低秩表示实现鲁棒的CT和MR图像分割

由于图像中的噪声和复杂性，传统的图像分割方法并不总是能够捕捉到所有细节，即可能会忽略相邻像素的属性或者将图像的不同部分合并在一起.为了充分利用可用信息，利用低秩表示(LRR)和鲁棒主成分分析(RPCA)模型的优点，提出了一种新的图像分割方法，通过模糊c均值(FCM)方法对低秩亲和矩阵进行聚类来获得分割结果.在整个方法中，低秩分量是图像的主要信息，是通过求解RPCA模型获得的，而亲和矩阵表示全局结构，则是通过求解LRR模型获得的.在实验部分，使用计算机断层扫描(CT)图像分割来评估本文方法，结果显示在准确性和鲁棒性方面都有了显著改进.与现有一些算法相比，本文算法对异常值更加鲁棒，并尽可能地保留了图像的细节信息.