杨 阳 沈艳冰 李 竹

(山西师范大学物理与信息工程学院 山西 临汾 041004)

0 引 言

脑部图像分割是基于MRI和一定标准下的相似性，将脑部MRI中相似度大的像素划分为相同的组织类，反之划分成不同的组织类。由于MRI成像过程的特殊性，MRI常存在不同程度的噪声、灰度不均匀和边缘模糊的现象[1]。因此，基于模糊理论的FCM算法在MRI分割上得到了广泛应用，已获得众多研究人员对FCM算法进行研究与改进[2,15]。然而，传统模糊聚类的图像分割算法因未考虑空间特性从而导致分割效果受噪声、异常值、成像伪影等影响较大，鲁棒性差。

为解决上述缺陷，部分学者引入空间特性到模糊聚类分割算法的目标函数中并应用于脑部MRI分割，取得了较好的分割效果。其中，Ahmed等[8]将局部空间限制项引入到FCM的目标函数中，提出FCM-S算法。该算法利用像素与其邻域像素在特征值上的连续性，克服噪声对图像分割的影响，但每次迭代都要计算一次邻域导致计算量大。此后， Chen等[9]利用邻域内的像素均值或中值取代FCM-S算法中的邻域信息，提出快速FCM-S(FCM-S1，FCM-S2)算法。该算法应用于噪声轻度污染的脑部MRI时效果较好，当噪声过度时，此算法效果不佳。为了克服这个缺陷，Zhao等[10]基于非局部空间信息提出了一种FCM-NLS算法。该算法使脑部MRI无论处于何种程度噪声污染下都能获得较优的结果。但该算法仍有三个缺陷：一是采用随机处理方式初始化分割类中心、分割类别数，导致可能收敛到局部极值，尤其对于分割相似度较小的类别时，同一幅脑部MRI的数次运行结果可能差异较大，稳定性差；……