本发明专利技术一种基于BFBA和ELM的乳腺X射线图像特征选择方法，涉及图像处理技术领域，所要解决的技术问题为避免了动态规划法遇到的“指数爆炸”问题，以及解析法或蝙蝠算法容易陷入局部最优解的问题；采用的技术方案为：包括以下步骤：第一步，收集所用数据集MIAS；第二步，设置BFBA参数；第三步，蝙蝠种群初始化；第四步、根据每个蝙蝠位置编码生成相应的特征子集；第五步、更新每一个蝙蝠的搜索脉冲频率、速度和位置；第六、七步、生成均匀分布随机数rand；第八步、对所有蝙蝠的适应度值进行排序，找出当前的最优解和最优值；第九步、判断最优解是否发生了变化；第十步、判断stagnant_count是否等于stagnant_max；第十一步、重复第四步到第十步；第十二步、输出全局最优值和最优解。
【技术实现步骤摘要】
一种基于BFBA和ELM的乳腺X射线图像特征选择方法
本专利技术涉及图像处理
，尤其是涉及一种基于鸟类群体响应的蝙蝠算法(BirdFlockBatAlgorithm,BFBA)和极限学习机(ExtremeLearningMachine,ELM)的乳腺X射线图像特征选择方法。
技术介绍
乳腺疾病是女性常见的疾病之一，同时乳腺癌的多发性和危害性严重影响着女性的健康甚至生命，因此，乳腺疾病的早期诊断直接关系着女性的人身健康。尤其对于乳腺癌，现在人们还不能完全确定其病发机理。目前乳腺癌的临床诊断方法主要包括触摸式诊断、组织学诊断、细胞学诊断和影像学诊断。影像学以其诊断的方便性、科学性和相对较高的可操作性被广泛采用。乳腺X射线摄影技术是最常见的乳腺癌早期诊断技术，对于这种方法，需要从乳腺X射线图像中分析乳腺的患病情况。随着计算机技术的快速发展，对乳腺X射线图像的分析也实现了从传统人工分析到计算机辅助分析的转换，这种转换可以使乳腺癌的诊断更快速、更准确。特征是决定相似性与分类的关键。由于用计算机识别乳腺癌，故从乳腺X射线图像上提取了大量的原始特征以期提高识别率。但从提取方法上看，许多特征不是独立的，即这些特征具有冗余度，影响模式识别的速度和准确性,所以，需要对原始特征进行选择，丢掉那些模棱两可、不易判别或相关性强的特征。特征选择实质是一个组合优化问题。常规的优化算法，如解析法，只能得到局部最优而非全局最优解，且要求目标函数连续及可微；枚举法虽然克服了这些缺点，但计算效率太低。即使很著名的动态规划法，也会遇到“指数爆炸”问题，它对于中等规模和适度复杂性的问题，也常常无能为力。基于遗传算法、粒子群算法的乳腺X射线图像特征选择方法，获得了不错的分类结果。蝙蝠算法(BatAlgorithm，BA)是一种新兴的启发式群体智能算法，相比较于粒子群算法和遗传算法，BA可以实现动态控制局部搜索和全局搜索间的相互转换过程，具有发挥更大作用的潜能。然而，在BA搜索过程中，存在过早收敛的现象，由于BA个体多样性的迅速减少，为了得到局部最优的一个更准确的估计，需要更多无效的迭代。在这种情形下，很难达到勘探和开采之间的良好平衡，这使得BA容易停滞在局部最优。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题为提供一种乳腺X射线图像特征选择方法，避免了动态规划法遇到的“指数爆炸”问题，以及解析法或蝙蝠算法容易陷入局部最优解的问题。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于BFBA和ELM的乳腺X射线图像特征选择方法，包括以下步骤：第一步，收集所用数据集MIAS，即theMammographicImageAnalysisSociety，提取乳腺X光图像特征，并将数据集划分为训练集和测试集，训练集用于训练极限学习机ELM，即ExtremeLearningMachine，以设计ELM分类器，测试集用于检验ELM分类器的有效性；所述提取乳腺X光图像特征采用的方法是灰度共生矩阵，提取四种统计参数：角二阶矩、熵、惯性矩、相关系数，灰度共生矩阵的方向取0°，45°，90°，135°四个方向；首先计算四个方