一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法技术

本发明专利技术涉及一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法，包括以下步骤：S1：输入待分割舌诊图像；S2：对待分割舌诊图像进行色彩空间转换；S3：将色彩空间转换后的舌诊图像进行蚁群算法处理，得到聚类中心和聚类数目；S4：将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值，计算分割舌诊图像的聚类结果；S5：去模糊化，得到分割后的舌诊图像；本发明专利技术可降低待分割舌诊图像的复杂度；可提高算法对像素归类的准确性；可降低算法对噪声的敏感程度；克服了模糊C均值算法对初始聚类中心和初始参数敏感的问题，提高模糊C均值算法的运算速度；可有效提高舌诊图像分割的精度。

A Fuzzy Clustering Method for Tongue Diagnosis Image Segmentation Based on Improved Ant Colony Algorithm

The present invention relates to a tongue diagnosis image segmentation method based on improved ant colony algorithm and fuzzy clustering, which includes the following steps: S1: input the tongue diagnosis image to be segmented; S2: color space conversion for the segmented tongue diagnosis image; S3: Ant colony algorithm is used to process the tongue diagnosis image after color space conversion to obtain the clustering center and the number of clusters; S4: clustering obtained by ant colony algorithm. As the initial value of the fuzzy C-means clustering algorithm, the center and the number of clusters are used to calculate the clustering result of the segmented tongue diagnosis image; S5: De-fuzzification to obtain the segmented tongue diagnosis image; The present invention can reduce the complexity of the segmented tongue diagnosis image; can improve the accuracy of the algorithm to classify the pixels; can reduce the sensitivity of the algorithm to noise; and overcome the fuzzy C-means algorithm to the initial clustering center. And the sensitivity of initial parameters can improve the speed of operation of the fuzzy C-means algorithm, which can effectively improve the accuracy of tongue diagnosis image segmentation.

