基于MATLAB的医学图像自适应增强FCM分割系统

资 源 简 介

该项目通过改进传统FCM聚类算法，引入空间约束和自适应权重调整机制，有效提升医学图像（如MRI、CT）在病灶边缘模糊、灰度不均等复杂情况下的分割精度，增强噪声鲁棒性。

详 情 说 明

医学图像自适应增强FCM分割系统

项目介绍

本项目针对传统模糊C均值（FCM）聚类算法在医学图像分割中的局限性，提出了一种改进的自适应增强FCM分割系统。系统通过融合空间邻域信息、自适应灰度权重以及噪声鲁棒处理机制，有效提升了在MRI、CT等医学图像上对于边缘模糊、灰度不均匀区域的划分精度，为病灶定位与量化分析提供可靠工具。

功能特性

• 空间约束FCM（SFCM）：引入像素邻域关系，增强分割结果的局部连续性与平滑性。
• 自适应灰度加权：根据图像局部特征动态调整聚类权重，改善灰度不均区域的聚类效果。
• 噪声鲁棒性优化：结合中值滤波策略，抑制噪声对聚类过程的干扰，提高算法稳定性。
• 自动聚类数估计：支持自动估算最佳聚类数目，减少用户干预。
• 多模态图像支持：兼容DICOM/NIfTI格式的2D切片及3D体积数据。
• 结果可视化与量化评估：生成分割标签图、聚类中心、评估指标（Dice、Jaccard等）及原图与结果的对比展示。

使用方法

输入参数

• 图像路径：医学图像文件路径（支持.dcm、.nii、.nii.gz等格式）。
• 聚类数目（可选）：预设聚类数，若未提供则自动估算。
• 噪声水平（可选）：控制去噪强度，默认根据图像特性自适应设置。

执行示例

% 基本调用 main('patient01.nii.gz');

% 指定聚类数与噪声参数 main('slice.dcm', 4, 0.05);

输出结果

• 标签图像：分割结果，存储为与原图同尺寸的标签矩阵。
• 聚类中心：各聚类中心的灰度值列表。
• 评估报告：包含分割准确度、Dice系数等指标的文本文件。
• 可视化图像：原图、分割结果及边缘叠加对比图。

系统要求

• MATLAB R2020a 或更高版本
• 图像处理工具箱（Image Processing Toolbox）
• 统计学与机器学习工具箱（Statistics and Machine Learning Toolbox）
• 推荐内存：≥8GB（处理3D数据时建议≥16GB）

文件说明

主程序文件集成了图像读取与格式转换、聚类参数初始化、自适应加权FCM迭代计算、噪声鲁棒性处理、聚类结果后优化、分割效果量化评估及结果可视化输出等核心功能，实现了从输入图像到最终分割与评估的全流程自动化处理。