摘 要： 針對模糊C-均值聚類算法分割圖像時容易產(chǎn)生模糊邊緣的缺點，提出了一種結(jié)合圖像梯度和模糊C-均值聚類的圖像分割方法。該方法利用圖像梯度反映出來的目標(biāo)邊界，對由模糊C-均值聚類所獲得的聚類區(qū)域進行分割，把因模糊性而劃分到目標(biāo)區(qū)域的像素點與目標(biāo)區(qū)域進行分離，同時利用區(qū)域增長方法找出干擾區(qū)域并刪除。將該算法應(yīng)用到胰腺ERCP圖像分割，實驗表明，改進算法能夠比較準(zhǔn)確地分割出圖像中的目標(biāo)，減少因模糊聚類產(chǎn)生的模糊邊緣。
關(guān)鍵詞: 醫(yī)學(xué)圖像分割; 模糊聚類; 圖像梯度; 區(qū)域增長; 去模糊化
醫(yī)學(xué)圖像是反映人體生物組織或器官的復(fù)雜圖像，圖像中的信息量大、處理困難。醫(yī)學(xué)圖像分割就是根據(jù)圖像中目標(biāo)間的相似或不同把圖像分成若干個區(qū)域的技術(shù)和過程，它是醫(yī)學(xué)圖像研究中的關(guān)鍵步驟，是高層次醫(yī)學(xué)圖像理解和分析的前提條件，在醫(yī)學(xué)上的應(yīng)用范圍很廣，例如醫(yī)學(xué)教學(xué)、醫(yī)學(xué)研究、臨床診斷、病理分析、影像信息處理、計算機輔助診斷等。由于各種原因所獲取的醫(yī)學(xué)圖像不可避免地具有模糊、不均勻等特性，使用傳統(tǒng)的圖像分割方法[1-2]（閾值分割、邊緣檢測、區(qū)域生長等）分割出的結(jié)果很難滿足需求。如何在計算機的輔助下精確地分割出滿足醫(yī)學(xué)圖像處理要求的結(jié)果，是圖像處理中需要解決的關(guān)鍵問題。
本文結(jié)合圖像梯度和模糊C-均值聚類算法，一方面，利用模糊聚類算法能夠很好地解決不確定性和模糊性的能力，合理地對圖像中的目標(biāo)進行劃分；另一方面，利用圖像梯度反映出的目標(biāo)邊界，對聚類過程中的模糊區(qū)域進行限定。實驗表明,該算法能夠準(zhǔn)確地分割出圖像中的目標(biāo)。
2.2.2 用FCM算法劃分圖像
用FCM算法劃分圖像的具體步驟如下：
(1)根據(jù)模糊C-均值聚類算法求出每個像素點隸屬于每一類的概率值。其中,隸屬函數(shù)和聚類中心的更新依賴于式(2)和式(3)。m取值為2，聚類中心c為3或者4。
(2)需要滿足的約束條件為每一個像素點對應(yīng)c個聚類中心的隸屬度的和為1。用像素點與聚類中心的灰度差值的絕對值來度量數(shù)據(jù)點和聚類中心的相似度。
(3)依據(jù)隸屬度的大小，把像素點劃分到隸屬度最大的那一類，完成聚類分割。
2.2.3 用目標(biāo)邊界分割目標(biāo)區(qū)域
根據(jù)求得的梯度確定圖像中目標(biāo)的邊緣，然后遍歷由模糊C-均值聚類算法所分割后的圖像，在目標(biāo)區(qū)域中找到屬于邊緣的像素點，并標(biāo)記(灰度值為0)。由此可利用目標(biāo)邊緣對聚類后的目標(biāo)區(qū)域進行分割。
2.2.4 消除模糊區(qū)域
遍歷圖像查找屬于目標(biāo)區(qū)域的像素點，每找到一個后，把該點作為種子點，加入到種子隊列。判斷其8鄰域內(nèi)是否有與其相連的目標(biāo)點，把找到的點加入到種子隊列末尾，并在種子隊列中刪除該種子點。直到種子隊列為空時，說明該對象的所有的點已被找到。判斷該對象的大小，若小于某一閾值，說明該對象屬于模糊區(qū)域，則刪除此無關(guān)對象。清空種子隊列后進入下一循環(huán)。
3 實驗結(jié)果與分析
為了驗證該算法的有效性和實用性，以胰腺ERCP圖像為例，分別用模糊C-均值聚類算法和提出的改進算法對圖像進行分割。程序采用C++語言進行編寫，工具采用VC++6.0。實驗中采用了50組圖片進行實驗測試，圖1為其中3組實驗測試結(jié)果。
從圖1可以看出，采用FCM聚類算法的分割結(jié)果(二值化)，分割出的目標(biāo)區(qū)域(胰腺)的邊界比較模糊；采用本文算法得到的分割結(jié)果(二值化)分割出的目標(biāo)區(qū)域邊緣與原始圖像中胰腺的邊緣比較符合。
在實際的醫(yī)學(xué)應(yīng)用中，圖像分割結(jié)果的好壞直接影響醫(yī)生對病人的診斷。采用FCM方法使得分割結(jié)果中的目標(biāo)邊界過于模糊。本文在FCM算法的基礎(chǔ)上，利用圖像梯度所反映出來的目標(biāo)邊緣來限定由FCM方法所劃分的目標(biāo)區(qū)域的邊界。實驗表明，采用本文改進的FCM算法分割醫(yī)學(xué)圖像可以得到比較理想的結(jié)果。本文算法在分割過程中的聚類數(shù)是根據(jù)實際圖像而確定的，如何讓計算機根據(jù)不同圖像自動確定最佳聚類數(shù)從而實現(xiàn)圖像的自動分割是一項很有意義的工作，未來將致力于此方面的研究。
參考文獻
[1] KIMD W, LEE K H, LEE D. A novel initialization scheme for the fuzzy C-means algorithm for color clustering [J]. Pattern Recognition Letters, 2004,25(2)：227-237．
[2] MAULIK U．Medical image segmentation using genetic algorithms[J]．Information Technology in Biomedicine，2009,13(2)：166-173．
[3] 王艷華,管一弘． 基于模糊理論的醫(yī)學(xué)圖像分割的應(yīng)用[J]．計算機技術(shù)與發(fā)展，2008，18(11)：25-28．
[4] 于劍．論模糊C均值算法的模糊指標(biāo)[J]．計算機學(xué)報,2003，26(8)：968-973．
[5] 馬軍，邵陸．模糊聚類計算的最佳算法[J]．軟件學(xué)報,2001，12(4)：578-581．
[6] 黃寧寧，賈振紅，余銀峰,等．改進的FCM與局部信息相結(jié)合的圖像分割[J]．計算機應(yīng)用與軟件，2011，28(8):97-99．