.588, 智能系统学报 第9卷 表1分割质量比较 Table 1 Qualitison compare of segmentation results 标准 算法 breast headl tumor head2 FCM 0.908256 0.937925 0.920705 0.943104 FCMs 0.890121 0.910757 0.891943 0.923302 EnFCM 0.780815 0.880399 0.856142 0.875697 IntFCM 0.887940 0.937925 0.920705 0.943104 FCM 1.708753 1.528459 3.980954 1.269151 FCMs 1.721053 1.529560 1.575088 6.249228 V EnFCM 1.705063 3.370459 1.704269 1.702875 IntFCM 2.086202 1.528461 1.574369 1.269151 FCM 0.375072 1.785398 1.611865 1.164947 FCMs 0.383582 2.034325 1.77718 1.298093 F(D EnFCM 3.054808 4.162635 4.45105 4.353452 IntFCM 0.373781 1.785398 1.611865 1.164947 FCM 39.986882 96.725345 106.032120 61.193914 FCMs 40.237596 105.220373 114.231665 67.188700 EnFCM 288.00562 630.001101 542.438503 686.889253 IntFCM 37.937884 96.725322 106.032094 61.193855 2.3运行时间比较 算法的效率。在医学图像上的实验表明，本文算法 考虑到本文最初的出发点是在保证分割结果的 在视觉效果、图像分割质量方面，要优于FCM及其 前提下提高FCM算法的效率，因此，需要对算法的 相关改进算法：相比于FCM和FCMs算法，其运行 运行时间进行比较，结果如表2所示。需要说明的 效率有所提高，但与EFCM算法仍有较大的差距。 是，4个算法均运行在相同的计算机软硬件环境，编 在接下来的工作里，将继续研究如何保证分割效果 程环境采用MATLAB20IOb。 的前提下进一步提高算法的运行效率，使其与EF 表2算法的运行时间比较 CM在运行效率上可以相媲美。 Table 2 Comparison of two algorithm runtime/s 参考文献： 算法 breast headl tumor head2 FCM197.921875163.9375212.390625177.875000 [1]徐少平，刘小平，李春泉，等.基于区域特征分析的快速 FCM图像分割改进算法[J].模式识别与人工智能， FCMs427.046875365.6875561.609375304.640625 2012,25(6):987-995. EnFCM0.4531250.4531250.4843750.453125 XU Shaoping,LIU Xiaoping,LI Chunquan,et al.An im- IntFCM102.6875114.71875119.578125151.312500 proved fast FCM image segmentation algorithm based on re- 从表2可以看出，虽然文中算法在运行效率上 gion feature analysis[].Pattem Recognition and Aitificial 明显不如EnFCM算法，但较FCM算法和FCMs算 ntelligence,2012,25(6):987-995. 法有明显地提高，满足了本文最初的要求。 [2]HE Lianghua,WEN Ying,WAN Meng,et al.Multi-chan- nel features based automated segmentation of diffusion tensor 3结束语 imaging using an improved FCM with spatial constraints[] Neurocomputing,2014,137:107-114. FCM算法用于医学图像分割时存在低效率问 [3]唐利明，田学全，黄大荣，等.结合FCMS与变分水平集 题，其相关改进算法在效率与分割效果方面又很难 的图像分割模型[J].自动化学报，2014,40(6)：1233- 取得平衡，针对这个问题，本文提出了基于峰值检测 1248. 的FCM算法，其本质是在FCM算法进行初始化时 TANG Liming,TIAN Xuequan,HUANG Darong,et al.Im- 使初始化的聚类中心逼近最终的聚类中心，以提高 age segmentation model combined with FCMS and variational表 １ 分割质量比较 Ｔａｂｌｅ １ Ｑｕａｌｉｔｉｓｏｎ ｃｏｍｐａｒｅ ｏｆ ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ 标准 算 法 ｂｒｅａｓｔ ｈｅａｄ１ ｔｕｍｏｒ ｈｅａｄ２ ＶＰＣ ＦＣＭ ０．９０８ ２５６ ０．９３７ ９２５ ０．９２０ ７０５ ０．９４３ １０４ ＦＣＭｓ ０．８９０ １２１ ０．９１０ ７５７ ０．８９１ ９４３ ０．９２３ ３０２ ＥｎＦＣＭ ０．７８０ ８１５ ０．８８０ ３９９ ０．８５６ １４２ ０．