自适应加权空间信息的FCM医学图像分割

摘 要: 提出了改进的mFCM算法，该算法引入自适应加权系数控制邻域像素对中心像素的影响程度，充分利用像素的邻域特性对Chen聚类算法的目标函数进行改进。为了实现快速聚类，该算法的开始使用快速FCM确定初始聚类中心。实验结果表明，相对于标准FCM和FCM_S1算法，改进算法既能快速有效地分割图像，又能提高对噪声的鲁棒性。
关键词： FCM；空间信息；医学图像分割

医学图像分割是医学图像分析、处理等的关键技术[1-2]，它是医学图像处理中极为重要的内容之一，是实现图像测量、配准、融合以及三维重建的基础，在临床诊断中也起着越来越重要的作用，分割的准确性直接影响后续任务的有效性。 FCM(Fuzzy C-Means)对模糊特征具有很强的鲁棒性[3-4]，而且比硬分割能保留更多的信息。虽然传统的FCM算法在无噪声或噪声很低的图像分割中得到好的分割效果，但由于它只考虑了图像像素的灰度信息，未利用图像像素的空间信息，从而使得该算法对噪声很敏感。
近年来很多研究者在考虑像素空间信息的前提下，通过修改标准FCM聚类算法的目标函数或者隶属度函数使得图像分割的性能大大提高[5-6]。参考文献[6]通过引入一个均值滤波图像对标准FCM算法的目标函数进行修改，提高了在分割带有噪声图像时的性能，并已成功应用到MRI数据的分割中。然而，在计算中心像素的平均灰度值时,邻域内每个像素对中心像素的影响程度不同，邻域某像素与中心像素值差异性过大，则表明该邻域像素是噪声的可能性较大。
本文提出的算法MFCM(Modified Fuzzy C-Means)通过引入一个自适应加权系数，自动控制邻域像素对中心像素的影响程度，从而确定中心像素的灰度值，而不仅仅是求邻域均值。该算法的开始用FFCM确定初始聚类中心[7]，收敛速度大大提高。试验结果表明，该算法相当有效，对噪声具有很强的抑制能力。




然而，通常情况下，在计算中心像素的灰度平均值时，邻域像素对中心像素的影响程度不同，当邻域某像素与中心像素差异较大时，表明该邻域像素是噪声的可能性更大。为了区别邻域像素对中心像素的不同影响度，本文引入自适应加权系数AWC(Adaptive Weighted Coefficient)对原始图像进行滤波，从而改进了均值滤波丢失边缘信息和细节模糊的缺点；同时,由于充分利用了空间信息，提高了对噪声的抑制能力。自适应加权均值滤波实现描述如下：