下载文档原格式
图像分割的快速模糊c均值聚类算法
周礼平;高新波
【期刊名称】《计算机工程与应用》
【年(卷),期】2004(040)008
【摘要】提出了一种快速有效的图像模糊c-均值(FCM)聚类分割方法.该方法一方面通过特征映射减少数据量,另一方面通过调整算法的计算步骤以减少迭代过程的存储量,从而大大缩短图像分割的运行时间.应用于图像分割的实验结果表明新算法在保持原有FCM分割效果的同时大大缩短了CPU时间.
【总页数】3页(P68-70)
【作者】周礼平;高新波
【作者单位】西安电子科技大学电子工程学院,西安,710071;西安电子科技大学电子工程学院,西安,710071
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种融合曲线演化与模糊C均值聚类算法的快速图像分割模型 [J], 马英然;彭延军
2.基于快速模糊C均值聚类算法的红外图像分割 [J], 黄永林;叶玉堂;乔闹生;陈镇龙
3.一种新的快速模糊C均值聚类图像分割算法 [J], 孙艺峰;王向阳;王春花
4.基于快速全局模糊C均值聚类算法的脑瘤图像分割 [J], 周文刚;付芬
5.改进的快速模糊C均值聚类图像分割算法 [J], 许芹;唐敦兵;蔡祺祥
因版权原因，仅展示原文概要，查看原文内容请购买。
一种自适应的模糊C均值聚类图像分割方法
孙鑫
【期刊名称】《山西电子技术》
【年(卷),期】2014(000)006
【摘要】针对传统的模糊C均值聚类算法(FCM)在图像分割中不能自动确定聚类数目这一局限性,提出一种自适应的FCM图像分割方法,称为自动改进的模糊C均值聚类分割算法(AMFCM).该方法将空间信息用于隶属度函数,并计算每个像素邻域附近隶属度函数的加权和作为空间函数.实验结果表明,与传统的FCM相比,该方法不仅能够自动地估计聚类的数目,而且能够显著地提高分割质量.
【总页数】3页(P23-24,27)
【作者】孙鑫
【作者单位】中北大学电子测试技术国家重点实验室,山西太原030051
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种快速的模糊C均值聚类彩色图像分割方法 [J], 杜海顺;汪凤泉
2.自适应模糊C均值聚类彩色图像分割方法 [J], 王婷婷;张晓庆
3.一种自适应的模糊C均值聚类图像分割方法 [J], 赵宪强;王希常;刘江
4.一种基于模糊C均值聚类的多阈值苹果病害图像分割方法 [J], JIA Qingjie;QI Guohong;HU Xiaowei
5.一种基于模糊C均值聚类的多阈值苹果病害图像分割方法 [J], 贾庆节;齐国红;忽晓伟;
因版权原因，仅展示原文概要，查看原文内容请购买。
一种高效鲁棒的无监督模糊c均值聚类算法近年来，随着计算机技术的发展，聚类分析作为机器学习中最常用的技术，在图像处理、数据挖掘以及系统诊断等领域有着广泛的应用。
在聚类问题中，无监督模糊C均值（FCM）聚类算法是一种特殊的聚类算法，它能够解决聚类分析中的重要问题，有效的提高聚类效果。
无监督模糊C均值（FCM）聚类算法是一种基于模糊原理的聚类方法，它是由Jim Bezdek在1982年提出的，目的是实现对多维数据的有效分组与聚类。
FCM算法在模糊集合理论的基础上结合了聚类方法，其实现过程是从数据中获取初始类簇中心，然后按照经验判断的属性构建模糊矩阵，使得模糊矩阵和类簇中心的距离最小。
有了精确的模糊矩阵后，就可以对聚类结果进行进一步的处理，产生高效的聚类结果。
由于FCM算法具有高效、鲁棒性等特点，它已经被广泛的用于各类行业的实际应用，如：生物学聚类、数据挖掘等领域。
由于FCM算法需要用户设定聚类中心的个数和模糊参数，因此，在实际应用中，需要经过灵活的参数设置，才能够更好的获得所需要的聚类结果。
在FCM算法中，要获得合理的聚类结果，主要由两个参数决定：一是聚类中心的数量，根据实际情况，用户可以对聚类中心的个数进行自定义；二是模糊参数，通常情况下，模糊参数的取值是在[0,10]之间。
若模糊参数被设置的过大，就会出现最大值为1的结果，这样就会导致聚类结果出现偏差；若模糊参数被设置过小，各类之间的距离就会变小，导致类间的相似度提高，从而影响聚类效果。
另外，FCM算法不但要考虑数据的空间分布，还要考虑数据的属性分布，以及数据的时间分布。
为了提高聚类结果的准确度，还可以使用一些算法，如K均值算法、神经网络聚类算法等来获得更优的聚类结果。
总之，FCM算法是一种十分有效并且鲁棒的无监督聚类算法，可以用于多种应用领域，充分发挥聚类技术的价值，以及改善聚类结果的准确性和可读性。
因此，越来越多的学者都把FCM算法作为首选技术，去实现具有可靠性和可操作性的聚类任务。
基于模糊C均值聚类算法的图像分割研究随着科学技术的迅速发展，图像处理和分析技术在各个领域得到了广泛应用。
图像分割作为图像处理中的重要环节，对于提取图像中的对象、边缘、轮廓等特征起着至关重要的作用，成为图像处理和分析领域的热点问题。