向上的灰度共生矩阵，取像素间距离为1，其次由每个灰度共生矩阵计算四个统计参数；把每幅图像分成四块，对每块子图像提取上述16个特征作为原始样本数据，共获得64个统计特征；特征提取所得的样本数据库分成10份，选择其中90％做训练，其余10％做测试；第二步，设置BFBA参数；初始参数包括蝙蝠群体大小20≤N≤100，每个蝙蝠个体的维数D＝64，脉冲音量A＝0.5，脉冲率R＝0.5，搜索脉冲频率范围[Qmin,Qmax]，其中Qmin＝0，Qmax＝2，最大迭代次数iter_max＝1000，停滞计数器stagnant_count＝0，最大停滞次数stagnant_max＝4；第三步，蝙蝠种群初始化，蝙蝠位置向量由第一步给出的64个统计特征组成，使用二进制编码标记特征组合并随机初始化蝙蝠个体位置及速度，形成样本集；蝙蝠位置编码采用二进制，原始特征有64个，即个体的长度L＝64，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“1”时，表示该基因对应的特征项被选用；反之，为“0”时，表示该特征项未被选用。使用X＝{x1，x2，x3……xi……xN}表示蝙蝠群体的位置，使用V＝{v1，v2，v3……vi……vN}表示速度，其中xi表示第i个蝙蝠个体的位置，vi表示第i个蝙蝠个体的速度，xi和vi是64维的行向量，一共有N个蝙蝠个体，20≤N≤100。基因值随机产生的公式为：式中，rand()为[0，1]区间独立同分布的随机数；第四步、根据每个蝙蝠位置编码生成相应的特征子集，使用该特征子集生成训练集和测试集，训练集用于设计ELM分类器，测试集用于测试分类器，根据测试结果计算相应蝙蝠的适应度值fiti；适应度值的计算过程如下：其中，式中，ωA式表示分类准确权值，ωF表示特征选择数权值，fj表示基因的特征值：0或1，acci表示分类准确率，cc表示正确分类数，uc表示不正确分类数；第五步、更新每一个蝙蝠的搜索脉冲频率、速度和位置；搜索脉冲频率、速度和位置通过以下公式进行更新：Qi＝Qmin+(Qmax-Qmin)×β(11)vi(t)＝vi(t-1)+(xi(t)-xbest)×Qi(12)xi(t)＝xi(t-1)+vi(t)(13)式中：β属于[0，1]，是均匀分布的随机数；Qi是蝙蝠i的搜索脉冲频率，Qi属于[Qmin,Qmax]；vi(t)、vi(t-1)分别表示蝙蝠i在t和t-1时刻的速度；xi(t)、xi(t-1)分别表示蝙蝠i在t和t-1时刻的位置；xbest表示当前所有蝙蝠的最优解；第六步、生成均匀分布随机数rand，如果rand>R，R为第二步中所述的脉冲率，则对当前最优解进行随机扰动，产生一个新的解：xnew＝xbest+0.001×randn(1，64)；(14)其中，xnew表示新产生的新解，xbest表示当时最优解。第七步、生成均匀分布随机数rand，如果rand符合rand<A且fit(xi(t))<fit(xi(t-1))，A为第二步中所述的脉冲音量，则接受步骤六产生的新解：xi(t)＝xnew(15)其中，fit(xi(t))表示求个体xi的适应度值，xnew表示第六步产生的新解；如果rand不符合上述条件，则跳过此步，进入下一步；第八步、对所有蝙蝠的适应度值进行排序，找出当前的最优解和最优值；第九步、判断最优解是否发生了变化，如果没有发生变化，则stagnant_count＝stagnant_count+1，否则，stagnant_count＝0其中stagnant_count为第二步中所述的停滞计数器；第十步、判断stagnant_count是否等于stagnant_max，如果相等，则所有的蝙蝠发生群体响应；即如果经过一定次数的迭代，最佳全局适应值不再发生变化，则发生鸟类群体响应的重新定位，使用公式(16)和(17)来重新更新每个蝙蝠的速度和位置，在公式(16)中，是蝙蝠经过群体响应重新定位之后的新位置，新位置通过计算它的七个最近邻近对象的位置平均值获得，的最近邻近蝙本文档来自技高网...