【技术实现步骤摘要】
一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法
本专利技术涉及舌诊图像数据处理领域，更具体地，涉及一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法。
技术介绍
随着科技发展，人类使用计算机模拟人脑识别舌诊图像中目标的过程，以便得到处理舌诊图像的方法，使舌诊图像成为更适于人眼观察或者方便仪器检测的数据；在计算机视觉应用研究邻域，舌诊图像分割是第一步，在数字舌诊图像处理的过程中十分重要，舌诊图像分割的精确度将直接影响舌诊图像分析和识别的准确度，因此舌诊图像分割的研究对于舌诊图像处理、舌诊图像分析和舌诊图像识别等领域十分有意义。舌诊图像分割是指将舌诊图像分成若干互不重叠的子区域，使得同一个子区域的特征具有一定的相似性，不同子区域的特征呈现较为明显的差异；现有的舌诊图像分割方法主要分以下几类：基于阀值的分割算法、基于边缘检测的分割算法、基于区域的分割算法和基于聚类的分割算法。在聚类方法中，模糊C均值聚类(FuzzyC-means，FCM)算法引入了模糊的概念，能较好表达和处理不确定性问题，是目前应用最广泛的舌诊图像分割方法之一；但在实际应用中，FCM算法存在一些不足，如：不同初始聚类中心，聚类效果不同；易陷于局部最优值；对噪声点敏感等，这导致现有算法的对舌诊图像的分割精度不高。
技术实现思路
本专利技术为克服上述现有技术所述的舌诊图像分割精度不高缺陷，提供一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法。所述方法包括以下步骤：S1：输入待分割舌诊图像；S2：对待分割舌诊图像进行色彩空间转换；S3：将进行了色彩空间转换后的舌诊图像进行蚁群算法处理，得到聚类中心和聚类数目；S4：将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值，计算分割舌诊图像的聚类结果；S5：去模糊化，得到分割后的舌诊图像。本专利技术通过采用HIS彩色空间来降低待分割舌诊图像的复杂度；通过在蚁群算法中引入彩色空间达到提高算法对像素归类的准确性；通过同时对模糊C均值算法的目标函数和隶属度函数引入空间信息，降低算法对噪声的敏感程度；使用蚁群算法的聚类结果作为FCM算法的初始聚类中心和聚类数目，克服了模糊C均值算法对初始聚类中心和初始参数敏感的问题，提高模糊C均值算法的运算速度；本专利技术可有效提高舌诊图像分割的精度。本专利技术加入了颜色空间信息的蚁群算法：在传统的蚁群算法中，没有考虑舌诊图像的颜色空间信息所带来的影响，所以我们可以引入颜色空间信息。在颜色空间中，HIS颜色空间用色调(Hue)、饱和度(Saturation)、亮度(Intensity)来描述颜色特征，更加符合人类的视觉感受，在实际操作中更有利于人的主观操作，所以选择HIS颜色空间来表示舌诊图像的颜色特征。修改传统蚁群算法中的加权距离公式为(这小点在其他论文上发表了)其中，xi为第i个像素点，vj为第j个聚类中心点，Hi为像素点xi在H分量的值，Hj为聚类中心vj在H分量的值，Si为像素点xi在S分量的值，Sj为聚类中心vj在S分量的值，Ii为像素点xi在I分量的值，Ij为聚类中心vj在I分量的值；这是因为由RGB空间转化为HSI空间每个像素分量的取值范围变为H∈[0,2π]，S∈[0,1]，I∈[0,1]，若采用原来的定义距离模式，会发现色度H在人类辨别目标时，贡献将远大于饱和度S和亮度I的影响。修改传统蚁群算法中的启发式引导函数：由于传统的引导函数只考虑到两聚类之间的距离因素，而没有考虑到两区域间的颜色差异性，所以本专利技术将彩色颜色差异项引入引导函数中。修改后的引导函数定义为其中，r为聚类半径，dij为第i个像素xi到第j个聚类中心vj的距离，ΔHSIij为颜色差异项，ΔHSIij＝(ΔHij)2+(ΔSij)2，ΔHij、ΔSij分别为像素与聚类中心的H，S分量的颜色均值差异。当像素与聚类中心颜色差异越大时，选择该聚类的概率就越小。本专利技术引入了空间信息的FCM算法：在舌诊图像分割过程中，空间信息与邻域像素由很强的关联性；传统的FCM舌诊图像分割算法没有考虑空间信息，舌诊图像噪声和人为因素会影响模糊聚类算法的实验结果，因此将空间信息引入模糊聚类中显得尤为重要。在FCM算法的目标函数中加入空间约束重新定义目标函数如下：其中，为像素点xj某领域窗口内所有像素灰度值的均值，C为聚类中心的集合，N为像素点集合，m为模糊指数，vi为第i类聚类中心点，uij为隶属度矩阵。引入一个空间信息函数其中NB(xj)表示空间域中的以像素xj为中心的方形窗口，函数hij表示像素xj属于第i个聚类的可能性；如果集群的大多数邻域属于相同的集群，则集群的像素的空间函数就很大。将空间信息函数融合到FCM算法的隶属度函数中，得到新的模糊隶属度函数如下：其中，p和q是控制u和h相对权重的参数；为空间信息函数，其中NB(xj)表示空间域中的以像素xj为中心的方形窗口，函数hij表示像素xj属于第i个聚类的可能性；uij为隶属度矩阵。优选地，步骤S2中待分割舌诊图像色彩空间转换公式为：其中，H为色调，R为红色分量，G为绿色分量，B为蓝色分量，S为饱和度，θ为H轴与S轴的夹角度数。优选地，步骤S3包括以下步骤：S3.1：对待分割舌诊图像像素进行初步区域划分并计算初始聚类中心；各类聚类中心的计算公式为：其中，p为像素，Sj为区域的个数，Nj为每个区域的像素数目，由此得到聚类中心的集合为C＝(C1，C2，…，Cn)；S3.2：初始化信息素启发因子α、期望启发因子β、信息素残留因子ρ、聚类半径r、阀值P0；S3.3：计算第i个像素xi到第j个聚类中心vj的距离dij，计算公式为：其中，Hi为像素点xi在H分量的值，Hj为聚类中心vj在H分量的值，Si为像素点xi在S分量的值，Sj为聚类中心vj在S分量的值，Ii为像素点xi在I分量的值，Ij为聚类中心vj在I分量的值；S3.4：计算各条路径上的信息素浓度，计算公式为：S3.5：将颜色差异项引入启发函数中，得到新的启发函数为：其中，r为聚类半径，dij为第i个像素xi到第j个聚类中心vj的距离，ΔHSIij为颜色差异项，ΔHSIij＝(ΔHij)2+(ΔSij)2，ΔHij、ΔSij分别为像素与聚类中心的H，S分量的颜色均值差异；S3.6：将S3.5中的启发函数代入转移概率函数计算Xi是否归到聚类中心Cj的概率Pij(t)，计算公式为：其中，ηij(t)为启发函数，τij(t)为信息素更新函数，α为信息调节因子，表示信息所对路径选择的重要性，β为期望调节因子，表示引导函数对路径选择的影响因子；若Pij(t)≥P0，则Xi并到Cj的领域中；S3.7：更新各类的聚类中心，更新公式为：S3.8：计算各个聚类的偏离误差和总体误差其中，xk为第k像素点，Oj为更新后的聚类中心，若ε≤ε0，则执行S3.9；否则按照式如下公式更新信息素浓度后并跳转到S3.5进行迭代；τij(t)＝(1-ρ)τij(t)+ρΔτij(t)其中，表示一次循环之后聚类中心Ck信息素的增加量，表示第k只蚂蚁在Ck处留下的信息素；S3.9：类间合并，根据聚类中心，计算各类之间的距离，若两个类之间的距离小于所设定的阈值则合并归为一类，重新计算新类的聚类中心；类间合并结束后得到新的聚类数目M和聚类中心C′＝(C′1本文档来自技高网...