本文将介绍一种基于模糊C均值聚类算法的图像分割方法，该方法在图像处理和分析领域的应用具有广泛的前景。
一、图像分割技术基本原理图像分割是将图像中的像素划分成若干个具有独立形态、颜色、纹理等特征的区域，也就是到达一个将图像语义上的像素类别转化为离散数值上的过程。
图像分割技术主要分为基于阈值、区域生长、边缘检测、基于特征的方法和聚类分析等。
其中，聚类分析是一种重要的无监督图像分割方法，其基本思想是根据像素之间的相似度将所有图像像素划分为若干个聚类。
聚类分析中常用的聚类算法包括K均值聚类、模糊C均值聚类等，而模糊C均值聚类算法是一种比较常用且有效的聚类算法。
二、模糊C均值聚类算法基本原理模糊C均值聚类算法是一种基于多元统计分析、模糊集合理论和聚类分析的无监督聚类算法。
该算法可以克服K均值聚类算法对噪声和异常值的敏感性，得到更为准确的聚类结果。
具体地说，模糊C均值聚类算法的基本思路是将每个像素作为一个数据点，将图像中所有像素点分成K个类，每个像素点属于某一类的概率是模糊的。
模糊C均值聚类算法的目标是最小化聚类误差平方和，即最小化如下式子：其中，m是模糊度系数，用于描述每个像素点属于某一类别的程度。
当m趋近于1时，模糊C均值聚类算法退化为K均值聚类算法；而当m趋近于无穷大时，模糊C均值聚类算法收敛于直方图均衡化操作。
基于此，模糊C均值聚类算法通过不断迭代优化模糊度系数和聚类中心，直到达到用户指定的收敛条件为止。
三、基于模糊C均值聚类算法的图像分割方法基于模糊C均值聚类算法的图像分割方法可以分为以下步骤：(1)图像预处理：对图像进行去噪、灰度化等预处理，提高图像的质量和稳定性。
(2)像素聚类：将图像中的像素点作为数据点，采用模糊C均值聚类算法将所有像素点分成K个类别。
一种快速模糊C均值聚类算法的颅脑图像的分割摘要：颅脑图像分割的准确性对医生判断病变并作出正确的诊断至关重要。
本文利用图像分割技术，采用一种快速模糊C均值聚类算法，实现了颅脑图像白质、灰质、脊髓液以及背景的自动分割。
该算法在Visual C++2008软件开发平台上编程实现并与其他方法做了比较。
实验表明该算法对于具有多峰直方图和边缘模糊的颅脑图像具有良好的实时性和分割效果，为接下来的颅脑的病变诊断等其他工作奠定了良好的基础。
关键词：模糊C均值聚类；颅脑图像；自动分割；边缘模糊；中图法分类号：TP391.4 文献标识码：JAbstract：Using the technology of image segmentation，introduced a fast fuzzy c-means（FFCM）algorithm，with which the background，the white matter area，gray matter area and cerebrospinal fluid area could be divided automatically. On the Visual C++ 2008 software development platform，the algorithm was completed and compared with other algoithms.The results indicated that the algorithm was of goog real-time capacity and accuracy in segmentation of craniocerebral image that had multi-peaks histogram and edge blur .This work would lay the foundation a better pathological changes diagnosis.Key words：Fuzzy c-means ；Craniocerebral ；Automatic threshold ；Edge blur0引言医学图像分割是医学图像处理领域里的一个经典难题，也是影响医学图像在临床上广泛应用的一个瓶颈问题，如三维重构、定量分析和可视化等[ 1]。
快速模糊C均值聚类彩色图像分割方法
林开颜;徐立鸿;吴军辉
【期刊名称】《中国图象图形学报》
【年(卷),期】2004(009)002
【摘要】模糊C均值(FCM)聚类用于彩色图像分割具有简单直观、易于实现的特点,但存在聚类性能受中心点初始化影响且计算量大等问题,为此,提出了一种快速模糊聚类方法(FFCM).这种方法利用分层减法聚类把图像数据分成一定数量的色彩相近的子集,一方面,子集中心用于初始化聚类中心点;另一方面,利用子集中心点和分布密度进行模糊聚类 ,由于聚类样本数量显著减少以及分层减法聚类计算量小,故可以大幅提高模糊C均值算法的计算速度,进而可以利用聚类有效性分析指标快速确定聚类数目.实验表明,这种方法不需事先确定聚类数目并且在优化聚类性能不变的前提下,可以使模糊聚类的速度得到明显提高,实现彩色图像的快速分割.
