腦部MR圖像的Sigma-IFCM分割算法分析

圖像分割是把圖像分割成互不相交的區(qū)域，使每個區(qū)域內(nèi)的像素具有某種相似的特征，以便對圖像進行后續(xù)處理。圖像分割是圖像分析的難點之一，至今沒有一個通用且有效的圖像分割方法能夠滿足不同的需求。在腦部MR圖像分析中該問題尤為突出。

在諸多的圖像分割算法中，模糊C均值(FCM)分割算法是目前應(yīng)用最廣泛的分割算法之一。最早由Dunn提出，后經(jīng)Bezdek改進。由于模糊集理論對圖像的不確定性有較好的描述能力，因此FCM算法在醫(yī)學(xué)圖像分割中取得了良好的分割效果。最早把FCM算法用于醫(yī)學(xué)腦部圖像分割的是LiC L等人。由于醫(yī)學(xué)圖像常有各種未知噪聲，因此給分割帶來很大的困難。已有一種改進的FCM(IFCM)算法用來解決該問題，并取得了很好的效果 。在此基礎(chǔ)上，本文提出一種新的FCM改進算法，即Sigma-IFCM(Sigma Improved Fuzzy C-Means)算法。這種新算法用Sigma過濾器理論考慮鄰居像素，并使用去毛刺和邊部光滑技術(shù)來修正分割后的腦部圖像。從實驗結(jié)果看，分割效果比 IFCM算法有較大的改善。

1 傳統(tǒng)的FCM算法

傳統(tǒng)的FCM算法對下列目標(biāo)函數(shù)進行優(yōu)化：

其中，X={x1，x2，x3，……xn}為數(shù)據(jù)集；U={uik}為模糊隸屬度矩陣，uik表示第k個數(shù)據(jù)屬于第i類的隸屬度；V={vi}為聚類中心集合；||xk-vi||表示xk與vi的距離，度量數(shù)據(jù)點和聚類中心的相似度；m為模糊加權(quán)指數(shù)且1≤m∞，本文中取m=2；C為聚類的數(shù)目且 2≤Cn。

聚類中心計算公式是：

隸屬度迭代公式是：

2 IFCM算法

為去除噪聲對分割的影響，文獻修改了FCM算法的目標(biāo)函數(shù)，但增加了計算復(fù)雜度。而文獻在每次迭代過程中不僅考慮像素點本身的灰度值，還考慮它周邊像素點的灰度值，但只修改了d(t)的計算方法，對目標(biāo)函數(shù)的其他部分未作修改。以下為文獻的計算公式，皆省略了上標(biāo)(t)：

其他計算過程及一些迭代公式與原始FCM算法相同。

3 Sigma-IFCM算法

3．1 Sigma過濾器

在IFCM算法中，考慮鄰居點對中心點的影響時，需考慮周邊所有的8個鄰居點。雖然這樣可以去除噪聲對分割的影響，但同時對各個聚類的邊部也造成了影響，即模糊了聚類的邊部。所以在計算某像素點的鄰居點時，引用Sigma過濾器(即Edge Preserve過濾器)的理論。首先計算所有鄰居點的均值和方差，然后只考慮灰度值在均值的一個鄰域內(nèi)的那些鄰居點，這樣鄰居點數(shù)目一般少于8個。
均值μ計算公式為：

其中θ是一個非負(fù)的區(qū)間調(diào)整系數(shù)。其他的計算和IFCM算法相同。

3．2 圖像的平滑

由于腦部圖像的復(fù)雜性以及分割算法的原因，分割后的圖像總是伴隨著毛刺、污點、線劃邊緣凸凹不平等，通過圖像的平滑去噪，可以去掉孤立的毛刺、黑斑，平滑邊緣，填補面狀目標(biāo)內(nèi)的小孔等，從而提高圖像質(zhì)量。

一般的平滑處理采用n×n的輔助矩陣(n一般為3~5)作模板，逐行、逐列與圖像匹配。當(dāng)匹配成功時，則把處于模板中心的像素點的分割結(jié)果改為與周邊像素點的分割結(jié)果一樣。對于二值圖像，根據(jù)輔助矩陣中0、1像元的分布，使處于矩陣中心的像素點從“0”變成“1”，或從“1”變?yōu)?ldquo;0”。

