Research on MRI image denoising and segmentation algorithm based on wavelet decomposition and fuzzy clustering

Due to its unique imaging characteristics, magnetic resonance imaging (MRI) has different processing methods from general images. According to different application purposes, this paper proposes two algorithms: MRI image denoising and segmentation. First, according to the actual characteristics of image noise distribution after MRI reconstruction, this paper proposes an MRI image denoising algorithm based on wavelet transform. The algorithm elaborates on the characteristics of Rician noise in MRI images. First, the wavelet coefficients related to noise and edges are modeled, and then the maximum likelihood estimation is used for parameter estimation. At the same time, the scale correlation characteristics between continuous scales are used to perform function upgrading in order to obtain the optimal shrinkage function, which further improves the image quality. The quality of MRI images was improved, and finally a certain effect was achieved. At the same time, this paper conducted some research on the further analysis and application of MRI images, and proposed an improved fast fuzzy C-means clustering robust segmentation algorithm. The algorithm first uses the K-means clustering method to obtain the initial cluster center point, and at the same time considers the influence of the neighborhood on the segmentation result, and improves the objective function to overcome the influence of noise and non-uniform field on MRI image segmentation, so as to achieve the purpose of robust segmentation and lay the foundation for further image processing and analysis. Through experiments, we found that both algorithms proposed in this paper have achieved good results and achieved the expected purpose, whether for simulated images or actual images.