【总页数】5页(P159-163)
【作者】林开颜;徐立鸿;吴军辉
【作者单位】同济大学信息与控制系,上海,200092;同济大学信息与控制系,上海,200092;同济大学信息与控制系,上海,200092
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.结合模糊C均值聚类和边缘检测算法的彩色图像分割 [J], 王江涛;练煜;石红岩;
2.一种快速的模糊C均值聚类彩色图像分割方法 [J], 杜海顺;汪凤泉
3.自适应模糊C均值聚类彩色图像分割方法 [J], 王婷婷;张晓庆
4.结合模糊C均值聚类和边缘检测算法的彩色图像分割 [J], 王江涛;练煜;石红岩
5.一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法 [J], 杨计龙;王清心;胡逢法
因版权原因，仅展示原文概要，查看原文内容请购买。
用一种快速模糊C 均值算法对磁共振脑部图像进行分割摘要：这篇论文提出了一种新的模糊控制算法的磁共振脑图像分割。
从标准FCM[ 1 ]及其偏差校正版本BCFCM[ 2 ]算法，后者分裂的主要步骤，并引入新的因素 ，所需数量计算是大大减少。
该算法提供良好质量脑图像分割的一个非常快速的方法，这使他成为一个支持虚拟人脑内窥镜很好的工具。
1.引言标准模糊C 均值算法提供了一种脑图像分割，但它的操作没有过滤，因此图像质量仍然很差。
加强版bcfcm [ 2 ]介绍过滤内周期性的优化问题，从而导致更好的图像质量，但操作时间很慢。
本文的主要目的是减少在分割的过程中的数额计算量，提供一个高速优质的磁共振脑图像分割。
2.方法论标准FCM 算法，由Bezdek 等人在[1]有介绍，第k 个数据样本k x 。
k=1..n ，利用目标函数: J B =2)(11∑∑==-c i Nk i v k x ik p u （1）i v 代表第i 类中心，iku 代表第i 类中样本k 的隶属度，p 是加权指数。
通过定义，对任意k ,我们有11ci u ik ==∑ 。
为了把目标函数最小化，应指定高像素数据，其强度是位于接近原型值的特定集群。
Ahmed 等人。
提出了引入一个术语修改的原始目标函数，允许标记的像素是由标签在其邻域[ 2]。
这种效应作为一种正归化，和偏见解决走向分段均匀标记。
这证明在被盐和胡椒噪声损坏的图像分割是有用的。
修改目标函数为J A =∑∑∑===∂-+-ci Nk k Nr k N i v r k x ik pu i v k x ik p u 111]2),(2)([ （2）其中rk x,代表k x 像素的邻域，kN 代表第k 个像素的邻域数目 ，α参数 代表控制强度的邻近效应。
在下面，我们将介绍一些修改算法。
磁共振脑图像栈 约200片，而在其代表大矩阵的像素。
一套磁共振脑图像片包含一千万（lo7）像素。
像素的强度通常是编码8bit 的分辨率，即，，每个像素有 只有256种可能的强度等级。
模糊C均值聚类算法在图像分割中的应用【摘要】由于在大多数图像分割场合，不可能清楚知道图像中的各个物体位置，因此在一定意义上图像分割可以作为一个聚类问题来解决。
并且由于图像具有的模糊和不均匀性，因而模糊C均值聚类技术在图像分割中得到成功的应用。
本文对标准模糊C均值聚类分割算法进行了简单的介绍，采用了一种结合空间信息的快速模糊C均值聚类分割算法。
关键词：图像分割，模糊聚类算法，模糊C均值聚类算法1、模糊聚类算法传统的聚类方法在划分对象时是硬性的，对象归属哪一类是明确的，不能同时属于两个或者多个类别。
换句话说，每一个对象与最终的类别是一一对应的，不会出现一个元素分属多个类的情况，类与类之间有着严格的界限。
自然世界中的事物都存在模糊性，没有“非此即彼”的严格界限，一个事物与多个类别都相关的情况是十分正常的。
因此，要精确地表示这种复杂的关系就需要对这种“亦此亦彼”的性质进行描述。
与硬性的聚类划分相比，模糊聚类将模糊集合理论引入到聚类算法中，利用模糊数学对处理事物之间模糊关系的精确描述，能更好地解决了现实世界中的实际问题。
模糊聚类算法用数学的方法描述了对象与不同类别之间的隶属关系，打破了严格的类别界限，建立起样本对于类别的不确定性的描述，实现了聚类问题的软划分。
隶属度是样本类属模糊性的度量，隶属度的大小用来区分对象隶属于不同类别的差异程度。
