脑出血是一种突发性脑疾病，通常是指颅内血管破裂引起的出血现象，死亡率、致残率及复发率高。脑出血的无创检查通常采用CT成像技术，通过扫描脑部结构，查看是否存在血肿、出血位置和出血量，并检查是否有脑移位或破入脑室等情况，脑出血CT图像血块的快速识别和提取对于协助医生临床诊断具有重要作用。

目前，已有应用于医学图像病灶提取的方法。青蛙跳跃算法（SFLA）作为一种有效的元启发式方法，可以有效地处理医学图像，但是存在着收敛速度慢、优化精度低等问题Chen等人提出了一种具有水平和垂直交叉搜索的集成多策略驱动的混合青蛙跳跃算法，通过实现水平和垂直交叉搜索机制，提高了传统SFLA分割多阈值图像的能力，但仅对乳腺浸润性导管癌有效。Kollem等人提出了一种基于优化的支持向量机（SVM）的概率模糊c-均值聚类算法，是采用改进的概率模糊c均值聚类算法对增强后的一次去噪图像进行分割。然而，由于脑出血的血块形状和空间位置不规则，同时可能会出现血块与颅骨黏连的情况，因此采用现有方法提取脑出血CT图像血块，存在着血块定位不够准确和清晰以及提取效率低等问题。

本发明公开一种基于优化SFLA和聚类的脑出血CT图像血块提取方法，针对脑出血CT图像中的聚集特点及复杂的空间位置和形状，首先，提出了脑出血聚类算法和改进的混合蛙跳跃算法（MSFLA）对脑出血CT图像进行分割，有效提高了收敛速度和全局优化能力，得到了脑出血二值分割结果；然后建立了颅内血块提取框架（采用基于自适应窗口的二维前缀求和消除算法）去除脑部无关组织，最后通过判断血块和颅骨的空间位置，利用区域形态学操作，实现了高效、精准的提取血块，提取轮廓更加细节，减少诊断误差。

本发明实施例的流程图

本发明实施例脑出血聚类算法流程图

本发明实施例改进的SFLA算法流程图

本发明实施例颅内血块提取框架示意图