摘 要: 提出了改進的mFCM算法，該算法引入自適應加權(quán)系數(shù)控制鄰域像素對中心像素的影響程度，充分利用像素的鄰域特性對Chen聚類算法的目標函數(shù)進行改進。為了實現(xiàn)快速聚類，該算法的開始使用快速FCM確定初始聚類中心。實驗結(jié)果表明，相對于標準FCM和FCM_S1算法，改進算法既能快速有效地分割圖像，又能提高對噪聲的魯棒性。
關(guān)鍵詞： FCM；空間信息；醫(yī)學圖像分割

醫(yī)學圖像分割是醫(yī)學圖像分析、處理等的關(guān)鍵技術(shù)[1-2]，它是醫(yī)學圖像處理中極為重要的內(nèi)容之一，是實現(xiàn)圖像測量、配準、融合以及三維重建的基礎，在臨床診斷中也起著越來越重要的作用，分割的準確性直接影響后續(xù)任務的有效性。 FCM(Fuzzy C-Means)對模糊特征具有很強的魯棒性[3-4]，而且比硬分割能保留更多的信息。雖然傳統(tǒng)的FCM算法在無噪聲或噪聲很低的圖像分割中得到好的分割效果，但由于它只考慮了圖像像素的灰度信息，未利用圖像像素的空間信息，從而使得該算法對噪聲很敏感。
近年來很多研究者在考慮像素空間信息的前提下，通過修改標準FCM聚類算法的目標函數(shù)或者隸屬度函數(shù)使得圖像分割的性能大大提高[5-6]。參考文獻[6]通過引入一個均值濾波圖像對標準FCM算法的目標函數(shù)進行修改，提高了在分割帶有噪聲圖像時的性能，并已成功應用到MRI數(shù)據(jù)的分割中。然而，在計算中心像素的平均灰度值時,鄰域內(nèi)每個像素對中心像素的影響程度不同，鄰域某像素與中心像素值差異性過大，則表明該鄰域像素是噪聲的可能性較大。
本文提出的算法MFCM(Modified Fuzzy C-Means)通過引入一個自適應加權(quán)系數(shù)，自動控制鄰域像素對中心像素的影響程度，從而確定中心像素的灰度值，而不僅僅是求鄰域均值。該算法的開始用FFCM確定初始聚類中心[7]，收斂速度大大提高。試驗結(jié)果表明，該算法相當有效，對噪聲具有很強的抑制能力。




然而，通常情況下，在計算中心像素的灰度平均值時，鄰域像素對中心像素的影響程度不同，當鄰域某像素與中心像素差異較大時，表明該鄰域像素是噪聲的可能性更大。為了區(qū)別鄰域像素對中心像素的不同影響度，本文引入自適應加權(quán)系數(shù)AWC(Adaptive Weighted Coefficient)對原始圖像進行濾波，從而改進了均值濾波丟失邊緣信息和細節(jié)模糊的缺點；同時,由于充分利用了空間信息，提高了對噪聲的抑制能力。自適應加權(quán)均值濾波實現(xiàn)描述如下：