使用模糊聚类算法来对数据对象集合进行划分需要构造模糊分类矩阵。
模糊聚类算法多种多样，随着对模糊聚类的研究，模糊聚类算法不断发展和改进。
其中，基于模糊关系和目标函数是最常见的两类，前者出现较早，对对象集合的大小有局限性，后者以其简便、通用性高、容易实现等优势逐渐成为各个领域最流行的模糊聚类方法。
神经网络的发展也为模糊聚类分析注入了新的活力，尤其是提高了方法的效率，因此这类方法受到了各国研究者的重视。
2.模糊C均值聚类算法在图像分割中的应用模糊C 均值聚类算法(Fuzzy C-means，FCM)是一种经典的模糊聚类算法，它是从硬C 均值聚类算法(Hard C-means，HCM)改进优化而来的。
一种基于C均值的模糊核聚类图像分割算法
彭建喜
【期刊名称】《电视技术》
【年(卷),期】2014(038)009
【摘要】模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想.故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度.实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点.
【总页数】4页(P28-31)
【作者】彭建喜
【作者单位】佛山职业技术学院,广东佛山528000
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.一种基于模糊核聚类的脑部磁共振图像分割算法 [J], 相艳;贺建峰;易三莉;徐家萍;张娴文
2.一种基于均值漂移和遗传算法的图像分割算法 [J], 王建;张建伟;陈仲恒
3.一种改进的模糊核聚类红外图像分割算法 [J], 沈华峰
4.一种基于均值漂移和遗传算法的图像分割算法 [J], 王建;张建伟;陈仲恒
5.一种改进的模糊核聚类图像分割算法 [J], 欧杨梅;王毅;严欣;齐敏
因版权原因，仅展示原文概要，查看原文内容请购买。
一种快速模糊C均值聚类算法的颅脑图像的分割摘要：颅脑图像分割的准确性对医生判断病变并作出正确的诊断至关重要。
本文利用图像分割技术，采用一种快速模糊c均值聚类算法，实现了颅脑图像白质、灰质、脊髓液以及背景的自动分割。
该算法在visual c++2008软件开发平台上编程实现并与其他方法做了比较。
实验表明该算法对于具有多峰直方图和边缘模糊的颅脑图像具有良好的实时性和分割效果，为接下来的颅脑的病变诊断等其他工作奠定了良好的基础。
关键词：模糊c均值聚类；颅脑图像；自动分割；边缘模糊；中图法分类号：tp391.4 文献标识码： jabstract：using the technology of image segmentation，introduced a fast fuzzy c-means（ffcm） algorithm，with which the background，the white matter area，gray matter area and cerebrospinal fluid area could be divided automatically. on the visual c++ 2008 software development platform，the algorithm was completed and compared with other algoithms.the results indicated that the algorithm was of goog real-time capacity and accuracy in segmentation of craniocerebral image that had multi-peaks histogram and edge blur .this work would lay the foundation a better pathological changes diagnosis. key words： fuzzy c-means ； craniocerebral ； automaticthreshold ； edge blur0引言医学图像分割是医学图像处理领域里的一个经典难题，也是影响医学图像在临床上广泛应用的一个瓶颈问题，如三维重构、定量分析和可视化等[ 1]。
