基于FCM算法融合改进GSA算法的医学图像分割方法技术

本发明专利技术公开了一种基于FCM算法融合GSA算法的医学图像分割方法，该方法的大致过程为：通过将FCM算法的最优化聚类中心确定方法与改进GSA算法融合，通过适当调整粒子的主动引力质量、被动引力质量和惯性质量，逐步求出最重粒子的空间位置，就是最优解，聚类时将该最优解作为像素的最优聚类中心。本发明专利技术通过利用空间模糊c均值聚类算法将图像像素分成均匀的区域，融合GSA算法，将改进GSA算法纳入模糊c均值聚类算法中，以找到最优聚类中心，使模糊c均值聚类的适应度函数值最小，从而提高分割效果，实验结果显示相对于传统的聚类算法，本发明专利技术方法在分割复杂的医学图像方面更具有有效性。

Medical image segmentation method based on FCM algorithm fusion and improved GSA algorithm

The invention discloses a method for image segmentation GSA fusion algorithm based on FCM algorithm, approximate process of this method is that: the method and improved GSA algorithm to determine the optimal fusion center of FCM algorithm, by adjusting the particle active gravitational mass, passive gravitational mass and inertial mass, calculate the space position of the weight gradually the particle is, the optimal solution, the optimal clustering solution as the optimal clustering center pixel. This invention uses spatial fuzzy C means clustering algorithm the image pixels are divided into uniform regions, GSA fusion algorithm, the improved GSA algorithm into fuzzy C means clustering algorithm, to find the optimal clustering center, the fuzzy C means clustering the fitness function of the minimum, so as to improve the segmentation results, experimental results show that compared with clustering algorithm the traditional method of the invention is more effective in medical image segmentation complex.