【技术保护点】
1.一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法，其特征在于，所述方法包括以下步骤：S1：输入待分割舌诊图像；S2：对待分割舌诊图像进行色彩空间转换；S3：将进行了色彩空间转换后的舌诊图像进行蚁群算法处理，得到聚类中心和聚类数目；S4：将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值，计算分割舌诊图像的聚类结果；S5：去模糊化，得到分割后的舌诊图像。

【技术特征摘要】
1.一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法，其特征在于，所述方法包括以下步骤：S1：输入待分割舌诊图像；S2：对待分割舌诊图像进行色彩空间转换；S3：将进行了色彩空间转换后的舌诊图像进行蚁群算法处理，得到聚类中心和聚类数目；S4：将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值，计算分割舌诊图像的聚类结果；S5：去模糊化，得到分割后的舌诊图像。2.根据权利要求1所述的基于改进的蚁群算法的模糊聚类的舌诊图像分割方法，其特征在于，步骤S2中待分割舌诊图像色彩空间转换公式为：其中，H为色调，R为红色分量，G为绿色分量，B为蓝色分量，S为饱和度，θ为H轴与S轴的夹角度数。3.根据权利要求1所述的基于改进的蚁群算法的模糊聚类的舌诊图像分割方法，其特征在于，步骤S3包括以下步骤：S3.1：对待分割舌诊图像像素进行初步区域划分并计算初始聚类中心；各类聚类中心的计算公式为：其中，p为像素，Sj为区域的个数，Nj为每个区域的像素数目，由此得到聚类中心的集合为C＝(C1,C2,…,C洠)；S3.2：初始化信息素启发因子α、期望启发因子β、信息素残留因子ρ、聚类半径r、阀值P0；S3.3：计算第i个像素xi到第j个聚类中心vj的距离dij，计算公式为：其中，Hi为像素点xi在H分量的值，Hj为聚类中心vj在H分量的值，Si为像素点xi在S分量的值，Sj为聚类中心vj在S分量的值，Ii为像素点xi在I分量的值，Ij为聚类中心vj在I分量的值；S3.4：计算各条路径上的信息素浓度，计算公式为：S3.5：将颜色差异项引入启发函数中，得到新的启发函数为：其中，r为聚类半径，dij为第i个像素xi到第j个聚类中心vj的距离，ΔHSIij为颜色差异项，ΔHSIij＝(ΔHij)2+(ΔSij)2，ΔHij、ΔSij分别为像素xi与聚类中心vj在H，S分量的颜色均值差异；S3.6：将S3.5中的启发函数代入转移概率函数计算Xi是否归到聚类中心Cj的概率Pij(t)，计算公式为：其中，ηij(t)为启发函数，τij(t)为信息素更新函数，α为信息调节因子，表示信息所对路径选择的重要性，β为期望调节因子，表示引导函数对路径选择...

【专利技术属性】
技术研发人员：徐乐，韦玉科，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44