分割的准确性对医生判断疾病的真实情况并做出正确的诊断至关重要。
对于像磁共振颅脑图像这样复杂的医学图像，由于脑组织之间互相混叠在一起没有清晰的边界，不同个体之间的差异性较大，再加上在成像过程中磁场的不均匀性、部分容积效应以及噪声的影响，造成的图像内在的不确定性等，使分割问题显得更为复杂和困难。
图像分割是图像处理和计算机视觉的基本问题之一，是图像分析的关键步骤。
虽然目前已经研究出很多图像分割的方法，但还没有一种有效的方法可以普遍适用于各种不同的图像。
传统的聚类分析是一种硬划分，它把每个待辨识的对象严格划分到某类中，具有非此即彼的性质，而实际上大多数对象并没有严格的属性。
常见的磁共振颅脑图像具有以下特征：1）脑组织有脑白质、脑灰质和脑脊髓液组成2）脑白质、脑灰质和脑脊髓液的灰度值依次减小3）脊髓液一般被脑灰质所包围4）三个区域的边缘比较模糊，但区域内灰度的局部变化相对稳定5）由于成像是受各种热/电噪声干扰及成像设备的局限性，虽然软组织可以获得较高的对比度，但图像的信噪比较低[ 2-3]。
如图1所示由于各组织间灰度变化的相对稳定，使得颅脑图像的直方图出现了不太明显的多峰值。
如图2所示：针对目前常用的颅脑图像的特点，传统的阈值分割已经无法满足要求进行正确分割。
模糊聚类技术非常适合处理事物内在的不确定性，而且对噪声不太敏感，它利用不太精确的方式来描述复杂系统，能有效地对边界不清晰的图像进行分割，本文以传统的模糊c均值聚类（fcm）为基础，探讨了一种快速c均值聚类（ffcm）的分割方法[4]，实验证明本文介绍的ffcm在实时性及分割的准确性上具有优越性。
1 传统的fcm算法传统的模糊c均值聚类（fcm）算法用于图像分割，是把图像的像素点看成数据集的样本点，把像素点的特征（对于灰度图像，即为灰度）看成样本点的特征，则图像的分割问题转换为数据集优化的问题。
这样就可以将图像中属性相一致的像素进行模糊聚类后对每类像素标定，从而实现图像分割。
聚类分割的目标函数式：（1-1）其中：为隶属度矩阵，v为聚类中心，x为像素的集合；c为聚类类别数；m为模糊加权指数，常取值为2，n为聚类空间的样本数；为第个像素到第类中心的距离，定义为（1-2）图像的优化分割就是通过迭代寻找聚类中心和隶属度值使得目标函数值最小而实现的。
2一种快速c-均值聚类（ffcm）算法传统的fcm算法根据当前像素进行分割，只利用了灰度信息，没有考虑到相邻像素间的相关性和图像的空间信息，在分割被噪声污染的图像时，不能有效地抑制图像中存在的噪声。
另外当图像比较大或同时处理多幅图像时，由于对每一个像素点进行聚类，其运算量大，耗时长。
为了进一步增强对噪声的抑制能力，减少迭代次数和每次迭代的运算时间，提高算法的速度，本文采用的ffcm的算法是根据图像的灰度直方图信息，利用图像的灰度级进行聚类。
ffcm算法首先考虑了图像邻域像素均值和邻域像素中值对中心像素的影响，根据预先确定的初始聚类中心和图像的灰度直方图进行聚类，因为模糊c-均值算法本质上是一种局部搜索寻优算法，对初始聚类中心的值极为敏感，如果随机产生，容易陷入局部最优解。
本文算法选取灰度直方图的峰值作为初始聚类中心。
这样选取的初始值在一定程度上避免了随机赋值的盲目性，同时又使得所选的初始值尽量接近全局最优解，可以减少迭代次数，提高分割速度。
首先，对每一个像素点进行均值和中值滤波变换，然后取整处理，得出一幅新的滤波图像ζ。
（3-1）其中，ζk表示新图像ζ中第k个像素的灰度值，0≤ζk≤255。
根据直方图信息得出快速分割滤波图像≤的目标函数为：（3-2）对其进行lagrang乘数法，得到lagrange多项式为：（3-3）fm分别对uig和求vi偏导数并令其等于零得出隶属度和聚类中心函数为：其中，q表示新图像ζ的灰度级数，显然q 《n，his（g）为新图像中所有灰度值为g的像素点个数，g为新图像ζ中像素的灰度值，0≤g≤q-1。
算法实现步骤：1）给定m，ε，α1，α2，根据图像的直方图信息选取峰值作为初始聚类中心v0；2）根据式（3-1）计算出新的滤波图像ζ；3）利用式（3-4）更新隶属度矩阵uig；4）利用式（3-5）更新聚类中心vi；5）当时，迭代停止。