【技术实现步骤摘要】
基于FCM算法融合改进GSA算法的医学图像分割方法
本专利技术涉及一种基于FCM算法融合改进GSA算法的医学图像分割方法。
技术介绍
图像分割技术一直是医学图像处理领域的研究热点，但是没有一个通用的分割算法适合所有图像的分割。目前医学图像分割也没有一个有效的通用解决方法及统一标准，原因之一就是医学图像具有极其复杂的多样性，人体解剖结构的复杂性，组织器官形状的不规则以及人与人之间的解剖组织结构存在相当大的差别，增加了医学图像的分割难度，需要解决模糊、不均匀、个体差异、复杂多样等问题，其发展是一个从人工分割到半自动分割和自动分割逐步发展的过程。目前，图像分割还未实现全自动分割，主要的方式为人机交互式的半自动分割。在许多医院，图像分割仍然是由人工完成，这是由于医学图像常表现为对比度低，组织特性的可变性及不同软组织之间或软组织与病灶之间边界的模糊性、以及形状结构和细微结构(血管、神经)分布的复杂性等，给研制自动分割技术造成了极大的困难。在实际应用中，为获得理想的分割效果，常常需要对分割过程进行人工干预。因此，研究实验的自动分割方法并最终取代繁琐的人工分割和主观性很强的半自动分割一直是人们追求的目标，也是近年来图像分割方法的研究重点。为了解决医学图像的分割问题，20多年来，很多研究人员做了大量的工作，提出了很多实用的分割算法。许多方法最初都是采用单一的图像分割技术，随着CT、MRI等成像模式的产生和普及，单一的分割技术已经难以胜任对新的成像模式产生的复杂的医学图像分割任务，为此，提出了集成分割技术的概念，即把两个或两个以上的单一技术结合在一起，实际应用表明，集成分割技术比单一技术能够达到更理想的分割效果，是图像分割技术发展的一个重要方向。通过查阅国内外的有关文献可知，目前新的图像分割方法的研究主要有以下4个方面的趋势：(1)提高算法的自动化程度，尽可能减少人工干预；(2)降低算法的复杂度，提高执行速度；(3)提高算法的分割精度；(4)提高算法的鲁棒性。多种分割方法相结合，包括传统分割方法和现代分割方法的结合仍将是图像分割的发展趋势。由于医学图像从本质上说是模糊的，在医学图像中存在许多不确定的因素，如灰度、纹理和区域的边界等。虽然这些不确定性给图像分割技术的研究带来了许多麻烦，但是却给模糊技术提供了用武之地，随着模糊技术的不断成熟，它在图像分割中的应用也日益活跃，成了医学图像分割技术的一个热点。聚类方法是无监督的方法，并不需要人为干涉，所以模糊技术和聚类方法相结合在医学上得到了广泛应用，如模糊C均值聚类法(FCM)。与硬聚类方法HCM、K-MEANS等不同，FCM算法并不把每个样本分类到各个类别中，而是使用模糊隶属度标记样本与类别的隶属关系，以取得更好的分类效果，但是，标准的FCM并没有考虑空域信息，因此对噪声有着较高的敏感性，同时，FCM聚类算法的难点在于选取合适的初始聚类中心和算法的快速实现。FCM算法与大多数非线性优化问题一样，聚类结果的好坏受初始值的影响很大。如果所选的初始聚类中心接近于最终的收敛结果，则收敛速度会明显提高，且陷入局部最优的可能性减小；如果初始聚类中心接近于某个局部极值，就很可能最终陷入局部最优，而得不到全局最优值。针对医学图像处理复杂性的特点，本文在前期采用经典FCM算法进行图像分割研究，通过对不同复杂度的图像进行分割发现，由于传统的FCM算法只考虑像素值的灰度特征，没有考虑图像的空间结构信息，把图像间的像素点孤立起来，缺乏对这些像素点间的关系的思考，使得FCM算法对医学图像中的噪声比较敏感，造成在某一类中，噪声和真正的特征点区分不开，甚至相同，导致算法抗噪性很差，图像分割质量不理想。
技术实现思路
本专利技术的目的在于提出一种基于FCM算法融合改进GSA算法的医学图像分割方法，该方法通过将FCM算法的最优化聚类中心确定方法与改进GSA算法融合，通过适当调整粒子的主动引力质量、被动引力质量和惯性质量，逐步求出最重粒子的空间位置，就是最优解，聚类时将该最优解作为像素的最优聚类中心，从而提高聚类质量与速度。为了实现上述目的，本专利技术采用如下技术方案：基于FCM算法融合改进GSA算法的医学图像分割方法，包括如下步骤：S1利用FCM算法进行初始医学图像分割，初始化聚类中心假设X＝{x1,x2,...xn}代表一系列数据点，n为医学图像中像素的个数，c为聚类数目，m为模糊加权指数，用于控制数据划分的模糊程度；将上述数据点进行聚类分组，选取c和m的值，其中，2<c<n，m＝2；设定迭代停止阈值ε，ε为医学图像分割的收敛精度，其中，ε>0；设迭代次数为0，初始化聚类中心V，V＝{v1,v2...vi}，vi为第i个聚类中心，i＝1,2...,c；在医学图像中随机选取c个像素作为初始聚类中心；S2引入改进GSA算法，将聚类中心看作粒子，初始化粒子群假设在一个d维搜索空间中存在c个质点，即FCM算法中图像的聚类中心数为c，定义第i个质点的位置为Xi＝(xi1,xi2,......xid)，i＝1,2......c；此处，将聚类中心作为质点，第i个质点即表示第i个聚类中心；S3计算粒子惯性质量，求出粒子群的最优值和最差值，求出每个粒子的惯性质量M值在t时刻，第i个粒子的惯性质量用Mi(t)来表示；初始适应值为初始聚类中心，Mi(t)根据下列公式计算：其中，mi(t)和fiti(t)分别表示第i个粒子在t时刻的质量和粒子的适应值，b(t)表示在t时刻的最优值，w(t)表示在t时刻的最差值，mj(t)表示第j个粒子在t时刻的质量；上述公式(1)中b(t)和w(t)的定义如下：其中，fitj(t)表示粒子j在t时刻的适应值；S4更新万有引力常数GG(t)表示t时间的万有引力常数，具体计算公式如公式(5)所示：G(t)＝G0×e－αt/T(5)其中，G0为t0时刻G的取值，G0＝100；α取20，T表示最大迭代次数；S5求个体粒子在d维空间所受的合力在t时刻，定义第j个质点对第i个质点的作用力大小为其公式如下：其中，Maj(t)表示质点j的惯性质量，Mpi(t)表示质点i的惯性质量，β表示任意小且大于0的常量，表示d维空间第j个粒子的位置，表示d维空间第i个粒子的位置，Rij(t)为i与j之间的欧氏距离，即：Rij(t)＝‖Xi(t)，Xj(t)‖2(7)其中，Xi(t)表示粒子i所处的位置，Xj(t)表示粒子j所处的位置；S6更新每个粒子的速度和位置在GSA算法中，假设t时刻d维搜索空间上作用在第i个物体上的总作用力等于其他所有质点对它的作用力之和，其大小Fid(t)为：其中，randj是[0-1]之间的随机数；粒子的加速度值通过物体动力学公式求得，其计算公式如公式(9)所示：在每一次迭代后，粒子的速度都由其新求得的加速度值更新得到；粒子的速度和位置的计算公式如下所示：其中：为t+1时刻粒子i在d维空间的速度，ri表示介于[0,1]之间的随机数，为t时刻粒子i在d维空间的速度，为t+1时刻粒子i在d维空间的位置，表示为t时刻粒子i在d维空间的位置；将GSA算法进行K次迭代后运算返回粒子计算值；S7将改进GSA算法计算所得值返回到FCM算法中计算FCM隶属度矩阵uik将通过GSA算法得到的聚类中心本文档来自技高网...

