-12-07下载
- 积分：1
