《医学图像分割算法的改进与GUI程序设计》17000字论文

医学图像分割算法的改进与GUI程序设计目录摘要………………51.绪论………………61.1图像分割……………………61.2医学图像分割………………61.3图像特征与图像配准………61.4论文的主要工作和组织安排……………72.目前主要的图像分割算法………82.1图像分割及其数学表达式………………82.2图像分割算法分类………82.2.1基于边界的图像分割算法………82.2.2基于区域的图像分割算法………92.2.3基于边界和区域两者混合的方法………………102.2.4基于特定理论的分割方法………102.3医学图像分割方法性能评价……………113.基于约束和偏场模型的改进模糊聚类算法……………133.1模糊集及模糊聚类算法…………………133.1.1模糊集的引入……………………133.1.2模糊集的概念……………………133.1.3聚类与模糊聚类…………………133.1.4K-means算法……………………143.1.5基于模糊C均值聚类分割的算法原理…………163.2基于约束和偏场模型的模糊聚类算法…………………173.2.1新算法的目标函数………………173.2.2参数的估计………183.2.3算法的初始化……………………193.2.4递归优化算法……………………203.2.5算法流程图………204.GUI程序设计和实验结果………224.1GUI程序设计……………224.1.1相关程序代码……………………234.1.2实验操作步骤……………………264.2实验数据和实验结果……………………264.2.1实验数据…………264.2.2实验结果…………264.3实验结果和评测…………294.4讨论和总结………………29参考文献……………32摘要：图像分割的方针是根据像素相似性准则来将图像分成许多个特定的、具备独有性质的不重叠区域，从而提取出我们需要的目标。医学图像分割作为图像分割在医学影像中的应用，对于医学图像的分析起着举足轻重的作用。本文提出并实现了一种具有空间约束项的模糊聚类分割算法，并应用于对脑部MR图像的白质、灰质以及脑脊液的分割。本文算法引入像素标记空间一致性约束来消弱噪声的不利影响，同时引入基于多项式的偏场模型来克服MR图像偏场的负面影响，提高了本文算法的鲁棒性和分割结果的准确度。实验结果表明本文算法不仅保留了FCM算法的速度快的特点，而且其对强噪声和大偏场MR脑部图像的分割结果依然有较高的准确度。关键词:图像分割；模糊聚类；FCM算法；MR图像；脑组织1绪论1.1图像分割图像分割就是将一个大的图像分成许多个互不堆叠的小的图像,使得同一个小图像内的特征拥有一定的相似性,不同小图像的特征出现较为突出的差异。从繁杂的背景中提取出人们所需要的目标来进行后续分析是图像分割的实质REF_Ref570\r\h[1]。而医学图像分割是医学图像处理以及分析的前提，并且一直备受关注,分割的算法也多种多样(张逸凡,周紫晴,2022)。在这一状况里之所以医学图像分割发展到如今仍旧具有很大的进步空间，其中一个重要原因就是因为医学图像的多样性和复杂性(潘奕凡,朱可欣,2023)。再加上各种噪声（高斯噪声、椒盐噪声等）、偏移场效应和部分容积效应的影响，这些影响就使得使用分割算法后得不到想要的结果(魏琪琳,邵宇翔,2021)REF_Ref244\r\h[3]。在当今世界，图像分割的应用非常广泛。在医学影像的分析、气象预测、交通控制等很多与人们生活息息相关的领域，都有图像分割的身影，并且做出了一定的贡献(李高,张芸,2023)。1.2医学图像分割作为图像分割的一个分支，也是极为重要的一个分支，医学图像分割不仅扩大了图像分割的领域，而且为医学事业的蓬勃发展贡献了不小的力量。医学图像分割就是把医学图像根据如亮度、颜色、纹理等医学图像相似性特征分割成多个互不连通的区域的过程(王晨曦,周瑶瑶,2022)。目前，围绕这种局面展开临床医学越来越依赖各种模态的医学图像提供的信息，从医学图像中获得相关的诊断信息和医学信息必须依靠图像分割。医学图像技术的发展在可视化、三维重建等其它领域也发挥了非常重要的作用(赵心怡,李宇昕,2020)。随着科学技术和相关学科的快速发展，从这些数据可以明显看出诸如医院等医疗机构在疾病诊断和手术计划制定等方面的相关关键信息主要依靠此类图像模式的医学图像来获得。尽管图像经过分割后，不同的区域拥有不同的属性，但是分割出的区域还是存在内部联系(刘瑞琳,陈云霞,2021)REF_Ref737\r\h[14]REF_Ref459\r\h[15]。1.3图像特征图像特征主要包括图像的纹理特征、颜色特征、形状特征以及空间关系特征。颜色特征和纹理特征都是全局特征(周杰伦,杨星雨,2023)。从这些信息可以看出纹理特征用来描述图像本身或者图像区域对应的场景的表面属性，颜色特征用来描绘图像区域或图像本身所对应场景的表面属性。形状特征有两种表示方法:轮廓特征和区域特征。纹理特征不同于颜色特征之处在于纹理特征不是基于像素点的，依据目前的结果我们可以推断出而颜色特征却具有这种属性。纹理特征需要在包含多个像素的区域内进行统计计算(张静怡,赵天宇,2022)REF_Ref15249\r\h[16]。以上结果在一定程度上引证了本文先前构建的理论模型。首先已有的研究结果分析与理论预测保持了较高的一致性，验证了理论框架中中提出的机制的有效性。具体而言，通过研究发现关键变量之间的相关性及趋势与模型预测相吻合，这不仅增强了理论框架的可信度，也为进一步探索该领域内的复杂关系提供了实证基础。