【技术保护点】
基于FCM算法融合改进GSA算法的医学图像分割方法，其特征在于，包括如下步骤：S1利用FCM算法进行初始医学图像分割，初始化聚类中心假设X＝{x1,x2,...xn}代表一系列数据点，n为医学图像中像素的个数，c为聚类数目，m为模糊加权指数，用于控制数据划分的模糊程度；将上述数据点进行聚类分组，选取c和m的值，其中，2<c<n，m＝2；设定迭代停止阈值ε，ε为医学图像分割的收敛精度，其中，ε>0；设迭代次数为0，初始化聚类中心V，V＝{v1,v2...vi}，vi为第i个聚类中心，i＝1,2...,c；在医学图像中随机选取c个像素作为初始聚类中心；S2引入改进GSA算法，将聚类中心看作粒子，初始化粒子群假设在一个d维搜索空间中存在c个质点，即FCM算法中图像的聚类中心数为c，定义第i个质点的位置为Xi＝(xi

【技术特征摘要】
1.基于FCM算法融合改进GSA算法的医学图像分割方法，其特征在于，包括如下步骤：S1利用FCM算法进行初始医学图像分割，初始化聚类中心假设X＝{x1,x2,...xn}代表一系列数据点，n为医学图像中像素的个数，c为聚类数目，m为模糊加权指数，用于控制数据划分的模糊程度；将上述数据点进行聚类分组，选取c和m的值，其中，2<c<n，m＝2；设定迭代停止阈值ε，ε为医学图像分割的收敛精度，其中，ε>0；设迭代次数为0，初始化聚类中心V，V＝{v1,v2...vi}，vi为第i个聚类中心，i＝1,2...,c；在医学图像中随机选取c个像素作为初始聚类中心；S2引入改进GSA算法，将聚类中心看作粒子，初始化粒子群假设在一个d维搜索空间中存在c个质点，即FCM算法中图像的聚类中心数为c，定义第i个质点的位置为Xi＝(xi1,xi2,......xid)，i＝1,2......c；此处，将聚类中心作为质点，第i个质点即表示第i个聚类中心；S3计算粒子惯性质量，求出粒子群的最优值和最差值，求出每个粒子的惯性质量M值在t时刻，第i个粒子的惯性质量用Mi(t)来表示；初始适应值为初始聚类中心，Mi(t)根据下列公式计算：其中，mi(t)和fiti(t)分别表示第i个粒子在t时刻的质量和粒子的适应值，b(t)表示在t时刻的最优值，w(t)表示在t时刻的最差值，mj(t)表示第j个粒子在t时刻的质量；上述公式(1)中b(t)和w(t)的定义如下：其中，fitj(t)表示粒子j在t时刻的适应值；S4更新万有引力常数GG(t)表示t时间的万有引力常数，具体计算公式如公式(5)所示：G(t)＝G0×e－αt/T(5)其中，G0为t0时刻G的取值，G0＝100，α取20，T表示最大迭代次数；S5求个体粒子在d维空间所受的合力在t时刻，定义第j个质点对第i个质点的作用力大小为其公式如下：其中，Maj(t)表示质点j的惯性质量，Mpi(t)表示质点i的惯性质量，β表示任意小且大于0的常量，表示d维空间第j个粒子的位置，表示d维空间第i个粒子的位置，Rij(t)为i与j之间的...

【专利技术属性】
技术研发人员：冯飞，刘纪新，姜宝华，刘培学，陈玉杰，薛蕊，杨雅涵，朱秋莲，
申请(专利权)人：青岛黄海学院，
类型：发明
国别省市：山东,37