目录
• • • • • • 一、研究背景及意义 二、医学图像分割方法简介 三、KMEANS算法实现 四、LDA算法实现 五、算法评估 六、主要参考文献
典型的图像分割方法
典型的图像分割方法有阈值法，边缘检测法，区域法。 •
•
阈值分割
• • 阈值分割 阈值法的过程是决定一个灰度值，用以区分不同的类，这个灰 度值就叫做“阈值”，把灰度值大于阈值的所有像素归为一类，小于 阚值的所有像素归为另一类。 • 阈值分割步骤
• 线性鉴别分析(Linear Discriminant Analysis, LDA)，是模式 识别的经典算法。它是一种有效的特征抽取方法。在1996年由 Belhumeur引入模式识别和人工智能领域的。 • 基本思想：将高维的模式样本投影到最佳鉴别矢量空间，以达到 抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本 在新的子空间有最大的类间距离和最小的类内距离，即模式在该 空间中有最佳的可分离性。 • 作用效果：使用这种方法能够使在新的空间中有最小的类内距离 和最大的类间距离，即模式在该空间中投影后模式样本的类间散 布矩阵最大，并且同时类内散布矩阵最小。就是说，它能够保证 投影后模式样本有最佳的可分离性。
三、MATLAB中K-MEANS 算法实现
• K均值聚类法分为如下几个步骤： 一、初始化聚类中心 • • • • 1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。 2、用前C个样本作为初始聚类中心。 3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。 二、初始聚类
确定需要的分割阈值
阈值与像素值比较 划分像素
•
阈值分割方法 聚类法 KMEANS聚类算法 最大熵法 最小误差阈值选择法
KMeans算法
K-means算法 是聚类算法中的一种常用算法,在模式识别和聚类中经常被使用,属于无监督分类 的一个分支.其主要目的是对具有相同数据类型的样本数据按距离最短规则进行集合的划分, 最终获取各等价类。
目前仿真实现结果
目前存在问题
下一步要解决的问题 1. LDA算法实现 2. 分割结果标记 3. MATLAB环境加强熟悉 4. 评估对比算法 5. 论文架构含主 要技术参数）
1. 了解医学病理切片图像中真皮区域分割研究背景，研 究意义，国内外在该领域的研究进展； 2. 熟悉MATLAB编译环境，能使用MATLAB编程语言对 核心算法进行仿真； 3. 理解Kmeans和LDA分类算法的原理，掌握医学病理切 片图像中真皮区域分割的实现流程，研究并实现基于 Kmeans算法和基于LDA算法的医学病理切片图像中真 皮区域分割算法，通过仿真实验结果比较两种分类算 法的优缺点； 4. 总结全文，提出分割算法改进的方向，并对下一步工 作做出展望。
• 假设要把样本集分为c个类别，算法描述如下： • （1）适当选择c个类的初始中心； • （2）在第k次迭代中，对任意一个样本，求其到c各中心的距离， 将该样本归到距离最短的中心所在的类； • （3）利用均值等方法更新该类的中心值； • （4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更 新后，值保持不变，则迭代结束，否则继续迭代。 • 该算法的最大优势在于简洁和快速。算法的关键在于初始中心的 选择和距离公式。
•
• • •
1、按就近原则将样本归入各聚类中心所代表的类中。
2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类 中心。然后取下一样本，重复操作，直至所有样本归入相应类中。 三、判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循环进行判断、修改直 至达到算法终止条件。
基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代 的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 K-means算法的主要思想是基于使聚类性能指标最小化。这里所用的聚类准则函 数是聚类集中每一样本点到该类簇中心点距离平方之和，并使它最小化。
LDA线性鉴别分析法