基于改进空间模糊聚类的DTI图像分割算法

针对模糊C均值(FCM)聚类算法初始聚类中心选择的随机性和噪声的敏感性等问题,提出一种基于改进空间模糊聚类的图像分割算法来分割人脑DTI图像。使用局部密度核函数和中心距离函数精确选取初始聚类中心,不仅可以解决因聚类中心随机选取造成的聚类效果不稳定的问题,而且还可以使目标函数迅速收敛,提高分割效率;通过将正态分布空间信息融入模糊隶属度函数,能减小图像噪声以及人为因素对分割结果的影响。用该方法与FCM、SFCM方法对人脑DTI数据进行分割,以评价算法的聚类效果。实验对美国明尼苏达大学生物医学功能成像与神经工程实验室提供的58例DTI数据、3例FA参数图像以及6例迭加过噪声的人脑DTI图像进行分割,结果表明:该算法分割系数最高,可达到0.984 1;在同一图像中,该算法在划分系数上比FCM最高提升20.2%,并且在划分熵上比SFCM最高下降19.8%;该算法目标函数平均迭代次数为32,较FCM的52次与空间FCM的76次有明显降低。实验证明,该算法能够准确、快速地分割出重要目标,且对图像噪声不敏感。