基于譜聚類結合形態學分水嶺的MRI圖像分割算法

呂緒洋 周燕琴 張長江

摘要：針對NJW算法計算量大和分水嶺算法易產生過分割現象且對噪聲敏感的問題，提出一種有效且魯棒的方法，即閾值形態學分水嶺結合譜聚類（SC）算法對MRI圖像進行分割。使用Frost濾波結合形態學閉運算對輸入圖像進行去噪和增強處理，采用閾值形態學分水嶺算法對灰度圖像進行預分割，并采用改進的SC算法進行全局最優聚類，得到分割結果圖像。改進的SC算法是用K-HarmomcMeans（KHM）取替K-means（KM）進行聚類，可提高穩定性和算法性能。實驗結果表明，該方法能有效分割MRI圖像且具有計算快速的優點。

關鍵詞：形態學；分水嶺算法；KHM；譜聚類

DOIDOI：10.11907/rjdk.161282

中圖分類號：TP317.4

文獻標識碼：A 文章編號：1672-7800（2016）005-0202-02

基金項目基金項目：

作者簡介作者簡介：呂緒洋（1989-），男，山東聊城人，廣西師范學院計算機與信息工程學院碩士研究生，研究方向為智能控制系統及其應用；周燕琴（1987-），女，江西吉安人，廣西師范學院計算機與信息工程學院碩士研究生，研究方向為醫學圖像處理、大數據和數據挖掘；張長江（1988-），男，河南周口人，廣西師范學院計算機與信息工程學院碩士研究生，研究方向為機器學習。

0 引言

醫學圖像分割是從復雜的醫學圖像中提取重要信息的過程，在醫學領域應用廣泛。效果良好的分割將為臨床醫生和患者提供重要信息的三維可視化[1]。近年來，譜聚類圖像分割算法是人們研究的熱點，目前已經研究出許多基于譜聚類的圖像分割算法。本文采用多路譜聚類算法，即NJW算法，其簡單、有效，但在運行時計算復雜度較大且存在巨大的內存需求。分水嶺算法是一種非監督的圖像分割算法，優點是收斂速度快、分割出的邊界連續且封閉，對微弱邊緣也有較好的分割效果。然而，遺憾的是分水嶺算法存在易產生過分割現象且對噪聲敏感等不足。

考慮有效結合上述兩種算法的優點來彌補單一算法的不足，因此本文提出了一種閾值形態學分水嶺結合改進譜聚類的MRI圖像分割算法。

1 閾值形態學分水嶺算法

傳統分水嶺算法對噪聲和閉合結構敏感且會產生大量同類的小區域，導致局部分組性能下降，邊緣檢測便希望能夠在抑制噪聲的同時提高邊緣清晰度。大部分梯度邊緣檢測算子在抑制噪聲方面做得不好[2]，而利用形態學梯度邊緣可以很好地抑制噪聲，檢測出邊緣。分水嶺算法非常敏感，易造成過度分割，而在分割圖像時，微小變化的梯度并不需要單獨分割出來。因此，使用分水嶺算法分割圖像時，可以適當消除分水嶺算法的敏感性。

與傳統分水嶺算法相比，閾值分水嶺算法增加了一個閾值判斷的過程，給定一閾值，判斷梯度值與閾值的大小，若梯度值大于閾值，則不需要改變原梯度值，否則用閾值替代原梯度值[3]。如式（1）：

4 本文方法

本文提出了一種閾值形態學分水嶺算法結合改進的SC算法的MRI圖像分割方法。

（1）Frost濾波算法和形態學閉算法，用于消除噪聲和實現圖像增強。Frost濾波算法的主要作用是去除斑點噪聲，形態學閉運算主要是消除比結構元素小的細節。預處理后圖像細節較少，且較原始圖像更平滑，屬于同一區域的像素彼此更加緊密地連接，圖像完整性更高，有利于圖像的后續處理。

（2）采用閾值形態學分水嶺算法對灰度圖像進行預分割。將得到的若干小區域看作圖中的頂點，經過預分割后，圖中定點數目減少，相似度權值矩陣W維數降低，因此可以很大程度上降低算法復雜度，提高算法性能。

（3）計算相似性矩陣，用SC方法來解決該區域分割問題。SC算法采用K-均值算法聚類，而K-均值對初始化中心敏感，聚類結果不穩定。實驗證實，KHM算法比K-均值算法能夠取得更穩定的聚類結果[7]。因此，用KHM算法代替K-均值算法，以提高本文SC算法的穩定性和算法性能。

5 實驗結果

實驗中的醫學圖像數據源于Medline免費數據庫，經反復實驗得出兩原始圖片閾值θ分別為25和32時取得分割效果最為理想，實驗結果如圖1所示。

通過實驗結果對比可以看出，本文方法分割結果能夠得到穩定有效的聚類，取得較好的分割效果。在控制其它參數不變的條件下給原始MRI圖像添加椒鹽噪聲，分割效果依然良好，體現出了較好的魯棒性。

本算法提前對原始圖像作了預處理操作，使得圖像維數降低，算法的時間復雜度也隨之降低。運算時間對比如表1所示。

6 結語

本文提出了一種新的MRI圖像分割方法，結合分水嶺和譜聚類算法的優點，提供了有效的分割方案。實驗結果表明，該方法不僅可以提高MRI圖像的分割性能，還降低了計算成本。本文提出的方法只是對灰度圖像進行分割，只考慮了像素點之間的灰度屬性與距離屬性，其不足之處還需進一步研究。

參考文獻：

[1]丁明閱，蔡超.醫學圖像處理[M].北京：高等教育出版社，2010.

[2]鄧子建，李弼程.基于直觀分水嶺定義的圖像分割算法[J].計算機工程與應用，2005，41（26）：43-47.

[3]蔣艷會，李峰.基于混沌粒子群算法的多閾值圖像分割[J].計算機工程與用.2010，46（10）：175-176.

[4]M MEILA，JB SHI.A random walks view of spectral segmentation[J].AI Stat，2001（3）：8-11.

[5]張向榮.基于免疫譜聚類的圖像分割[J].軟件學報，2010（4）：2196-2205.

[6]UV LUXBURG， O BOUSQUET.Limits of spectral clustering[J].Adv Neural Inf Process Syst.，2005（17）：857-864.

[7]B ZHANG，M HSU.K-Harmonic means：a spatial clustering algorithmwith boosting[J].Lecture Notes in Computer Science，2007（5）：31-45.

（責任編輯：孫 娟）