The invention relates to a medical image segmentation method, which belongs to the field of image processing. The method of the invention is based on the harmony search algorithm, and realizes the steps of image preprocessing, image feature extraction, image pre segmentation, global optimal harmony search, and the best harmony search in the image region. The theory and practice prove that the method solves the problem of single objective function, single threshold value and no clustering effect in the clustering algorithm. By using the method of the invention, not only can effectively complete the medical image segmentation, and the loss of important image features, so the high quality of medical image segmentation can meet the reading needs of medical diagnosis.
【技术实现步骤摘要】
本专利技术涉及一种图像分割方法,尤其是一种医学图像分割方法,属于图像处理领域。
技术介绍
随着计算机断层扫描(ComputedTomography,CT)、核磁共振图像(MegnecticResonancelmaging,MRI)等人体医学成像技术的迅速发展,医学图像在临床医学诊断中发挥着越来越重要的作用。作为非监督学习算法,聚类因其简单、易操作、鲁棒性较好等优势运用于很多实际问题当中,如数据挖掘、图像处理、生物信息学、决策与规划等等方面。聚类方法也是常常用于图像分割的方法之一。该类方法主要思想是根据图像数据中的特征,按照某种聚类算法思想,将特征分为多种类别,同一类中图像特征相近,而不相同类之间的差异较大,最终将聚类结果映射到原图像中实现分割。图像聚类已成为图像分割的重要方法之一,运用聚类分析对医学图像中的物体进行分类是十分常见的方法。医学图像分割的目的是得到医学图像中有意义的簇,为医学图像识别与挖掘奠定基础。常规聚类法只能适用于结构化的、小规模的、低维的数据集。医学图像分割可以更好的在医务人员判断和诊断病情病因时提供科学参考,从而会大大减少因为人类本身视力分辨力不足或是医疗人员主观上临床经验不足产生的误诊率,进一步提高医学图像的利用率。对医学图像进行合理聚类还可以有效地管理庞大的图像数据库,随着网络技术的发展,能够和更多的同行共享这些有用的图片信息。划分聚类和层次聚类是常用的聚类算法。划分聚类是根据优化目标函数的方法实现不同类别之间的划分,常用的划分聚类的方法有K均值(K-means)、模糊C均值(FCM)、核模糊C均值(KFCM)、期望最大值(EM) ...
【技术保护点】
一种医学图像聚类方法,在计算机读入原始图像后,进行如下基本步骤:步骤A.设置参数:搜索规模N,聚类个数K,每个簇中优化迭代次数T,和声搜索算法参数记忆取值矩阵HMCR,微调概率PAR,音调微调带宽bw,最大迭代次数Tmax;步骤B.采用K‑means算法对医学图像进行聚类,将其分为K个簇,完成对图像的初始分割;步骤C.根据步骤B中K‑means算法的初始分割结果,对分割出来的每一个簇采用和声搜索算法(CHS)进行优化;步骤D.如果在某一个簇中找到最优解,则停止在这一个簇的搜索,记录其最优解Xbest;以最优解Xbest为中心,利用小生境技术产生一个小生境半径R,以为中心,R为半径形成的区域作为禁忌区;步骤E.未满足终止条件时,重新再搜索空间中随机生成N个新的搜索点,如果新的搜索点在“禁忌区”中,则重新生成,转至步骤C继续执行;步骤F.如果在所有簇中都找到了最优解或者迭代次数大于T,则停止当前搜索,并根据搜索结果,映射至图像中完成图像分割,输出分割后的图像。
【技术特征摘要】
1.一种医学图像聚类方法,在计算机读入原始图像后,进行如下基本步骤:步骤A.设置参数:搜索规模N,聚类个数K,每个簇中优化迭代次数T,和声搜索算法参数记忆取值矩阵HMCR,微调概率PAR,音调微调带宽bw,最大迭代次数Tmax;步骤B.采用K-means算法对医学图像进行聚类,将其分为K个簇,完成对图像的初始分割;步骤C.根据步骤B中K-means算法的初始分割结果,对分割出来的每一个簇采用和声搜索算法(CHS)进行优化;步骤D.如果在某一个簇中找到最优解,则停止在这一个簇的搜索,记录其最优解Xbest;以最优解Xbest为中心,利用小生境技术产生一个小生境半径R,以为中心,R为半径形成的区域作为禁忌区;步骤E.未满足终止条件时,重新再搜索空间中随机生成N个新的搜索点,如果新的搜索点在“禁忌区”中,则重新生成,转至步骤C继续执行;步骤F.如果在所有簇中都找到了最优解或者迭代次数大于T,则停止当前搜索,并根据搜索结果,映射至图像中完成图像分割,输出分割后的图像。2.根据权利要求1所述的医学图像分割方法,其特征在于:所述步骤C和步骤D之间还具有以下步骤:对于分割出来的每一个簇,都采用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。