周同驰，李 征，瞿博阳，李 召，宋晓炜

(中原工学院 电子信息学院，河南 郑州 450007)

0 引 言

在计算机辅助诊断中，磁共振图像(MRI)发挥了重要作用，同时，大量学者对MRI分割展开了研究。分割时，常用的方法有神经网络[1]、分水岭[2]、水平集[3]、高斯混合模型[4]、模糊C均值(FCM)[5,6]等。其中，FCM模型是一种无监督学习，允许将一个像素分为一类或多类，之后根据隶属度值进行分类，属于软分类。由于FCM模型具有理论易懂、执行简单等优点，受到了大量学者的研究，但分割结果容易受到噪声和初始聚类中心的影响。

为解决噪声敏感问题，许多学者添加滤波操作或改进FCM模型的目标函数[7]。王小鹏等[8]提出一种自适应滤波的快速广义模糊C均值算法，通过非局部像素的噪声概率自适应确定参数平衡因子，将该因子用于抑制噪声，取得了更准确的结果。其中，原始的快速广义模糊C均值算法(FGFCM)是先对像素点灰度进行线性加权和生成新的灰度图像，然后利用直方图进行分割。周友行等[9]提出了一种考虑像元间相互关系的FCM聚类分割算法，使算法具备了更好的抗噪能力。Lei等[10]提出一种基于形态重构和隶属度滤波的快速鲁棒性模糊C均值(FRFCM)聚类算法，对原图像进行形态学重构，并使用隶属度滤波，提高了隶属度矩阵的有效性。为解决初始值影响算法性能的问题，Zhang等[11]将粒子群算法与FCM模型相结合，提出了PSOFCM算法，并在实验中取得了较好的结果。胡学刚等[12]利用非局部空间信息构建和图像，根据和图像的直方图，自动选择初始化聚类中心，在分割时取得了理想的效果。……