科研成果详情

本发明涉及一种基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法,基于Dirichlet过程无限Student’s t混合模型,将无限Student’s t混合模型中的分量数假设为预设的图像的分割数K,然后利用期望最大化算法对模型进行求解,再利用贝叶斯最大后验概率准则进行图像分割。本发明所述的方法中,假设的Student’s t混合模型直接对应到脑部核磁共振图像不同的部分,而且Student’s t分布的高尾部特性决定了模型有较好的抗噪效果,从而实现脑部核磁共振图像分割。求解Dirichlet过程无限Student’s t混合模型的过程中,本发明用简单高效的期望最大化算法对基于截断Dirichlet过程无限Student’s t混合模型进行求解,使模型的求解变得更易实现。本发明的实施,能够在PC端对一幅脑部核磁共振图像快速自动地进行分割。

主权项：

1.一种基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法,其特征在于,基于Dirichlet过程无限Student’s t混合模型,将无限Student’s t混合模型中的分量数假设为预设的图像的分割数K,K为适当的相当大的数,然后利用期望最大化算法对模型进行求解,再利用贝叶斯最大后验概率准则进行图像分割；利用期望最大化算法对模型进行求解的方法为,向截断Dirichlet过程的无限Student’s t混合模型中引入两个丢失的信息z、u；利用期望最大化算法EM算法的E步对丢失的信息z和u进行估计：利用期望最大化算法EM算法的M步计算得到截断Dirichlet过程的无限Student’s t混合模型中的参数。