基于模糊熵的多目標CT圖像自動分割方法研究.pdf

1、圖像分割是大多數(shù)醫(yī)學(xué)圖像處理系統(tǒng)中關(guān)鍵的一步，可用于圖像中不同目標的可視化。大多數(shù)的圖像分割算法得到的結(jié)果都是二值圖像或是前景和背景圖像。這樣的結(jié)果在一些圖像處理運用中是可以接受的，如在文件處理和光學(xué)特征識別系統(tǒng)中；但是在應(yīng)用到需要得到醫(yī)學(xué)圖像中多個器官或組織的解剖特征時就不能令人滿意。本論文在研究國內(nèi)外相關(guān)算法的過程中，發(fā)現(xiàn)采用快速算法的方法雖然解決了計算耗時的問題，但是大多有運算結(jié)果不穩(wěn)定的缺點；為了解決多目標分割中運算速度的提高與

2、運算結(jié)果不穩(wěn)定的矛盾，提出了兩種方法： (1)基于最小模糊熵的多目標CT圖像自動分割方法：利用迭代公式以及圖像的直方圖來計算出每個模糊子集的隸屬函數(shù)中指數(shù)參數(shù)的值以及閾值的搜索范圍，然后在已確定的搜索范圍內(nèi)用窮舉法搜索出能使模糊熵最小的最佳閾值。本方法為了改變兩個模糊子集隸屬函數(shù)交點的隸屬度，重新定義了GBMF隸屬函數(shù)中參數(shù)的關(guān)系。實驗表明當隸屬函數(shù)中新的參數(shù)取適當?shù)闹禃r，能得到較好的分割結(jié)果，但是多少為最合適，仍需要進一步的研

3、究。 (2)基于概率配分和最大模糊熵的多目標CT圖像自動分割方法：根據(jù)模糊聚類和概率配分之間的關(guān)系，以及模糊熵有最大值的必要條件，從而得到各類的概率配分，因此在搜索閾值組合時，先搜索滿足各類概率配分的閾值，然后從這些閾值中搜索使模糊熵最大的閾值。在傳統(tǒng)的梯度隸屬函數(shù)中限制了參數(shù)的搜索范圍。因此本方法在改變隸屬函數(shù)參數(shù)所需滿足的條件基礎(chǔ)上，重新定義了隸屬函數(shù)，這使得每一個灰度級都有屬于三類情況，實驗表明這樣定義參數(shù)所需滿足的條件更