基于全局优化K均值聚类的医学图像分割方法

• 作者: 余柳青 元昌安 蔡宏果 覃晓
• 来源期刊: 南宁师范大学学报（自然科学版）
• 关键词: K均值聚类 医学图像 图像分割
• 年，卷（期）: 2015,（1）
• 页码范围: 71-76
• 页数: 6页
• 分类号: TP3914.1
• 语种: 中文

摘要

K均值聚类是医学图像分割中最常用的方法之一，但K均值（K‐means）聚类算法一个固有缺陷，在于若初始中心点的选取有重复的中心点，则聚类结果将含有空簇而使得聚类结果没有意义，进而影响图像分割效果。针对这一缺陷，首先提出在初始选点过程中进行聚类中心优化，避免产生重复的解决办法———初始点优化K均值算法（Initialization Optimized K‐means ，IOK‐means），继而将初始选点数据域约束到图像直方图峰值集，进一步改善聚类效果，得到全局优化K均值聚类算法（Global Optimized K‐means ，GOK‐means）。将GOK‐means应用在脑部医学图像分割的实验表明：GOK‐means能够将脑部灰质、白质及骨骼部分清晰地分割，与传统K均值算法IOK‐means相比，GOK‐means的初始化聚类中心成功率达到100％，聚类总体均方差降低了54．9％，验证了 GOK‐means的有效性。