改进的聚类算法在医学图像分割中的应用

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

1、改进的聚类算法在医学图像分割中的应用【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，在分析和阅读灰阶医学图像时，图像的对比度、边缘特征和信噪比等对诊断的正确性致关重要。但是在图像拍摄中避免不了的一些噪声(量子噪声

2、、颗粒噪声、CCD暗电流噪声等)及病变变化微小情况下的不清晰的图像信息，影响了疾病的正确诊断，因此为了提高疾病的正确诊断率，医学图像处理技术就显得尤为重要[1]。　　近年来，医学图像处理技术中的分割技术是国际上图像分割领域的一个新的研究热点。该方法将图像映射为带权无向图，把像素视作节点。利用最小剪切准则得到图像的最佳分割，该方法本质上将图像分割问题转化为最优化问题。是一种点对聚类方法。对数据聚类也具有很好的应用前景。这种分割技术对医学诊断有很大的帮助。　　1聚类算法　　近年来，大量数据被存储到空间数据库中，如何提高查

3、询效率和从大量数据中提取有用的模式显得尤为重要。聚类分析是将物理或抽象的对象组成的集合分组成为由类似的对象组成的多个簇，使得处于相同簇中的对象具有最大的相似性，而处于不同簇中的对象具有最大的差异性的方法及过程.聚类可以定义如下：在数据空间A中，数据集由许多数据点(或数据对象)组成，数据点xi=(xi1，……,xid)∈A，xi的每个属性(或特征、或维度)既可以是数值型的，也可以是枚举型的.数据集A相当于是一个n×d矩阵.假设数据集X中有n个对象xi(i=1，…，n)。聚类的最终目的是把数据集X划分为K个分割Cm(m=

4、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∪，…,ck∪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

5、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

6、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

7、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

8、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