其次结果的符合性表明，理论模型中所考虑的影响因素和它们之间的相互作用是合理的，这对于理解研究现象的本质具有重要意义。所谓特征矢量，就是将多个图像特征串起来构成一个矢量，这个矢量就称为特征矢量。图像配准我们使用特征法(陈瑶瑶,王彦君,2020)。我们首先对待配准图像进行预处理操作，其中预处理过程便是图像分割和特征提取这两个过程，其次利用提取得到的相应特征来完成两幅图像之间的特征匹配工作，融合过往成果可推导出新结论并通过得到的特征匹配关系建立起两幅图像之间的配准映射关系。之所以存在各种基于特征的方法，是因为图像中有许多可用的特征(李雨轩,邓晓璇,2021)REF_Ref802\r\h[11]。1.4论文的主要工作和组织安排本文主要研究课题为基于约束聚类的医学图像分割，是基于FCM算法[8]的改进算法。本文采用Matlab的图形用户接口（GUI）框架编写并实现了基于本文分割算法的程序。本文一共分为四章，各章节的主要内容如下：第一章为绪论部分，主要介绍了什么是图像分割、医学图像分割及其重要性和图像特征。第二章主要介绍了目前主要的图像分割算法，因应这情况的发展包括基于边界的图像分割算法和基于区域的图像分割算法以及基于特定理论的图像分割算法等[1]。第三章主要阐述了什么是聚类算法和模糊聚类算法，并且详细介绍基于约束聚类和多项式偏场模型的改进FCM算法。第四章主要阐述了实现本文算法的GUI程序设计，以及相关的实验数据、实验步骤和和实验结果。对实验结果进行分析和评测，并进行讨论和总结。2目前主要的图像分割算法2.1图像分割及其数学表达式图像分割已经广泛应用于各个领域，比如机器视觉、人脸识别等，其中，图像分割在医学影像中的应用最为广泛(赵心瑜,王凯文,2022)REF_Ref737\r\h[14]。在这种局面下考量所谓图像分割，其实就是我们感兴趣的目标被提取出来的过程，或者说将图像分割成各具特性的区域使得在同一区域中的元素的相似度最大，不同区域之间的相似度最小(周依娜,刘天宇,2023)。一直以来，在这种情况框架下不同的人对图像分割的定义有不同的理解。我们根据集合的相关概念，赋予了图像分割较为正式的定义(杨思琪,陈泽宇,2020)REF_Ref570\r\h[1]。令集合R表示整个图像区域，对R进行的分割可以视为将R分成N个满足如下五个条件的非空子集（子区域）R1,R2，...，i=1NRi∀i,j,i≠j，有Ri∩Rj=对于i=1,2，...，N，在这一状况里有P(Ri对于i≠j，有P（Ri∪RRi是一个相连通的区域，∀其中，∅表示空集，P（Ri）是对位于子区域R一般而言，分割区域内不规则边缘和大量空白的产生，大多源于对待分割区域均匀性约束的增强。但如果过分注重分割后不同区域间的差异，将会导致不同质的区域合并以及部分感兴趣边界的丢失(李建华,王梓馨,2023)REF_Ref570\r\h[1]REF_Ref244\r\h[3]。2.2图像分割算法分类目前，国内外图像分割的算法层出不穷，本文将主要的分割方法分为以下四类：基于边界的分割方法，在此情境之下基于区域的分割方法，基于边界和区域两者混合的方法以及基于特定理论的分割方法REF_Ref570\r\h[1]。以下是各类算法的详细讲述(黄佳怡,刘志轩,2022)。2.2.1基于边界的图像分割算法基于边缘检测的图像分割算法，其基本思想是先确定好图像中的边缘像素，然后再将这些像素连接，就构成所需要的区域边界。以下为常见的几种方法。边缘检测算法图像最基本的特征之一便是图像的边缘，而图像分割算法中使用最早的就是基于边缘的分割算法。围绕这种局面展开所谓图像边沿，即表现为图像中一个区域的闭幕和另一个区域的开始，图像中相邻区域之间的像素集合构成了图像的边缘(赵佳怡,孙俊杰,2020)REF_Ref570\r\h[1]。很多时候，我们使用边缘检测算法是因为该算法边缘定位非常准确，并且算法速度快，然而该算法也有优点，以此为前提就是不能保证边缘的连续性和封闭性且在高细节区域存在大量的碎边缘，但是又不能够将高细节区域分成小碎片(周诗,李高峰,2021)；也由于此，边缘检测只能产生边缘点，而非完整意义上的图像语义分割过程。2）基于水平集的分割方法水平集是一种几何形变模型。水平集方法的广泛应用得益于界面传播等研究的发展，这是一种用来处理封闭运动界面的方法。从这些数据可以明显看出通过思考一些流体中的重要思想,1988年,Sethian和Osher首次演示了水平集算法，这种算法能够有效解决曲线演化等问题(邓月婷,陈俊杰,2023)。并且作为一种数值方法,具有更大的普适性，能够适应任意维数的空间，同时也具备计算稳定等优点，这些年来，此算法在图像处理等领域已经得到了广泛应用。水平集的基本思想是将运动的界面视为零水平集，再将其嵌入更高维数的水平集函数之内(王子安,黄怡然,2020)。从这些信息可以看出这样一来，就可以从闭超曲面的演化方程进一步得到水平集函数的演化方程，又因为它的零水平集一直都是以嵌入的闭合曲面呈现，最后，零水平集就确定了，也就相应地确定了运动界面的演化结果REF_Ref570\r\h[1]REF_Ref16226\r\h[17]。2.2.2基于区域的图像分割算法基于区域的图像分割算法是比较常用的一类图像分割算法，作为一种分割技术，该算法以直接探寻区域为基础，依据目前的结果我们可以推断出其中包含两种基本形式：一种是区域生长，即从每一个像素入手，一步步归并，逐步形成需要的分割区域；还有一种则是从全局开始一步步切割，直至得到所需的分割区域。