改进的聚类算法在医学图像分割中的应用论文

《改进的聚类算法在医学图像分割中的应用论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、改进的聚类算法在医学图像分割中的应用论文【摘要】针对医学图像的特点，设计了一种聚类分析的图像分割算法，并且将遗传算法引入聚类，利用遗传算法的并行性和随机搜索性，从DBSCAN算法出发，针对其局限性提出了一种基于取样的DBSCAN算法及其遗传优化，从而达到较好的分割效果。【关键词】医学图像;聚类算法;遗传算法;分割随着医学技术的发展，有关医学诊断的各种图像在现代疾病辅助诊断中占有相当重要的地位.freel(m=1，…，K)，也可能有些对象不属于任何一个分割，这些就是噪声Cm。所有这些分割与噪声的并集就是数据集X，并且这些分割之间没有交集，即：x=c1∪，…,c

2、k∪Ci∩Cj=(i≠j)这些分割Cm就是聚类2。2DBSCAN聚类算法EsterMartin等人提出的DBSCAN聚类算法是一种基于密度的聚类算法。该算法利用类的密度连通性可以快速发现任意形状的类。其基本思想是：对于一个类中的每个对象，在其给定半径的领域中包含的对象不能少于某一给定的最小数目。在DBSCAN算法中，发现一个类的过程是基于这样的事实：一个类能够被其中的任意一个核心对象所确定。为了发现一个类，DBSCAN先从对象集D中找到任意一对象P，并查找D中关于半径Eps和最小对象Minpts的从P密度可达的所有对象。如果P是核心对象，即半径为Eps的P

3、的邻域中包含的对象不少于Minpts,则根据算法，可以找到一个关于参数Eps和Minpts的类。如果P是一个边界点，则半径为Eps的P邻域包含的对象少于Minpts，P被暂时标注为噪声点。然后，DBSCAN处理D中的下一个对象。密度可达对象的获取是通过不断执行区域查询来实现的。一个区域查询返回指定区域中的所有对象。为了有效地执行区域查询，DBSCAN算法使用了空间查询R树结构。在进行聚类前，必须建立针对所有数据的R3树。另外，DBSCAN要求用户指定一个全局参数Eps(为了减少计算量，预先确定参数Minpts)。为了确定取值，DBSCAN计算任意对象与它

4、的第k个最临近的对象之间的距离。然后，根据求得的距离由小到大排序，并绘出排序后的图，称做kdist图。kdist图中的横坐标表示数据对象与它的第k个最近的对象间的距离;纵坐标为对应于某一kdist距离值的数据对象的个数。R3树的建立和kdist图的绘制非常消耗时间。此外，为了得到较好的聚类结果，用户必须根据kdist图，通过试探选定一个比较合适的Eps值。DBSCAN算法不进行任何的预处理而直接对整个数据集进行聚类操作。当数据量非常大时，就必须有大内存量支持，I/O消耗也非常大。其时间复杂度为O(nlogn)(n为数据量)，聚类过程的大部分时间用

5、在区域查询操作上。DBSCAN算法对参数Eps及Minpts非常敏感，且这两个参数很难确定3。3DBSCAN算法的性能分析DBSCAN算法可将具有足够高密度的图像点划分为簇，它能找到图像样本比较密集的部分，概括出图像样本相对比较集中的类，并可在带有“噪声”的图像中进行聚类，完成图像分割;有较强的抗“噪声”能力。但是，该算法对用户定义的参数较敏感，ε邻域、最小数目minpts的设置的细微不同将导致聚类结果的较大差异;且此算法需扫描整个图像数据库.对每个点对象都进行一次查询，所以计算复杂度较大。在图像分割过程中，若能建立空间索引降低计算量，且通过反复实验能找到适

6、当的ε邻域和最小数目minpts值，则DBSCAN算法是一种较优的图像分割算法4。4DBSCAN算法的缺点及改进思路4.1DBSCAN算法的缺点对输入参数ε敏感是DBSCAN算法的主要缺点之一。确定邻域大小的参数ε是由用户指定的，但是实际上，参数ε很难在算法运行前确定。设每个图像点与它的第k个最近图像点之间的距离为d，用户可根据d的排序情况确定参数ε。但在实际操作中，通过这种方法确定的ε与“理想的”ε常有微小差距，结果造成聚类结果的很大不同。难以发现密度相差较大的簇是DBSCAN算法的另一个缺点。由于使用全局ε值，若取较小的ε值，较稀的类将被划分成多个性质相

7、似的类;与此相反，若取较大的ε值，那么离得较近而密度较大的那些类将很可能被合并为同一个类.它们之间的差异也就因为选取较大的ε值而被忽略。所以，很难选取一个合适的ε值来进行聚类且得到比较准确的聚类结果。4.2DBSCAN算法的改进思路4.2.1SDGO算法(samplingDBSCANization)SDGO算法的基本思想是：首先确定最小的数据取样量，按取样率从数据集中随机选取数据，对取样数据应用DBSCAN算法，然后应用遗传算法对聚类结果进行优化，最后进行遗漏点处理及类合并。由于取样技术显著压缩了问题规模，而遗传算法又可以对结果进行全局最优化处理，因此在时间

8、性能和聚类质量上都能获得较满意的结果。4.2.2遗传