技術(shù)特征：

1.一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：包括如下步驟：

步驟1：預(yù)處理，具體的，采用Mean Shift濾波合并圖像中相鄰且僅有較小區(qū)別的區(qū)域，從而獲得均勻一致的圖像區(qū)域；

步驟2：粗分割，具體的，采用FCM_S算法分割圖像，提取肝臟的主體區(qū)域；

步驟3：邊緣亮度補(bǔ)償，對步驟2提取的肝臟主體區(qū)域中的邊緣區(qū)域進(jìn)行亮度補(bǔ)償；

步驟4：肝臟區(qū)域分割，具體的，對步驟3亮度補(bǔ)償后的圖像再次采用FCM_S算法分割圖像。

2.根據(jù)權(quán)利要求1所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：步驟1中，所述Mean Shift濾波步驟包括：

步驟11：初始化y_i，1＝x_i，即將特征y_i，1初始化為像素x_i的原始特征，其中，i是像素下標(biāo)，1表示第一輪循環(huán)；

步驟12：根據(jù)式(1)計(jì)算y_i，j+1，式(1)為：

$y_{i,j+1}=\frac{{\Σ}_{k=1}^n{x}_{k}g\left(\right|\left|\frac{y_{i,j}-x_k}{h}\right|{|}^2)}{{\Σ}_{k=1}^{n}g\left(\right|\left|\frac{y_{i,j}-x_k}{h}\right|{|}^2)},$

其中，x_k是像素的原始特征，y_i，j是j輪迭代的結(jié)果，g是核函數(shù)，h是核函數(shù)的帶寬；

步驟13：當(dāng)y_i，j+1＝y(tǒng)_i，j時(shí)，獲得最終結(jié)果為y_i，c。

3.根據(jù)權(quán)利要求2所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：所述核函數(shù)g為高斯核函數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：所述步驟2中FCM_S算法分割圖像方法為：采用FCM_S算法，通過不斷迭代使目標(biāo)函數(shù)最小化的方法得到超聲波肝臟區(qū)域圖像中像素的隸屬度的值，然后根據(jù)最大隸屬度原則對像素進(jìn)行劃分，實(shí)現(xiàn)圖像的分割。

5.根據(jù)權(quán)利要求4所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：通過FCM_S算法減小圖像中的噪聲的影響，提取肝臟的大概位置。

6.根據(jù)權(quán)利要求5所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：所述添加了鄰域相關(guān)性信息的FCM_S算法的目標(biāo)函數(shù)為：

式(2)：

其中，N_j表示像素j的鄰域，N_r代表的是鄰域N_j中像素的數(shù)目，i是像素類別下標(biāo)，其中，共有C個(gè)類別，j是像素下標(biāo)，其中，共有N個(gè)像素，m是調(diào)節(jié)模糊隸屬度的權(quán)重指數(shù)，d_ij＝||x_j-υ_i||為第j個(gè)像素x_j與第i個(gè)聚類中心v_i的灰度差值，d_ir＝||x_r-v_i||為像素x_r與第i個(gè)聚類中心v_i的灰度差值，u_ij是x_j相對于v_i的模糊隸屬度,α是調(diào)節(jié)控制鄰域影響的參數(shù)。

7.根據(jù)權(quán)利要求6所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：所述模糊隸屬度是像素歸屬于某個(gè)類別的概率，其值屬于[0，1]，對于一個(gè)像素，其屬于各個(gè)類別的模糊隸屬度之和為1，即式(3)：

8.根據(jù)權(quán)利要求7所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：求解式(2)在式(3)條件下的極值，具體的，采用拉格朗日乘子法對各個(gè)變量求導(dǎo)，得模糊隸屬度u_ij以及聚類中心v_i的迭代公式：

式(4)：

式(5)：

通過式(4)和式(5)的迭代，使目標(biāo)函數(shù)，即式(2)，逐漸趨于最小化，獲得每個(gè)像素的隸屬度，從而實(shí)現(xiàn)圖像的分割。

9.根據(jù)權(quán)利要求1所述的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，其特征在于：所述步驟3亮度補(bǔ)償?shù)木唧w方法為：擴(kuò)展步驟2中獲得的肝臟邊緣區(qū)域亮區(qū)域中暗的部分，及擴(kuò)展肝臟邊緣區(qū)域暗區(qū)域中亮的部分。