主要的分割算法包括如下几种(李明阳,张艺琳,2021)：1）阈值分割作为一种较为常见的并行分割方法，在使用阈值分割前，必须固定一个灰度值，也称“阈值”，融合过往成果可推导出新结论它是用来区分不同类别的。通常将灰度值大于阈值的全部像素作为一类，再将小于阈值的所有像素归为另一类。阈值分割方法实则是如下变换：数学公式：此中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。由此可知，确定阈值是阈值分割算法中最为关键的一步，假如我们能够选定一个恰当的阈值，我们就能够将图像准确地分割开来(周佳琦,王子杰,2022)。阈值确定后，将阈值与像素点的灰度值逐个进行比较，在这种局面下考量从而就能对图像进行分割。我们使用阈值分割算法主要是因为它操作简单，当不同组织与结构之间存在强烈对比的时候，我们可以获得更好的效果；然而该算法的缺点也很明显，在以下三种情况下就很难得到准确的结果：背景与目标的灰度值具有较大部分的重叠、目标之间灰度差别不显著以及背景与目标之间区别很小。除此之外，它对噪声还特别敏感(张俊杰,杨瑞婷,2020)REF_Ref570\r\h[1]。区域生长法根据前文提到的图像相似性准则，在这种情况框架下可以将基于区域的分割方法，划分为各种不同的种类，而区域生长法是区域分割法中常用的一种图像处理方法，它是根据某一种事先定义好的法则将各子区或者其他像素聚合成一个更大区域的一种图像处理方法REF_Ref16951\r\h[18]。2.2.3基于边界和区域两者混合的方法该方法是将基于区域和基于边界的两种不同方法相混合，取两者之优势，避免其劣势REF_Ref1305\r\h[4]。本文对该方法研究力度不大，在这一状况里因此不做过多描述(赵睿琳,周艺文,2023)。2.2.4基于特定理论的分割方法图像分割到目前为止还没有具有普适性的自身理论。随着科学的发展，技术的进步，各个领域也相继提出了不同的方法和理论，因此导致许多与部分特定方法和理论相结合的图像分割方法应运而生。这一结果与已有的文献结论大致相同，这也验证了前期研究中所提出的构思，从而进一步巩固了本文对该现象本质的认识。这一发现不仅为学术讨论提供了新的证据支持，还为实践领域提供了可依赖的理论依据。它促使本文重新审视现有的理论模型，思考如何通过细微调整或创新来增强模型的解释力和预测精度。当前图像分割技术主要坚持将新的方法以及新的概念作为研究发展的方向，在此情境之下将其逐步引入到图像分割领域之中去，其中尤其注重对数学领域相关新方法的引入(李泽民,刘雪娜,2021)REF_Ref1348\r\h[12]。1）基于统计学的分割方法统计学的研究方法主要是以数字图像为对象，从统计学视角出发，进行一系列建模，我们将图像包含各个像素点的灰度值视为随机变量，其拥有一定的概率分布。作为比较流行也较为常用的医学图像分割方法，围绕这种局面展开基于统计学的分割方法中，统计方法使用最频繁的是马尔可夫随机场（Markovrandomfiled,MRF）模型算法。MRF模型被广泛应用于遭到噪声破坏图像的分割、恢复以及纹理分析等(刘海涛,张琪琳,2022)。参数估计是该方法被广泛应用之前必须解决的一个重要问题。必须选择正确的参数估计方法和优化计算方法，从这些数据可以明显看出以保证估计的正确性和收敛的快速性。MRF的算法的不足是不仅不能有效地处理图像的模糊性而且还有过分割现象(黄婷玉,李明杰,2023)REF_Ref244\r\h[3]REF_Ref1305\r\h[4]REF_Ref18433\r\h[19]。2）基于遗传算法的分割方法遗传算法采用的是非遍历寻优搜索策略，是一种简单的、具有广泛适用性和鲁棒性、并且适用于并行处理的搜索方法。从这些信息可以看出参数会首先集中进行编码形成个体，该算法在搜索过程中将直接作用于这些个体，而非作用于变量，由此可以利用这种方法对图像进行直接处理(杨家瑶,王雪,2020)。在后续的研究中会对已有的研究成果进一步从不同的角度进行优化，会致力于开发新的技术方法和工具，以提升数据收集、处理和分析的效率与准确性。通过引入前沿的科技手段，如人工智能、大数据处理等，本文期望能够更深入地挖掘数据中的隐藏信息，为研究提供更为坚实的实证基础。整个搜索过程中能够同时处理不同群体，而各个群体中又含有不同的个体，依据目前的结果我们可以推断出这是一个从一组解迭代到另一组解的过程，这样处理能够有效避免陷入局部最优，而且易于并行化处理(邓子赫,陈怡彤,2021)。这种算法的优点是易于进行全局搜索，缺点便是与之相对应的在局部搜索能力上存在很多不足，因此在医学图像分割中经常会将其它算法与遗传算法相结合（第三章将会提到）REF_Ref570\r\h[1]REF_Ref244\r\h[3]REF_Ref1305\r\h[4]。3）基于模糊集理论的分割方法本文研究的重点就是基于模糊聚类的图像分割方法。由于医学处理的图像具有不均匀和模糊等特征，所以很难准确划分图像中的各个区域，基于模糊集理论的方法也就应运而生(赵雨琪,刘健宇,2022)。融合过往成果可推导出新结论模糊技术是建立在模糊集理论之上的，对噪声不具备敏感性，并且对于三维图像固有的模糊性还能处理得当。对于主要研究的物体，用0到1间的一个隶属度值来衡量目标图像中像素隶属于该物体的具体程度，越接近于0，表明隶属度越小，越接近于1，因应这情况的发展表明隶属度越大。