摘 要： 受成像原理、設備及環(huán)境的影響，腦部MR圖像一般都有大量的噪聲，給圖像分割" title="圖像分割">圖像分割造成很大困難。在IFCM算法的基礎上通過引用Sigma過濾器原理，改變鄰居像素點的計算方法" title="計算方法">計算方法，對分割后的圖像進行去毛刺和邊部光滑處理，并在模擬的腦部MR圖像上進行分割實驗。
關鍵詞： 核磁共振 圖像分割 模糊C-均值 過濾器
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[1][2]。在腦部MR圖像分析中該問題尤為突出[3]。
在諸多的圖像分割算法中，模糊C均值(FCM)分割算法是目前應用最廣泛的分割算法之一。最早由Dunn提出，后經(jīng)Bezdek改進[4]。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)學腦部圖像分割的是Li C L等人[5]。由于醫(yī)學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[6]。在此基礎上，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算法對下列目標函數(shù)進行優(yōu)化：
2 IFCM算法
為去除噪聲對分割的影響，文獻[7]修改了FCM算法的目標函數(shù)，但增加了計算復雜度。而文獻[6]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，對目標函數(shù)的其他部分未作修改。以下為文獻[6]的計算公式，皆省略了上標(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" title="聚類">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" title="二值圖像">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)椤?”。
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°" title="90°">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)椤?”。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，模糊加權指數(shù)m以及迭代停止閾值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，把像素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)學圖像分割。所選擇的腦部MR模擬圖像來自Mcgill大學的MR模擬腦部圖像數(shù)據(jù)庫。下載的腦部圖像是T1-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Sigma-IFCM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 Segment Rate(InC)[6]。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0.53。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，Sigma-IFCM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是分割標準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Sigma-IFCM算法改進了像素點鄰居的選擇方案，在去除噪聲的基礎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。
參考文獻
1 Par N R，Par S K.A review on image segmentation tech-niques[J].Pattern Recognition，1993；26(9)：1277～1294
2 魏弘博，呂振蕭.圖像分割技術縱覽[J].甘肅科學學報，2004；16(2)：19～25
3 Pham D L，Xu C Y.Current methods in medical image seg-mentation[J].Annu Rev Biomed Eng，2000；(2)：315～317
4 Bezdek J.Pattern recognition with fuzzy objective function algorithm[M].New York：Plenum Press，1981
5 Li C L，Goldgof D B，Hlaa L.Knowledge-Based classification and tissue labeling of MR images of human brain[J].IEEE Trans Med Imag，1993；12(4)：740～750
6 Shen S，Sandham W A，Granat M H et al.Fuzzy clustering based application to medical image segmentation[J].In： Proceedings of the 25th Annual International Conference of the IEEE EMBS Cancun，Mexico，2003：17～21
7 Ahmed M N，Yamany S M，F(xiàn)rac A A et al.Bias field esti- mation and adaptive segmentation of MRI data using a modi-fied fuzzy C-means algorithm[J].Computer Vision and Pattern Recognition，1999；(6)250～255