【技术保护点】
一种基于BFBA和ELM的乳腺X射线图像特征选择方法，其特征在于，包括以下步骤：第一步，收集所用数据集MIAS，即the Mammographic Image Analysis Society，提取乳腺X光图像特征，并将数据集划分为训练集和测试集，训练集用于训练极限学习机ELM，即Extreme Learning Machine，以设计ELM分类器，测试集用于检验ELM分类器的有效性；所述提取乳腺X光图像特征采用的方法是灰度共生矩阵，提取四种统计参数：角二阶矩、熵、惯性矩、相关系数，灰度共生矩阵的方向取0°，45°，90°，135°四个方向；首先计算四个方向上的灰度共生矩阵，取像素间距离为1，其次由每个灰度共生矩阵计算四个统计参数；把每幅图像分成四块，对每块子图像提取上述16个特征作为原始样本数据，共获得64个统计特征；特征提取所得的样本数据库分成10份，选择其中90％做训练，其余10％做测试；第二步，设置BFBA参数；初始参数包括蝙蝠群体大小20≤N≤100，每个蝙蝠个体的维数D＝64，脉冲音量A＝0.5，脉冲率R＝0.5，搜索脉冲频率范围[Q
【技术特征摘要】
1.一种基于BFBA和ELM的乳腺X射线图像特征选择方法，其特征在于，包括以下步骤：第一步，收集所用数据集MIAS，即theMammographicImageAnalysisSociety，提取乳腺X光图像特征，并将数据集划分为训练集和测试集，训练集用于训练极限学习机ELM，即ExtremeLearningMachine，以设计ELM分类器，测试集用于检验ELM分类器的有效性；所述提取乳腺X光图像特征采用的方法是灰度共生矩阵，提取四种统计参数：角二阶矩、熵、惯性矩、相关系数，灰度共生矩阵的方向取0°，45°，90°，135°四个方向；首先计算四个方向上的灰度共生矩阵，取像素间距离为1，其次由每个灰度共生矩阵计算四个统计参数；把每幅图像分成四块，对每块子图像提取上述16个特征作为原始样本数据，共获得64个统计特征；特征提取所得的样本数据库分成10份，选择其中90％做训练，其余10％做测试；第二步，设置BFBA参数；初始参数包括蝙蝠群体大小20≤N≤100，每个蝙蝠个体的维数D＝64，脉冲音量A＝0.5，脉冲率R＝0.5，搜索脉冲频率范围[Qmin,Qmax]，其中Qmin＝0，Qmax＝2，最大迭代次数iter_max＝1000，停滞计数器stagnant_count＝0，最大停滞次数stagnant_max＝4；第三步，蝙蝠种群初始化，蝙蝠位置向量由第一步给出的64个统计特征组成，使用二进制编码标记特征组合并随机初始化蝙蝠个体位置及速度，形成样本集；蝙蝠位置编码采用二进制，原始特征有64个，即个体的长度L＝64，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“1”时，表示该基因对应的特征项被选用；反之，为“0”时，表示该特征项未被选用。使用X＝{x1，x2，x3……xi……xN}表示蝙蝠群体的位置，使用V＝{v1，v2，v3……vi……vN}表示速度，其中xi表示第i个蝙蝠个体的位置，vi表示第i个蝙蝠个体的速度，xi和vi是64维的行向量，一共有N个蝙蝠个体，20≤N≤100。基因值随机产生的公式为：式中，rand()为[0，1]区间独立同分布的随机数；第四步、根据每个蝙蝠位置编码生成相应的特征子集，使用该特征子集生成训练集和测试集，训练集用于设计ELM分类器，测试集用于测试分类器，根据测试结果计算相应蝙蝠的适应度值fiti；适应度值的计算过程如下：其中，式中，ωA式表示分类准确权值，ωF表示特征选择数权值，fj表示基因的特征值：0或1，acci表...
【专利技术属性】
技术研发人员：韩晓红，相洁，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14
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。