从而能够细致地刻画图像具有的模糊性，对于医学图像中常见的不确定性问题具有较强的实操性REF_Ref244\r\h[3]REF_Ref1609\r\h[6]。在模糊聚类技术中，使用最为广泛的是模糊C-均值（FCM）聚类技术，FCM算法是一种无监督学习算法，在这种局面下考量所谓无监督学习算法，是指在聚类算法过程中无需人为因素的参与，在这种情况框架下因此它更为适合自动化处理(张璇子,王雪宁,2023)REF_Ref244\r\h[3]。FCM算法的优势主要在以下两个方面，其一是FCM算法能更有效的处理噪声、部分容积效应、模糊性图像等相关问题；其二在于它属于无监督类型的模糊聚类分割算法(周瑞文,李一凡,2020)。FCM算法容易受到初始值选定的影响这一固有缺点，如果初始值选取存在问题，在这一状况里一方面将会极大的影响算法收敛速度，另一方面可能会使算法收敛到局部图像的极小点，直接导致最终分割结果不理想。传统的FCM算法在处理退化图像和分割噪声图像这两方面存在很大的不足，在此情境之下因此，如何改进FCM算法来使其能够合理地利用空间信息就成为了当前的一个研究热点(冯凡,陈思琪,2021)。目前，在FCM的基础上，又产生了如快速FCM算法（FFCM）、FCM-Chen算法等改进算法REF_Ref570\r\h[1]。2.3医学图像分割方法性能评价除了前面介绍的图像分割算法，图像分割算法还有很多种，尤其是灰度图像的分割算法更是数不胜数。算法有很多，但也各有其优缺点。目前图像处理算法面临的一大难题便是如何准确评价算法的好坏。对某一医学图像分割算法很难给出客观的、系统的、定量的评价(黄欣怡,李俊杰,2022)。以此为前提究其原因，主要存在以下两个问题：①不同的组织或者器官以及不同的成像模式（CT/MRI/PET等）所得到的医学图像的特点差别很大，②当不同的医学图像专家，拿到相同的医学图像时，也极有可能会得到不同的图像分割结果，从这些数据可以明显看出分割结果存在很大的人为因素在里面。介于以上两点，很难对图像处理算法是好是坏这一事实进行定性判断，从这些信息可以看出也难以作出客观公正的评价(赵瑞彤,周雪怡,2023)REF_Ref1762\r\h[7]。图像分割评价是以优化分割为目的，通过对图像分割算法各方面性能进行研究，一方面分割评价对研究新技术具有很强的指导意义，另一方面也能够不断提高算法的相关性能(邓欣妍,刘雅婷,2020)。一般，依据目前的结果我们可以推断出我们要求评价方法应该具有以下几点要求：①评价方法应该具有通用性，即分割评价在不同的应用领域以及不同类型的分割算法中都具有适用性。从上可以可以看出该方案相比于其他方案具有更好的性价比，同时在操作简便性和用户体验方面也有显著提升。这不仅有助于缩短项目周期，还能降低培训成本和用户适应新系统的时间，从而更快地实现投资回报。②能够采取客观、定量等性能进行评价，所谓客观是指尽量避免人为因素的干扰，融合过往成果可推导出新结论定量是指可以利用相应数据准确描述该算法的相关性能。③测试过程中应当选取通用图像使评价结果具有可比性，并且选取的图像能够尽可能的具有实际应用价值和反映客观真实的世界(张天宇,王雯欣,2021)REF_Ref14441\r\h[20]。除此之外，图像分割算法也应当具有固定的评估准则，因应这情况的发展也称评估指标或者测度。本文使用的测度就为Dice测度（详细见第四章）REF_Ref1824\r\h[10]。3基于约束和偏场模型的改进模糊聚类算法3.1模糊集及模糊聚类算法3.1.1模糊集的引入在现实生活中充满了不确定、含糊的信息，在1965年，模糊集合这一理论首先是由L.A.zadeh（扎德）教授提出，模糊理论就是在模糊集合理论的数学基础之上发展起来的[13]。早在20世纪20年代，在这种局面下考量著名数学家B.Russell就写过一篇关于“含糊性”的文章(李雅琳,杨智博,2022)。在他的文章中强调一切自然语言都是含糊其辞的，比如“年轻的”和“暖和的”等概念并没有给出明确的外延与内涵，因而便是模糊和不确定的。但是在一些特定的语境之中，人们又能很轻易的理解这个词所描绘的具体内容，很少会引发歧义(赵晨曦,陈怡琳,2023)。在这种情况框架下无独有偶，在1965年，来自美国加州大学的L.A.Zadeh教授也写了一篇十分著名的文章，文章首次赋予了表示事物之间具有模糊性这一特征的名词：隶属函数，这篇论文的发表也突破了19世纪末流行的经典集合理论,在这一状况里为后世模糊理论的进一步发展奠定了坚实基础[6]。后来采用隶属度函数这一指标来衡量事物模糊的程度，进一步引入隶属度，就正式标志着模糊数学诞生了(黄一,李若馨,2020)[1]。3.1.2模糊集的概念经典集合理论中，集合A可以由其特征函数确定且唯一：（3-1）即x∈A和x∉A有且仅有一个成立。在此情境之下为了更好地刻画模糊现象和将普通集合里面的函数更容易地扩展到模糊集里面的隶属度函数，我们要将离散的两点{0,1}扩展到连续区间[0,1]。隶属度函数定义：设X为论域，μA是将任意一个x∈X映射为[0,1]上某一确定数值的函数，即μAx→μA则将μA定义为在X上的隶属度函数，围绕这种局面展开由μA(x)所构成的集合A，被称为X上的模糊集，μ由以上定义可以可看出，模糊集A可以完全被隶属函数所刻画，隶属函数μA将X中的任意元素x都映射为[0,1]上的一个值μA(x)，用以表示该元素隶属于A的程度大小，该值越接近于1，以此为前提就表明属于A的程度越高(邓梓昕,周建宏,2021)。