结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法

摘要

本发明公开了一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法。利用模糊聚类方法在多尺度分解的低频图像上提取灰度信息，并通过马尔科夫随机场模型的单点基团势能函数综合该灰度信息进行图像分割，提高了对图像噪声的抗干扰能力。本发明充分利用了图像自身包含的灰度信息和各相邻像素之间的空间信息，信息利用更充分，使得最终的图像分割性能得到提高。

主权项

一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法，其特征在于，包括以下步骤:1)获取所述脑组织MRI图像，对每一层逐一进行处理；2)设定模糊聚类方法：模糊聚类通过最小化式(1)中的目标函数J(U,V)，得到隶属度矩阵U＝{u_ij}；$J(U,V)=\underset{i=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{c}{\Sigma }}{u}_{ij}^m{d}^2(x_i,v_j),U=\left\{u_{ij}\right\},V=\left\{v_j\right\}---\left(1\right)$式中，X＝{x₁,x₂,...,x_N}为图像所有像素组成的数据集，c为聚类的类别数，u_ij是x_i属于第j(j＝1,2,...,c)个类别的隶属度，m是权重指数，v_j是类别j的中心，d²(x_i,v_j)是x_i到v_j的距离，N为自然数。3)以步骤1)获得的其中一层脑组织图像I作为输入，通过步骤2)所述方法进行模糊聚类，获得图像中的每一个像素属于各组织类别的隶属度矩阵U₁；4)对所述的脑组织图像I进行多尺度分解，得到其低频图像，以该低频图像作为输入，通过步骤2)所述方法进行模糊聚类，获得低频图像在各个像素点位置上属于各组织类别的隶属度矩阵U₂；5)定义马尔科夫随机场模型：其中：单点基团势能函数为μ(i,j)、μ_filtered(i,j)分别为U₁和U₂第(i,j)个元素，x_i为当前像素，v_j是类别j的模糊聚类中心；双点基团势能函数为：N_i为i的邻域集合，d_ij为在隶属度矩阵中i到类别j的距离，其中δ(i,i′)定义为：L_i为i的类别标签；abs()为计算绝对值；i′∈N_i，L_i′为i′处的类别标签，x_i′为i′处的图像灰度值；最终势能函数为单点基团函数与双点基团函数之和。6)利用迭代条件模型算法求解马尔科夫随机场模型，从最终解即可得到对该层MRI图像中各脑组织的分割结果。