８７５ ６９７ ＩｎｔＦＣＭ ０．８８７ ９４０ ０．９３７ ９２５ ０．９２０ ７０５ ０．９４３ １０４ ＶＸＢ ＦＣＭ １．７０８ ７５３ １．５２８ ４５９ ３．９８０ ９５４ １．２６９ １５１ ＦＣＭｓ １．７２１ ０５３ １．５２９ ５６０ １．５７５ ０８８ ６．２４９ ２２８ ＥｎＦＣＭ １．７０５ ０６３ ３．３７０ ４５９ １．７０４ ２６９ １．７０２ ８７５ ＩｎｔＦＣＭ ２．０８６ ２０２ １．５２８ ４６１ １．５７４ ３６９ １．２６９ １５１ Ｆ（Ｉ） ＦＣＭ ０．３７５ ０７２ １．７８５ ３９８ １．６１１ ８６５ １．１６４ ９４７ ＦＣＭｓ ０．３８３ ５８２ ２．０３４ ３２５ １．７７７ １８ １．２９８ ０９３ ＥｎＦＣＭ ３．０５４ ８０８ ４．１６２ ６３５ ４．４５１ ０５ ４．３５３ ４５２ ＩｎｔＦＣＭ ０．３７３ ７８１ １．７８５ ３９８ １．６１１８ ６５ １．１６４ ９４７ ＶＲＥ ＦＣＭ ３９．９８６ ８８２ ９６．７２５ ３４５ １０６．０３２ １２０ ６１．１９３ ９１４ ＦＣＭｓ ４０．２３７ ５９６ １０５．２２０ ３７３ １１４．２３１ ６６５ ６７．１８８ ７００ ＥｎＦＣＭ ２８８．００５ ６２ ６３０．００１ １０１ ５４２．４３８ ５０３ ６８６．８８９ ２５３ ＩｎｔＦＣＭ ３７．９３７ ８８４ ９６．７２５ ３２２ １０６．０３２ ０９４ ６１．１９３ ８５５ ２．３ 运行时间比较 考虑到本文最初的出发点是在保证分割结果的 前提下提高 ＦＣＭ 算法的效率，因此，需要对算法的 运行时间进行比较，结果如表 ２ 所示。 需要说明的 是，４ 个算法均运行在相同的计算机软硬件环境，编 程环境采用 ＭＡＴＬＡＢ ２０１０ｂ。 表 ２ 算法的运行时间比较 Ｔａｂｌｅ ２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｗｏ ａｌｇｏｒｉｔｈｍ ｒｕｎｔｉｍｅ ／ ｓ 算 法 ｂｒｅａｓｔ ｈｅａｄ１ ｔｕｍｏｒ ｈｅａｄ２ ＦＣＭ １９７．９２１ ８７５ １６３．９３７ ５ ２１２．３９０ ６２５ １７７．８７５ ０００ ＦＣＭｓ ４２７．０４６ ８７５ ３６５．６８７ ５ ５６１．６０９ ３７５ ３０４．６４０ ６２５ ＥｎＦＣＭ ０．４５３ １２５ ０．４５３ １２５ ０．４８４ ３７５ ０．４５３ １２５ ＩｎｔＦＣＭ １０２．６８７ ５ １１４．７１８ ７５ １１９．５７８ １２５ １５１．３１２ ５００ 从表 ２ 可以看出，虽然文中算法在运行效率上 明显不如 ＥｎＦＣＭ 算法，但较 ＦＣＭ 算法和 ＦＣＭｓ 算 法有明显地提高，满足了本文最初的要求。 ３ 结束语 ＦＣＭ 算法用于医学图像分割时存在低效率问 题，其相关改进算法在效率与分割效果方面又很难 取得平衡，针对这个问题，本文提出了基于峰值检测 的 ＦＣＭ 算法，其本质是在 ＦＣＭ 算法进行初始化时 使初始化的聚类中心逼近最终的聚类中心，以提高 算法的效率。 在医学图像上的实验表明，本文算法 在视觉效果、图像分割质量方面，要优于 ＦＣＭ 及其 相关改进算法；相比于 ＦＣＭ 和 ＦＣＭｓ 算法，其运行 效率有所提高，但与 ＥｎＦＣＭ 算法仍有较大的差距。 在接下来的工作里，将继续研究如何保证分割效果 的前提下进一步提高算法的运行效率，使其与 ＥｎＦ⁃ ＣＭ 在运行效率上可以相媲美。 参考文献： ［１］徐少平， 刘小平， 李春泉，等． 基于区域特征分析的快速 ＦＣＭ 图像分割改进算法 ［ Ｊ］． 模式识别与人工智能， ２０１２， ２５（６）： ９８７⁃９９５． ＸＵ Ｓｈａｏｐｉｎｇ， ＬＩＵ Ｘｉａｏｐｉｎｇ， ＬＩ Ｃｈｕｎｑｕａｎ， ｅｔ ａｌ． Ａｎ ｉｍ⁃ ｐｒｏｖｅｄ ｆａｓｔ ＦＣＭ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｒｅ⁃ ｇｉｏｎ ｆｅａｔｕｒｅ ａｎａｌｙｓｉｓ［ Ｊ］． Ｐａｔｔｅｍ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｉｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１２，２５（６）： ９８７⁃９９５． ［２］ＨＥ Ｌｉａｎｇｈｕａ， ＷＥＮ Ｙｉｎｇ， ＷＡＮ Ｍｅｎｇ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ｃｈａｎ⁃ ｎｅｌ ｆｅａｔｕｒｅｓ ｂａｓｅｄ ａｕｔｏｍａｔｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｄｉｆｆｕｓｉｏｎ ｔｅｎｓｏｒ ｉｍａｇｉｎｇ ｕｓｉｎｇ ａｎ ｉｍｐｒｏｖｅｄ ＦＣＭ ｗｉｔｈ ｓｐａｔｉａｌ ｃｏｎｓｔｒａｉｎｔｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０１４， １３７： １０７⁃１１４． ［３］唐利明， 田学全， 黄大荣，等． 结合 ＦＣＭＳ 与变分水平集 的图像分割模型［ Ｊ］．自动化学报， ２０１４， ４０（６）： １２３３⁃ １２４８． ＴＡＮＧ Ｌｉｍｉｎｇ， ＴＩＡＮ Ｘｕｅｑｕａｎ， ＨＵＡＮＧ Ｄａｒｏｎｇ， ｅｔ ａｌ． Ｉｍ⁃ ａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｏｄｅｌ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＦＣＭＳ ａｎｄ ｖａｒｉａｔｉｏｎａｌ ·５８８· 智 能 系 统 学 报 第 ９ 卷