当μA(x)3.1.3聚类与模糊聚类在图像处理中，聚类这一概念是按照像素所具有的特有属性，，聚成若干个类别，使得不同类像素彼此区分，而同一类像素具有相似性，因为聚类思想与医学图像分割的思想基本保持一致，从这些数据可以明显看出所以聚类也同样适用于图像分割(赵婷怡,刘文洁,2023)。之所以要引入模糊集合理论来进一步研究图像分割中存在的不确定问题，是因为图像本身存在模糊性以及不确定性，并且为了得到更为精准的结果，使其具有内部的必然性与合理性。一般而言，聚类可以分为两种(冯雅莉,陈天,2020)：硬聚类和软聚类。在硬聚类的算法体系内，像素对类的隶属度是非此即彼的关系，从这些信息可以看出即不是0就是1，也即属于时为1，不属于时为0，特定像素只能归为其中一个类别，硬聚类典型的代表就是K-means算法等。但是由于该算法并没有考虑到各个领域特有的信息，所以会使得分割结果不是十分准确，在应用上存在一定问题(李瑞婷,张玉婷,2021)。依据目前的结果我们可以推断出另一类是软聚类，软聚类就是在硬聚类的基础之上引入了模糊的概念，使得算法拥有了柔的特性。在软聚类中，使用最多的便是模糊聚类的分割方法。融合过往成果可推导出新结论模糊属性这一理论的提出极大地改善了硬聚类中现存的问题，它的推广也能够相应的解决硬聚类所不能解决的部分问题(周佳怡,王泽宇,2022)。在优化设计的过程中，特别关注了成本效益和方案的广泛适用性，因此与初始版本相比，在多个维度上进行了改良。首先，通过去除冗余步骤、选用更经济有效的策略，显著降低了执行费用，使方案更为实惠。此外，为了提升其普及潜力，设计方案时充分考量了各地不同环境的需求，确保该方案在各种情况下都能平稳运作，并且方便他人借鉴实施。关于图像，在软划分中，各个像素隶属于0和1之间的类别中，这也展现出软聚类不再是非此即彼，而是亦此亦彼的特征，越接近0，对该类的隶属度越小，越接近1，因应这情况的发展对该类的隶属度越大，但是值得注意的是像素点所有类别的隶属度加总是1(黄芝和,李俊宇,2023)。模糊聚类方法自引入隶属度这一概念以来，便拥有了柔性，因此在采用模糊聚类方法的时候，不仅能够使得其对图像的分割效果优于硬聚类，而且能够有效解决图像不确定与模糊性等问题(邓晨希,张怡君,2020)。模糊聚类方法中比较实用并且常用的方法是FCM算法，用FCM算法分割图像时，在这种局面下考量在图像分割中融入模糊理论，图像的原始信息就能被较多的保留下来，获得更好的分割效果[6]。3.1.4K-means聚类算法在前面讲到，K-means算法是硬聚类算法中最具代表性的算法。K-means操作简便以及效率相对来说比较高，在这种情况框架下这也是它能在聚类算法中得到广泛应用的一大原因(赵晓婷,周文鑫,2021)。K-means算法的基本思想是以样本之间的欧式距离作为相似性准则。我们把样本集合分为了K个类，在这一状况里尽量减小这K个类在同一类中的样本距离，使其紧密连接，同时又能保障在不同类别中的样本之间的距离保持较大[6]。means算法的操作如下所示：首先选取K个聚类中心，然后根据距离最近原则将数据对象划分到聚类中心，划分完所有数据过后，会聚集K个类，然后以现有对象为依据，逐步更新聚类中心，在此情境之下就会得到新的K个聚类中心，然后重复以上操作，直到聚类中心变化幅度很小甚至不发生变动或者达到了我们预先设置的迭代次数为止。聚类的目标是最小化目标函数，即各类的聚类平方和最小，给出目标函数如下：（3-2）其中，k表示一共有k个数据簇，x是数据簇中对应的数据，是数据簇中的均值向量。这个函数展现了簇类样本围绕簇均值向量呈现出的紧密程度，J值越小，表示簇类样本存在更高的相似性，因此只要将该函数最小化，便能得到最优的分类结果(刘雅,王若琪,2022)[6]。结合拉格朗日原理与最小二乘法，以此为前提可以得出聚类中心是各自对应类别中数据点的平均值，同时为了达到算法收敛这一目的，在迭代过程中，我们要使得最终的聚类中心尽量保持在稳定水平。我们将K-means算法步骤化和图像化，从这些数据可以明显看出分为如下四个步骤[6]：①首先随机选取K个聚类中心，作为初始聚类中心；②依据距离最近原则，从这些信息可以看出将所有的对象分配到相应的离它最近的那个聚类中心；③更新聚类中心，聚类中心采用各个类别中所有对象的均值，然后计算目标函数的值；④判断目标函数的值是否改变，依据目前的结果我们可以推断出若不变或者变化很小或者达到预先设定的迭代次数，则算法结束，否则返回②；以下为K-means算法的一个图像例子,见图（3-1）：图(3-1)上图a表达了初始的数据集，我们假设k=2，在图b中，融合过往成果可推导出新结论我们随机选取了两个聚类中心，然后根据距离最近原则将数据分割成两部分，获得图c，然后更新聚类中心，得图d，再次根据距离最近原则划分数据集，得图e，再次更新聚类中心，得图f，以此类推进行下去，因应这情况的发展知道聚类中心不发生改变或者变化很小时，结束算法，得到最终结果(魏琪琳,邵宇翔,2021)。此文采用了先前的设计理念来构建计算框架，并进行了适当的简化，旨在增强其实用价值和操作简便性。通过详细分析与评估现有方法，识别并去除了冗余复杂的步骤，优化了流程，从而形成了一种简洁高效的计算模型。这样做不仅减少了资源消耗，还缩短了处理周期，同时维持了原有性能，便于执行和普及，加入了多样的验证和质量控制机制。当然在实际K-Means算法中，我们一般会多次运行图c和图d，才能达到最终的比较优的类别。