3.2.1 去毛刺

二值圖像通常采用圖1所示的3×3毛刺去除矩陣，包括其3次90°旋轉(zhuǎn)形成的矩陣。“X”可以為任何值，表示不考慮此處像素點的情況，當(dāng)矩陣模板在圖像上移動時，只要圖像與模板匹配，則把模板中心的“1”變?yōu)?ldquo;0”。在算法中，雖然圖像不是二值圖像，但原理是一樣的。即如果模板中心“1”處的像素點分割為一種聚類a，而周邊“0”處的像素點分割為另一種聚類b，則把中心像素點變?yōu)橐矊儆诰垲恇，以去除分割后腦部圖像邊部的毛刺。此時也不考慮“X”處像素點的分割情況。

3．2．2 線部平滑與孔洞填補

線部平滑和孔洞填補的方法與去毛刺是一樣的，只是模板不同。通常采用圖2所示的3×3線部平滑矩陣，包括其3次90°旋轉(zhuǎn)形成的矩陣。同理．當(dāng)矩陣模板在圖像上移動時，只要圖像與模板匹配，則更改模板中心的像素點的分割情況。

3．3 計算步驟

Sigma-IFCM算法目標(biāo)函數(shù)與原始的FCM算法相同，如公式(1)，計算步驟如下：

(1)確定聚類數(shù)目C，模糊加權(quán)指數(shù)m以及迭代停止閥值ε；

(2)初始化聚類中心，一般隨機產(chǎn)生C個聚類中心；

(3)初始化隸屬度矩陣U(0)；

(4)利用公式(4)計算d，注意鄰居的計算公式是(5)；

(5)利用公式(2)計算各類聚類中心V(t)；

(6)利用公式(3)更新U(t+1)；

(7)選擇方便的矩陣范數(shù)來比較U(t)和U(t+1)，如果||U(t+1)-U(t)||≤ε，則停止迭代，否則令t=t+1返回(4)；

(8)對分割后的圖像進行去毛刺和邊線平滑處理。

最后。每個像素點對各個聚類中心都有一個隸屬度，把像索點分割到隸屬度最大的聚類中心即可。

4 實驗結(jié)果

把原始的IFCM分割算法和改進后的Sigma-IFCM分割算法用于醫(yī)學(xué)圖像分割。所選擇的腦部MR模擬圖像來自Mcgill大學(xué)的MR模擬腦部圖像數(shù)據(jù)庫。下載的腦部圖像是Tl-weighted的MR圖像。本研究下載了噪聲是7％和9％的腦部圖像，分別用IFCM算法和SigmaIFCM算法進行分割以及評價對比，結(jié)果如表1所示，圖中數(shù)據(jù)均為30幅圖像分割結(jié)果的平均值。

可以用三個參數(shù)來評價分割算法的性能：Under Segmentation(UnS)、Over Segmentation(OvS)和Incorrect SegmentRate(InC)。這三個參數(shù)的值越小，說明算法分割效果越好。所有圖像分割成腦白質(zhì)、腦灰質(zhì)、腦脊液和背景四部分。公式(4)中的參數(shù)λ和ξ分別取值0．47和O．53。公式(5)中的參數(shù)θ取1．2。

從表1可以看出，對于噪聲是9％的腦部圖像來說，Sigma-IFCM算法的三個評價參數(shù)在不同程度上都比原始IFCM算法的各參數(shù)值要小，尤其是腦白質(zhì)和腦灰質(zhì)的分割情況更為突出。這說明在這種情況下改進后的Sigma-IFCM算法比原始的IFCM算法取得了更好的分割效果。而對于7％噪聲的圖像， Sigma-IFCM和IFCM算法相比總體分割效果較前者略有優(yōu)勢，但效果不如噪音為9％時明顯。從這些數(shù)據(jù)看，噪聲越多的圖像，SigmaIFCM算法分割效果越好。圖3是分割前的腦部圖像，(a)是原始的無噪聲模擬MR腦部圖像；(b)是具有9％噪聲的模擬腦部圖像。圖4是分割標(biāo)準(zhǔn)和兩種算法分割后的腦部圖像。

文章提出了一種改進的IFCM腦部MRI圖像分割算法。由于醫(yī)學(xué)圖像中一般都有各種未知噪聲，采用一般的分割算法會對效果產(chǎn)生很大影響。本文提出的 SigmaIFCM算法改進了像素點鄰居的選擇方案，在去除噪聲的基礎(chǔ)上保持分割后圖像邊部的光滑特性，然后引用去毛刺邊部光滑的技術(shù)來修改分割后的圖像。統(tǒng)計結(jié)果表明，對圖像的分割效果有顯著改善。未來的工作可以對初始鄰居點的選取進行一些研究。本文中初始鄰居點為周邊的8個像素點，可以考慮更大范圍如周邊的24個鄰居點的情況。此外，去毛刺以及邊部光滑的方法可以進行進一步的研究探討。