3 仿真结果及分析实验编程语言是c++语言，编程环境：microsoft visual studio 2008；运行环境：intel（r）pentium（r）cpu p6000 @ 1.87ghz；内存：1.92ghz；操作系统：microsoft windows xp professional 2002 service pack 3。
由于颅脑图像由脑白质、脑灰质、脑脊髓液以及背景组成[5-6]，所以fcm的聚类中心数c取4，分割后用不同的颜色进行标记。
ε取0.001。
对于m的取值，一般情况下1.5<= m <=2.5时可以满足聚类的模糊度要求[7]，本文取m=2作为系统的模糊度即可提高运行速度，也可以得到最佳聚类结果[8]。
对于获取新的滤波图像，本文采取3*3的窗口，当α1=α2=2时，算法得出的错分点比较少。
为了验证本方法对颅脑图像分割的准确性和快速性，在进行大量实验的基础上，并与其它方法进行比较，这些方法包括，原始的fcm、未经滤波处理的ffcm以及阈值分割法。
实验结果如图3所示：本文算法分类中心及面积如下表1所示：从实验结果图3和表2中可以看出，阈值法虽然速度快，但正确率太低，如图（a）所示，部分脊髓液分割为背景；图（b）为原始fcm，正确率有了一定的提高，但由于对每个像素点处理，耗时长，受噪声影响较大；通过比较无滤波的ffcm图（c）和本文算法图（d），在处理时间相对差别不大的情况下，本文方法有更好的去噪效果。
综合考虑，本文方法对颅脑图像在分割质量和所用时间上的综合效果最佳，分割速度快，对于具有多峰直方图和边缘模糊的颅脑图像具有良好的分割效果，并且通过本文方法可以获取聚类中心及其类别面积，如表1，为下一步诊断颅脑病变奠定了良好的基础。
4 结论颅脑图像在医学上已被广泛应用于病变的诊断等领域，一个好的分割方法为病变的低误诊率奠定了良好的基础[9]。
本文针对颅脑图像的特点对比了几种分割算法，结果表明，本文方法对颅脑图像的分割在准确性及速度上都有明显的优势。
参考文献：[1]刘思伟，李彬.头部ct多阈值分割的优化实现[j].计算机工程与应用，2009，45（22）：191.[2]陈婷婷，程小平.采用模糊形态学和形态学分水岭算法的图像分割.西南大学学报，2008，30（3）：142-145.[3]杨勇，郑崇勋，林盘.基于改进的模糊c均值聚类图像分割新算法.光电子激光，2005，16（9）：1118-1122.[4]丁震. 一种基于模糊聚类的图像分割方法[j].计算机研究与发展，1997，34（7）：536-541.[5]a bouchachia，etal.enhancement of fuzzy clustering by mechanisms of partial supervision.fuzzy sets and systems，157（2006） 1733-1759.[6] m.y.siyal and l.yu.an intelligent modified fuzzyc-means based algorithm for bias estimation and segmentation of brain mri.pattern recognition letters，26（2005）2052-2062.[7]k.l.wu and m. s. yang，alternative c-means clusteringalgorithms.pattern recognition35 （2002）2267-2278.[8]mohamed na，sameh my.nevin m.a modified fuzzy c-means algorithm for bias field estimation and segmentation of mri data[j].ieee trans.on medical imaging 2002，21（3）：193-199.[9]ahmed m. n.， yamany s. m.，and mohamed n.a modified fuzzy c-means algorithm for bias field estimation and segmentation of mri data .ieee trans .on medical imaging，2002，21（3）：193-199.作者简介：王春香（1987），女（汉），河南省开封市杞县人，学士，主要研究领域为图像处理、模式识别。
