题目：基于模糊聚类的医学图像分割方法研究

摘  要
图像分割是一种基本的计算机视觉技术，图像分割的主要任务是将图像分成各具特性的区域，并提取出感兴趣的目标区域。
医学图像分割是图像分割中一个重要的应用领域，也是医学图像处理和分析领域的经典难题，它是临床实验、病变区域提取、特定组织测量以及实现三维重建的基础，在医学研究和临床应用中具有重要的研究意义。
本文以模糊聚类方法在医学图像分割中的应用作为研究重点，对模糊聚类方法在医学图像分割中的应用进行了详细的分析和研究。本文的主要内容包括以下几点：
(1)介绍了几种常见的医学图像分割方法，分别是基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法以及和特定理论相结合的分割方法，同时利用部分方法对医学图像进行了仿真。
(2)重点研究了基于模糊聚类的医学图像分割方法，对模糊C-均值聚类方法和模糊核聚类方法进行了研究和探讨，针对模糊C-均值方法的缺点，提出了一种结合差异控制的模糊C-均值聚类新方法，新方法将区域边界的像素点和区域内部点区别对待，在模糊C-均值方法的隶属函数中引入了差异控制函数，改进后的方法既能去除噪声，又能保留图像的一些细节信息，同时迭代次数也减少了。从实验结果可见，该方法对医学图像的分割取得了更好的分割效果。
(3)提出了一种将模糊C-均值聚类方法和水平集分割方法相结合的医学图像分割方法。传统的水平集方法(如C-V模型等)没有考虑图像的梯度信息，而且需要反复初始化，效率比较低；对传统水平集方法的一种改进是不需要反复初始化，同时考虑图像的梯度信息，对于目标边缘清晰的图像具有较好的分割效果。通过实验可知，虽然无需反复初始化的方法比传统水平集方法有所改进，但是该方法仍然没有完全解决水平集方法在分割图像，尤其是边缘比较模糊的医学图像时容易出现轮廓线可能穿越较弱边界处或在与实际边界尚有一段距离的地方停止的缺点。本文将模糊C-均值聚类方法和无需反复初始化的水平集方法结合，首先应用模糊C-均值方法对图像分类，使得图像中各部分的灰度差异比较大，再应用无需反复初始化水平集方法分割图像，最终使得轮廓线在目标区域的边界准确停止。从实验结果来看，本文方法是一种较好的医学图像分割方法。