基于小波包和改进的FCM的医学图像分割

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (12): 186-188.

基于小波包和改进的FCM的医学图像分割

吕回,李峰,徐琼

长沙理工大学计算机与通信工程学院，长沙 410076

收稿日期:2007-08-07 修回日期:2007-11-12 出版日期:2008-04-21 发布日期:2008-04-21
通讯作者: 吕回

Medical image segmentation based on wavelet packet and improved FCM

LV Hui,LI Feng,XU Qiong

College of Computer and Communication Engineering，Changsha University of Science and Technology，Changsha 410076，China

Received:2007-08-07 Revised:2007-11-12 Online:2008-04-21 Published:2008-04-21
Contact: LV Hui

摘要/Abstract

摘要： 提出应用最优小波包变换对磁共振颅脑图像做分解，以各子带小波包系数的能量形成纹理特征集；并运用基于核函数的模糊C均值聚类算法（Kernel-Based Fuzzy C-means Algorithm，KFCM）对所提取到的特征集进行聚类分析，从而实现了对磁共振颅脑图像的有效分割。实验证明应用KFCM算法做分割的收敛速度和抗噪性明显优于FCM算法。

关键词: 磁共振颅脑图像, 医学图像分割, 最优小波包变换, 纹理特征, KFCM算法

Abstract: A method is proposed for segmenting MR brain images using the best wavelet packet transform，and the eigenvectors are come into using the energy of wavelet packets’ coefficients.Then the Kernel-Based Fuzzy C-means Algorithm （KFCM） is used for clustering analysis of the eigenvectors. Finally，the MR brain image is segmented effectively by our method.The experiment proves that KFCM for segmentation is more robust in convergence and anti-noise than FCM.

Key words: magnetic resonance imaging of brain, medical image segmentation, the best wavelet packet transform, texture feature, KFCM algorithm

吕回,李峰,徐琼. 基于小波包和改进的FCM的医学图像分割[J]. 计算机工程与应用, 2008, 44(12): 186-188.

LV Hui,LI Feng,XU Qiong. Medical image segmentation based on wavelet packet and improved FCM[J]. Computer Engineering and Applications, 2008, 44(12): 186-188.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[3]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[4]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[5]	王偲晗1，万幼川1，王明威1，高雄2. 改进蚁群算法及其在高光谱影像分类中的研究[J]. 计算机工程与应用, 2018, 54(1): 196-203.
[6]	白晓静1，卢钢2，闫勇1，2. 基于多尺度颜色小波纹理特征的火焰图像分割[J]. 计算机工程与应用, 2017, 53(9): 213-219.
[7]	布阿加姑丽·米吉提1，库尔班·吾布力1，努尔毕亚·亚地卡尔1，吐尔根·依不拉因1，阿力木江·艾沙2. 纹理特征加权融合的中亚多文种文档图像文种识别[J]. 计算机工程与应用, 2017, 53(20): 187-194.
[8]	郭树旭1，马树志1，李晶2，张惠茅2，孙长建1，金兰依1，刘晓鸣1，刘奇楠1，李雪妍1. 基于全卷积神经网络的肝脏CT影像分割研究[J]. 计算机工程与应用, 2017, 53(18): 126-131.
[9]	陈熙1，2，张戈1. 基于非高斯二维Gabor滤波器的生物特征提取算法[J]. 计算机工程与应用, 2017, 53(18): 170-175.
[10]	张卫国，李景妹. 改进的基于纹理特征的图像配准算法[J]. 计算机工程与应用, 2016, 52(6): 214-218.
[11]	丁祖萍，刘坤，王成. 一种基于颜色和纹理的显著性目标检测算法[J]. 计算机工程与应用, 2016, 52(19): 192-195.
[12]	刘万军，张洪伟. 改进颜色和小波变换纹理的图像检索方法研究[J]. 计算机工程与应用, 2016, 52(17): 181-186.
[13]	李彩艳，王慧琴，吴萌，潘思丞. 唐墓室壁画泥斑病害自动标定及虚拟修复[J]. 计算机工程与应用, 2016, 52(15): 233-236.
[14]	倪波1，刘志远1，2，余钢1. 结合高斯过程和形变模型的超声图像分割方法[J]. 计算机工程与应用, 2016, 52(12): 210-215.
[15]	胡峰松1，2，朱浩1. 基于多重特征和SURF算法的车牌定位研究[J]. 计算机工程与应用, 2015, 51(17): 182-187.