基于快速全局模糊C均值聚类算法的脑瘤图像分割

吉林大学学报(理学版)

基于快速全局模糊C均值聚类算法的脑瘤图像分割

周文刚¹, 付芬²

1. 周口师范学院计算机科学与技术学院, 河南周口 466001;2. 重庆邮电大学计算机科学与技术学院, 重庆 400065

收稿日期:2014-12-11 出版日期:2015-05-26 发布日期:2015-05-21
通讯作者: 周文刚 E-mail:zhouwengang@zknu.edu.cn

Brain Tumor Image Segmentation Based on Rapid Global FCM Algorithm

ZHOU Wengang¹, FU Fen²

1. College of Computer Science and Technology, Zhoukou Normal University, Zhoukou 466001,Henan Province, China; 2. College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Received:2014-12-11 Online:2015-05-26 Published:2015-05-21
Contact: ZHOU Wengang E-mail:zhouwengang@zknu.edu.cn

摘要/Abstract

摘要：

针对经典模糊C均值聚类算法对初始聚类中心过于敏感的缺陷, 提出一种快速全局模糊C均值聚类算法. 该算法采用分阶段动态递增的方式选取初始聚类中心, 避免了随机化设置导致的聚类结果稳定性差问题. 实验分析表明, 改进后的模糊C均值聚类算法在脑瘤图像分割中的聚类效果较好, 多个数据集的聚类准确率也表明, 快速全局模糊C均值算法的聚类稳定性明显提升.

关键词: 脑瘤, 图像分割, 模糊C均值, 聚类

Abstract:

In view of classical FCM clustering algorithm being too sensitive to the initial cluster centers, a rapid global FCM clustering algorithm was proposed. The algorithm uses dynamic incrementally phased selection of initial cluster centers, avoiding the problem of poor stability of clustering results due to random settings. The experiments show that the clustering result of the improved FCM clustering algorithm is better than that of classical FCM in image segmentation of brain tumors, while the clustering accuracy of multiple data sets also shows that the clustering stability of the rapid global FCM algorithm is enhanced
greatly.

Key words: brain tumor, image segmentation, fuzzy C-mean (FCM), clustering

中图分类号:

TP751.1

周文刚, 付芬. 基于快速全局模糊C均值聚类算法的脑瘤图像分割[J]. 吉林大学学报(理学版), 2015, 53(03): 494-498.

ZHOU Wengang, FU Fen. Brain Tumor Image Segmentation Based on Rapid Global FCM Algorithm[J]. Journal of Jilin University Science Edition, 2015, 53(03): 494-498.

[1]	张蕾, 姜宇, 孙莉. 一种改进型TF-IDF文本聚类方法[J]. 吉林大学学报(理学版), 2021, 59(5): 1199-1204.
[2]	胡雅婷, 陈营华, 宝音巴特, 曲福恒, 李卓识. 一种增量式MinMax k-Means聚类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1205-1211.
[3]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[4]	蒲晓川, 黄俊丽, 祁宁, 宋长松. 基于密度信息熵的K-means算法在客户细分中的应用[J]. 吉林大学学报(理学版), 2021, 59(5): 1245-1251.
[5]	曾宏志, 史洪松. 半监督技术和主动学习相结合的网络入侵检测方法[J]. 吉林大学学报(理学版), 2021, 59(4): 936-942.
[6]	王雪. 基于U-Net多尺度和多维度特征融合的皮肤病变分割方法[J]. 吉林大学学报(理学版), 2021, 59(1): 123-127.
[7]	李健, 姜楠, 宝音巴特, 张帆, 张伟健, 王薇. 空间颜色聚类算法及其在图像特征提取中的应用[J]. 吉林大学学报(理学版), 2020, 58(3): 627-633.
[8]	王海燕, 崔文超, 许佩迪, 李闯. Canopy在划分聚类算法中对K选取的优化[J]. 吉林大学学报(理学版), 2020, 58(3): 634-638.
[9]	金晓民, 张丽萍, 李慧静. 控制活动轮廓演化的快速图像分割方法[J]. 吉林大学学报(理学版), 2020, 58(3): 639-644.
[10]	吕洪武, 赵航, 王宏志, 胡黄水. 基于模糊神经网络的MVB故障诊断算法[J]. 吉林大学学报(理学版), 2020, 58(1): 104-108.
[11]	齐向明, 孙煦骄. 基于语义簇的中文文本聚类算法[J]. 吉林大学学报(理学版), 2019, 57(5): 1193-1199.
[12]	刘良凤, 刘三阳. 基于权重差异度的动态模糊聚类算法[J]. 吉林大学学报(理学版), 2019, 57(3): 574-582.
[13]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[14]	刘久彪. 空间数据库反向最近邻聚类方法[J]. 吉林大学学报(理学版), 2019, 57(2): 387-392.
[15]	董立岩, 王宇, 任怡, 李永丽. 基于矩阵分解和聚类的协同过滤算法[J]. 吉林大学学报(理学版), 2019, 57(1): 105-110.