3.1.5基于模糊C均值聚类分割的算法原理在软聚类算法中，作为一种代表性算法，FCM算法是一种基于划分的聚类算法，它按照某一相似性原则，在这种局面下考量使得在同一类中的对象之间的相似度尽可能达到最大，分属不同类别中对象的相似度尽可能缩小(李高,张芸,2023)。FCM算法在硬聚类算法K-means算法的基础之上，进一步结合模糊理论，在这种情况框架下从而形成模糊聚类算法，它是一种软划分的聚类算法，而K-means算法是一种硬划分聚类算法[6]。FCM算法是基于目标函数的一种聚类算法，在这一状况里它通过不断迭代来更新隶属度函数和聚类中心，使得当目标函数最小时，完成目标图像分割[6]。目标函数：（3-3）其中，c为预设的聚类数目，表示X中每一个样本属于聚类i的隶属度函数，,i=1,2,c为每个聚类的聚类中心，2≤c≤N，m∈[1,∞)为聚类加权指数，用以控制数据划分过程存在的模糊程度，当m=1时，模糊聚类就会退化为硬C均值聚类。围绕这种局面展开相关研究显示，m=2是理想取值。表示第k个像素到第i个聚类中心的欧氏距离（欧几里得距离）。以此为前提其中，隶属度函数要满足如下关系式(王晨曦,周瑶瑶,2022)：（3-4）在隶属度函数满足上述关系式的情况下，从这些数据可以明显看出通过拉格朗日来得到聚类中心和隶属度函数的迭代更新公式，如下(赵心怡,李宇昕,2020)：（3-5）(3-6)FCM算法步骤如下：①初始化参数，随机初始化聚类中心，迭代次数l=0；；②由（3-5）式更新隶属度矩阵；③由（3-6）式更新聚类中心；④若||-||<Ԑ，则迭代终止，输出U和V；否则，令l=l+1，返回②；在FCM算法中，参数选择尤为重要，从这些信息可以看出尤其是聚类个数c和模糊参数m；一般来讲，聚类个数c要远小于其样本总数，融合过往成果可推导出新结论同时也要大于1；模糊参数m控制算法的柔性，不能太大也不能太小，如果m取太大，算法基本不具备聚类效果，如果m取太小，则很难区分HCM算法和FCM算法的效果，一般来说，我们将m设置为2会得到很好的聚类效果[1]。3.2基于约束和偏场模型的模糊聚类算法由于脑部MR图像分割过程主要是受噪声和图像偏场的影响，所以经典的模糊聚类算法对脑部MR是不能够提供优质的分割结果(刘瑞琳,陈云霞,2021)。鉴于此点，本文提出了基于模糊聚类的改进算法——带偏场校正和邻域约束的FCM图像分割算法。在该算法中，因应这情况的发展给出了一种新的分割目标函数，并且我们利用参数模型近似偏场和类似马氏随机场先验的标记值邻域约束来模拟脑组织分布的空间连续性。改进后的算法一是可以设置经验优化的初始值，在这种局面下考量二是能削弱噪声和偏场对分割的干扰，有效地克服了噪声和偏场的影响(周杰伦,杨星雨,2023)。本文介绍的数据处理方法相较于以往的技术显得更为简便且效果更佳。采用了一种直接了当的预处理步骤，该步骤避免了冗余的操作，优化了数据清理和标准化过程，从而显著提升了信息处理效率。这不仅加快了分析资料集的准备速度，还减少了复杂操作可能带来的错误。此外，经过对各种来源与类型的数据进行测试，证明了此方法的可靠性和稳定性。我们通过和现有的分割算法比较时发现，新的算法具有更高的精度和更快的分割速度REF_Ref25441\r\h[8]。3.2.1新算法的目标函数因为模糊聚类算法存在在分割时达不到预期效果的问题，所以偏场校正和邻域约束的模型就应运而生，新算法的思想是在该算法的目标函数中增加新的约束条件，运用邻域的分割结果对中心像素进行分析归类。在这种情况框架下与原始FCM算法的目标函数相比，新算法的目标函数还增加了第二项——像素模糊隶属度矢量约束项，作用是为了削弱噪声的影响。具体目标函数如下[8]：（3-7）其中：为参数模型表达的MR图像的偏场B，L为参数模型的基函数的个数，为像素j处的基函数的值，为待估计的模型参数，即基函数的系数；为像素j的邻域，||为像素j邻域的势，在这一状况里即像素j邻域像素的数目；为邻域约束的权重系数[9]，在我们的递归算法中是不变的(张静怡,赵天宇,2022)。3.2.2参数的估计在新算法的目标函数中，在此情境之下目标函数J的最小化和标准的FCM算法极其相似。我们通过对目标函数J分别对取偏导数，并置各自的偏导数为0，从而推导出使得目标函数J取得局部极值的必要不充分条件(陈瑶瑶,王彦君,2020)[8]。隶属度函数的估计新算法的约束优化用拉格朗日乘子L来解决[8]：（3-8）L对取偏导数，并令其偏导数为0，即：其中：，为了方便计算，围绕这种局面展开我们令q=2，解出上式得的估计为(李雨轩,邓晓璇,2021)：（3-9）其中：，。聚类中心的估计对L取的偏导数，并令该偏导数为0，即[8]：由此解得：（3-10）偏场B的估计以此为前提同前面一样，对L取的偏导数，并且置偏导数为0，如下[8]：（3-11）解上列方程组会得到的估计。为了更明确地表达，我们采用了矩阵的形式去表达，即(赵心瑜,王凯文,2022)：其中：，，，。在上面（3-11）式子中，估计参数的个数小于方程个数，因此方程（3-11）是过定的，从这些信息可以看出所以该方程的解是在最小平方意义下的最优解。我们用象素分割结果的抽样来快速估计偏场B的参数，这样估计偏场大大节省了时间，提高了算法的效率(周依娜,刘天宇,2023)[8]。3.2.3算法的初始化本文算法的初始化非常简单，具体步骤如下[8]：正则化图像象素灰度值到[0,1]区间。根据具体情况选择分割聚类数C，在脑部MR图像分割实验中，C=3。