刘 哲, 谭振江, 王洪君

(1. 吉林师范大学 计算机学院, 吉林 四平 136000； 2. 江苏大学 电气信息工程学院, 江苏 镇江 212013)

0 引 言

聚类分析在模式识别和图像处理领域中具有广泛的应用前景[1,2]。图像识别和图像分割是其主要的应用方面, 目前研究已经取得了许多成果。早在1979年, Coleman和Andrews就提出了用聚类分析进行图像分割。Yao等[3]提出了基于数学形态学的K-means聚类算法实现图像分割。Zhao等[4]提出了广义的模糊C-means聚类算法实现灰度图像有效分割。Liu等[5]提出了一种结合空间信息的模糊谱聚类算法实现对噪声图像分割。这些方法大多数都是直接在图像上进行聚类分析, 由于图像的复杂性和无规律性, 存在很多缺陷。基于密度聚类方法是根据密度概念对数据对象进行聚类和分割的。它根据数据对象的密度或某种密度函数生成聚类。ISC(Intelligent Subspace Clustering)[6], Rough-DBSCAN(Density Based Spatial Clustering Applications with Noise)[7], DBSC(Density-Based Spatial Clustering)[8]等都是具有代表性的基于密度的聚类方法, 并在应用中表现了良好性能。

在基于密度的聚类方法中, 通常选择熟知的高斯、t、Poisson和α等分布。这些带有先验性质的参数化方法并非总能给出对各种医学图像合适的描述, 模型的基本假设与实际的物理模型之间存在较大差异, 即有“模型失配”问题。非参数密度估计方法在无需对模型做任何假设前提下, 具有有效拟合任意形式的概率分布性能, 文献[9]提出基于核密度估计(KDE: Kernel Denstity Estimate)的聚类方法, 该方法可有效地实现腹部CT图像分割, 但随着样本量增加计算量也不断增大, 而且存在平滑参数难以自适应估计及计算速度较慢等缺点。……