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
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。