选择邻域形式，依据具体情况选择适当的邻域形式(杨思琪,陈泽宇,2020)。设置初始聚类中心，依据目前的结果我们可以推断出此聚类中心可以随机选取，本文将聚类中心设置为。选择偏场模型基函数形式和阶数，本文设置偏场初始函数。初始化隶属度函数矩阵计算灰度值与聚类中心得到的矩阵便是初始隶属度函数的矩阵。3.2.4递归优化算法本文新算法的步骤如下[8]：对新算法进行初始化设置最大迭代次数iter_max和一个标量值Ԑ>0令迭代次数iter=0用式对隶属度矩阵U进行更新用式对聚类中心进行更新用式更新偏场模型参数判断是否成立，若成立，则终止迭代，否则，iter=iter+1，重复（4）~（6）3.2.5算法流程图.图3-2算法流程图4GUI程序设计和实验结果本章主要讲述了GUI的程序设计过程和实验数据以及相关实验结果。4.1GUI程序设计GUI（GraphicalUserInterface）的中文名称为图形用户界面，是一种以图形显示的方式进行计算机操作的用户界面，融合过往成果可推导出新结论是一种人与计算机进行通信时的显示格式，允许用户使用各种输入设备操纵屏幕上的图标或菜单，用来达到调用文件、选择命令、启动程序或者执行其它一些日常任务的目的。本文算法是在WindowsXP平台下由MatlabR2016a下编程实现(赵晓菲,张轩瑞,2021)。为了减少外部环境对项目结果的干扰，本文在规划与执行期间采用多种措施来保证数据的真实性和方案的可靠性。首先深入探讨了可能干扰实施效果的各种外界因素，然后，在设计阶段引入了对外界条件变化敏感的分析方法，通过模拟不同的环境情况评估其对结果的影响，并根据评估调整设计参数，从而提高方案的适应力和稳定性，确保其能迅速应对环境变化，保持有效和适用。GUI界面包含以下三个大的模块：显示模块：一共有五个axes插件，因应这情况的发展用来显示五幅图像；参数设置模块：在文本框里设置相应的参数，或者点击“缺省值”按钮一键设置默认参数，选择相应的特征；文件加载和运行模块：点击加载图像按钮加载.mat图像，设置切片数进行预处理，设置相应参数后点击“聚类算法”运行算法(李建华,王梓馨,2023)；界面显示如图：4.1.1相关程序代码本程序是在Matlab上编写出来的，本小节会将程序的主要代码展示出来：第一部分：功能代码，本部分主要是写的例如选取文件和保存文件等相关功能的代码，大部分代码如下(黄佳怡,刘志轩,2022)：①选取文件：globalIMImg_gradientimslice_numdataALL%%选择文件地址[filename1,pathname1]=uigetfile({'*'},'选择数据');ImageName1=[pathname1filename1];ALL=load(ImageName1);%%将图片地址赋值给editset(handles.edit7,'String',pathname1);%%将图片地址赋值给editset(handles.edit11,'String',filename1);②保存文件：%%读取文件名globalImg_filterImg_gradientim_segpathname2ImageName2=get(handles.edit12,'String');str=strcat(pathname2,'\',ImageName2,'.jpg');imwrite(im_seg,str);③缺省值按钮（默认值）：param.c=3;%%将c的默认值设置为3param.m=2;%%将m的默认值设置为2param.e=1e-6;%%将e的默认值设置为1e-6param.v=1;%%将v的默认值设置为1set(handles.edit1,'string',param.c);%%将c的默认值赋给edit1set(handles.edit2,'string',param.m);%%将m的默认值赋给edit2set(handles.edit3,'string',param.e);%%将e的默认值赋给edit3set(handles.edit4,'string',param.v);%%将v的默认值赋给edit4第二部分算法代码：①预处理：globalIMImg_gradientimslice_numdataALL%%全局变量im=ALL.im;im_size=size(im);%%选取需要聚类的切片数量%slice_num=floor(im_size(3)/2);%选择3D图像中的一个slice，也就是一个2D横断面N=get(handles.edit6,'String');slice_num=str2double(N);%%当前切片的影像灰度IM=im(:,:,slice_num);%从3D图像中，提取slice_num这个横断面图像%%灰度梯度Img_gradient=gradient(double(IM));%%归一化灰度图Img_F=(IM-min(IM(:)))/(max(IM(:))-min(IM(:)));%%提取切片中的脑部区域I=find(IM>0&IM<=255);%去除背景，即把图像中灰度值为0的像素去除，因为它们不是脑内组织，我们只须对脑内组织聚类分割%掩模图像Img_s=IM;Img_s(Img_s==0)=NaN;%%绘图部分axes(handles.axes1);imshow(IM,[]);drawnow;axes(handles.axes3);imshow(Img_s,[]);drawnow;axes(handles.axes2);imshow(Img_F,[]);drawnow;axes(handles.axes4);imshow(Img_gradient,[]);drawnow;②算法运行：globalIMImg_gradientimslice_numdataALLim_seg%%聚类参量parametersN1=get(handles.edit1,'String');%%将edit1的内容给N1param.c=str2double(N1);N2=get(handles.edit2,'String');%%将edit2的内容给N2param.m=str2double(N2);N3=get(handles.edit3,'String');%%将edit3的内容给N3param.e=str2double(N3);N4=get(handles.edit4,'String');%%将edit4的内容给N4param.val=str2double(N4);%param.c=3;%param.m=2;%param.e=1e-6;param.ro=ones(1,param.c);%param.val=1;%%聚类clusteringI=find(IM>0&IM<=255);%去除背景，即把图像中灰度值为0的像素去除，它们不是脑内组织，我们只须对脑内组织聚类分割%判断是使用灰度or灰度梯度进行聚类ifget(handles.radiobutton1,'value')data.X=IM(I);%使用灰度elseifget(handles.radiobutton2,'value')data.X=Img_gradient(I);%使用灰度梯度end%%归一化normalizationdata=clust_normalize(data,'range');%%聚类模块result=FCMclust(data,param);%%按v的聚类中心的大小排列v,由大到小[v_ri_r]=sort(result.cluster.v',2,'ascend');result.data.f=result.data.f(:,i_r);[valueI_seg]=max(result.data.f,[],2);im_seg=zeros(size(IM));im_seg(I)=I_seg;axes(handles.axes5);imshow(im_seg,[]);drawnow;4.1.2实验操作步骤首先从本地文件中选择文件地址，导入相应文件到Matlab中；给edit赋值图片地址，读取文件名(赵佳怡,孙俊杰,2020)；设置聚类参量parameters；聚类clustering，去除背景，在这种局面下考量即把图像中灰度值为0的象素去除，它们并不是脑内组织，我们只需要对脑内组织聚类分割即可；归一化normalization，按照v的聚类中心的大小排列v，由大到小；选取需要聚类的切片数目，本次实验选取50；提取切片中的脑部区域；在matlab中进行绘图操作；4.2实验数据和实验结果4.2.1实验数据本文的实验数据全部选自BrainWeb的脑部MR3D图像数据。包含3%~9%的噪声和20%~40%的偏场，图像模式为T1权重，其中3D图像数据像素大小为mm。例：t1_icbm_normal_1mm_pn5_rf20.mat就表示图像是T1权重，每个像素的真实大小为的立方体，pn5表示图像噪声为5%，rf20表示图像的偏场幅度为20%(周诗,李高峰,2021)。4.2.2实验结果算法程序对脑部MR图像分割结果的横断面（横断面均为50）显示如图4-1到图4-8。图中左边为横断面分割结果图像，在这种情况框架下右边为估计的偏场图像。分割结果图像中标记值1的像素是脑脊液，标记值为2的像素是灰质，标记值为3的像素是脑白质，标记值为0的像素是背景(邓月婷,陈俊杰,2023)。图4-1噪声：9%，偏场：40%，图4-2噪声：9%，偏场：20%，Dice测度：0.804712Dice测度：0.822423图4-3噪声：7%，偏场：40%，图4-4噪声：7%，偏场：20%Dice测度：0.857374Dice测度：0.86683图4-5噪声：5%，偏场：40%，图4-6噪声：5%，偏场：20%Dice测度：0.901625Dice测度：0.910715图4-7噪声：3%，偏场：40%，图4-8噪声：3%，偏场：20%Dice测度：0.930568Dice测度：0.944674图4-9脑白质分割结果的3D显示（噪声：5%，偏场20%）表4-1BrainWeb仿真MR图像2D分割结果序号模式噪声（%）偏场（%）组织类型Dice测度1T1320白质0.967437灰质0.966527脑脊液0.9638742T1340白质0.959866灰质0.958163脑脊液0.9540003T1520白质0.94864灰质0.946881脑脊液0.9403394T1540白质0.943853灰质0.941631脑脊液0.9337805T1720白质0.924927灰质0.922281脑脊液0.9088536T1740白质0.918752灰质0.916938脑脊液0.9030607T1920白质0.897988灰质0.897843脑脊液0.8792738T1940白质0.887354灰质0.887688脑脊液0.8676544.3实验结果和评测为了量化分析和比较本文新算法与标准FCM算法的分割结果，我们采用了Dic