1、醫(yī)學(xué)圖像識(shí)別是醫(yī)學(xué)影像自動(dòng)診斷的核心內(nèi)容，是國(guó)內(nèi)外醫(yī)學(xué)領(lǐng)域重點(diǎn)研究的方向，而圖像聚類是圖像識(shí)別的一種關(guān)鍵技術(shù)，在醫(yī)學(xué)臨床診斷中具有重要作用。因而，研究適合于醫(yī)學(xué)圖像的圖像聚類算法具有重要意義。目前，醫(yī)學(xué)圖像聚類算法不能完全滿足醫(yī)學(xué)圖像分析和理解的要求。本文試圖研究EM算法的初始化和適合于醫(yī)學(xué)圖像識(shí)別的高斯混合模型的聚類方法。
　　 本文研究了EM算法的初始化方法以及雙重高斯混合模型，提出了基于近似密度的參數(shù)初始化方法和基于雙重高

2、斯混合模型的醫(yī)學(xué)圖像聚類。論文研究工作主要體現(xiàn)在以下幾個(gè)方面：
　　 (1)系統(tǒng)研究了EM算法，高斯混合模型的理論和方法，說(shuō)明了基于高斯混合密度模型的參數(shù)估計(jì)屬于半?yún)?shù)估計(jì)的理論和方法。
　　 (2)文章深入研究了醫(yī)學(xué)圖像的近似密度估計(jì)函數(shù)和混合密度函數(shù)，提出了適合醫(yī)學(xué)圖像數(shù)據(jù)的基于近似密度的EM參數(shù)初始化方法。
　　 (3)對(duì)提出的基于近似密度的EM參數(shù)初始化方法與Kmeans和隨機(jī)初始化方法進(jìn)行比較。并應(yīng)用于