一种基于空间域和频谱域特征的图象分割方法-东南大学学报.pdf

第28 卷第4 期 东 南 大 学 学 报 Vol28 No4 1998 年7 月 JOURNAL OF SOUTHEAST UNIVERSITY July 1998 吴新根 鲍旭东 傅 瑶 罗立民 ( 东南大学生物科学与医学工程系, 南京210096) 提出 一种基于空间域和频谱域特征的神经网络的医学图像分割方法. 本方 法不需要教师监督,能自动生成最优的网络输出节点,即分类数. 对CT , MRI 和超声图 像的分割表明本方法有效方便. 竞争学习; 图像分割; 特征空间; 神经网络 TP391. 41 到目前为止, 已经提出了很多神经网络图像分割方法. 这些方法大致 分为两类, 即无监 督分割方法与有监督分割方法. 由于在一般的图像分割过程中缺少先验的知识和教师的指导, 而且往往带有一定的实时性, 因此很自然地想到利用无教师监督的神经网络进行图像分割. 在 [ 1] 现有的许多无监督分割方法中, C. Bouman 等 用求最小代价函数方法对像素进行聚类分割, [ 2] Choi等 则用一个自我生成的改进型自组织映射(SOM) 网络分割图像. 本方法基于空间域和 频谱域特征训练神经网络, 在算法收敛时, 得到满足改进的最小均方误差标准的网络权值系 数, 据此对每一个像素分类. 1 由于分割结果所选取的特征紧密相关, 因此我们从空间域和频谱域中分别选取了6 个特 征构成待分类像素的特征空间, 这6 个特征是输入图像块中心像素的. 1) 密度方差Dvar 及能量方差Evar I J 2 D = [ P ( i,j ) - D ] (1) var avg i= 1 j = 1 式中, P ( i,j ) 为( i,j ) 处像素的密度; I , J 代表输入图像块的大小尺度; Davg 则为该图像块的 平均密度; Evar 为能量方差. I J 1 D avg = P ( i,j ) (2) I J i= 1 j = 1 I J 2 2 E = [ P ( i,j ) - E ] (3) var avg i= 1 j = 1 式中, Eavg 为输入图像块的平均能量. 收稿日期: 1997 12 17, 修改稿收到日期: 1998 03 16. 34 东 南 大 学 学 报 第28 卷 I J 1 2 Eavg = P ( i,j )