几何距优化质心结合隶属度约束RFCM的脑MRI图像分割算法

针对现有图像分割算法聚类复杂以及分割精度不够高的问题，提出了基于几何距优化质心和粗糙模糊C-均值（RFCM）相结合的医学图像聚类分割算法。首先建立软集表示的像素集，并计算每个像素与质心之间的距离，然后基于像素和质心之间的最小距离，将像素分组到聚类中。为了将软集应用到粗糙模糊C-均值中，定义了一个模糊软集，进一步将输入图像转换为二值图像，通过计算连通区域的几何距选择适当的质心。最后利用这些新的质心计算更新像素的隶属度值，从而完成模糊聚类划分。在Allen Brain Atlas等三个医学数据库上评估了所提出混合算法的性能，获得的Jaccard系数和分割精度（SA）都优于几种对比算法。实验证明，提出的聚类分割算法具有良好的性能。