一种基于人工蝴蝶优化算法的医疗影像处理方法及装置制造方法及图纸

本发明专利技术提供一种基于人工蝴蝶优化算法的医疗影像处理方法及装置，所述方法包括：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I

A medical image processing method and device based on Artificial Butterfly optimization algorithm

【技术实现步骤摘要】
一种基于人工蝴蝶优化算法的医疗影像处理方法及装置
本专利技术涉及医学影像
，尤其涉及一种基于人工蝴蝶优化算法的医疗影像处理方法及装置。
技术介绍
近年来，医学影像技术得到快速发展，超声影像是医学影像学的一个重要分支，在定量分析、实时诊断和手术规划等方面都具有重要作用，可以为医务工作者的分析、诊断提供依据。但超声图像的散斑噪声发生率比CT、MRI高，会影响超声图像的识别的准确性。并且为了准确识别超声图像中的感兴趣区域，提高识别准确率，需要对超声图像中的对象进行多次读取。进而，为了对超声图像中感兴趣的区域进行识别，需要从超声图像中提取大量特征，虽然提取大量特征可以提高超声图像识别的准确性，但还是会提取到不相关的、冗余的特征，影响了超声图像分类、图像识别的效率。
技术实现思路
为解决上述技术问题，本专利技术提出了一种基于人工蝴蝶优化算法的医疗影像处理方法及装置，用以解决现有技术中超声图像噪声高，多次读取超声图像中的对象，识别图像时提取了大量不相关的、冗余的特征，影响了超声图像分类、图像识别的效率的技术问题。根据本专利技术的第一方面，提供一种基于人工蝴蝶优化算法的医疗影像处理方法，包括：步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)；步骤S102：基于多核局部判别分析MKLFDA(MultiplekernellocalFisherdiscriminantanalysis)方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；步骤S103：利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征；步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。进一步地，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)，包括：首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点；再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像IF(i,j)。进一步地，所述步骤S102：基于多核局部判别分析MKLFDA(MultiplekernellocalFisherdiscriminantanalysis)方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：步骤S1021：对所述无噪声图像IF(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：其中，xi为第i个图像样本特征，ci为图像所属第i个类别，c为分类类别数量，R为实数集合；步骤S1022：构建所述无噪声图像IF(i,j)的类间邻接图Wb和类内邻接图Ww：其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：其中，Nr(x)表示x的最近邻；步骤S1023：构建核函数，初始化所述核函数的系数；构建核函数即其中，为第p个图像中数据间的距离度量函数，xi,p为每个图像xi对应的描述特征，xj,p为每个图像xj对应的描述特征，σp为一正数常量值；初始化核函数的样本系数向量α，ααT＝1；步骤S1024：确定所述核函数的样本系数向量α，包括：计算和其中，W(w)为类间的局部加权矩阵，W(b)为类内的局部加权矩阵，K(i)为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：其中Nr(x)为x的r个最近邻居，t为设置的常量值；求解广义特征值得出适合所述无噪声图像的样本系数向量α：设置目标函数：最大化通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：其中，τ1≤τ2≤...≤τn'为最小n个特征值，αi是特征值τi对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用αi表示；步骤S1025：确定所述核函数的基本核的权重向量w，包括；计算和求解非凸二次约束二次规划问题得到基本核的权重向量w：目标函数为：即求解满足andω≥0的最小w；步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像IF(i,j)；步骤S1027：将所述二维矩阵降维为一维向量形式。进一步地，所述步骤S103：利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征，包括：步骤S1031：获取所述无噪声图像IF(i,j)的一维向量形式，构建解向量、适应度函数，设置群集中个体数目n、最大迭代次数Kmax、设置当前迭代次数k的初始值为0，解向量为一初始化表达式，随机初始化群集中的各个蝴蝶的位置解向量；所述初始化表达式为：X＝rand*(ub-lb)+lb其中ub和lb分别为搜索空间的上下边界，rand为(0,1)之间的随机数；设计混沌序列用于提高蝴蝶初始化随机搜索的能力，混沌序列表达式为：ci+1＝μci(1-ci)i∈{1,2,...,N}其中μ为混沌因子，c1为(0,1)之间的随机数，且c1≠{0.25，0.5，0.75，1}；将利用混沌序列映射到初始化公式生成的混沌序列，从而产生相应的新的种群X’：X'＝lb+ci(ub-lb)；适应度函数表达式如下：其中ACC为分类精度，N表示特征总数，Nsubset表示选出的特征子集，r和s分别表示权重系数，r+s＝1；步骤S1032：计算新种群中全部蝴蝶的适应度，对于适应度值高于预设阈值的蝴蝶，将该蝴蝶的适应度更新为该适应度值，并按如下公式更新所述蝴蝶的位置：其中是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，step是飞行距离，rand()是在(0,1)之间生成的随机数，xk是随机选择的不同于蝴蝶xi的蝴蝶，Lb是蝴蝶xi飞行本文档来自技高网...

【技术保护点】
1.一种基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述方法包括：/n步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I

【技术特征摘要】
1.一种基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述方法包括：
步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)；
步骤S102：基于多核局部判别分析MKLFDA(MultiplekernellocalFisherdiscriminantanalysis)方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；
步骤S103：利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征；
步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。


2.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)，包括：
首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点；再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：



对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；
再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像IF(i,j)。


3.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S102：基于多核局部判别分析MKLFDA方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：
步骤S1021：对所述无噪声图像IF(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：



其中，xi为第i个图像样本特征，ci为图像所属第i个类别，c为分类类别数量，R为实数集合；
步骤S1022：构建所述无噪声图像IF(i,j)的类间邻接图Wb和类内邻接图Ww：






其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：



其中，Nr(x)表示x的最近邻；
步骤S1023：构建核函数，初始化所述核函数的系数；
构建核函数
即
其中，为第p个图像中数据间的距离度量函数，xi,p为每个图像xi对应的描述特征，xj,p为每个图像xj对应的描述特征，σp为一正数常量值；
初始化核函数的样本系数向量α，ααT＝1；
步骤S1024：确定所述核函数的样本系数向量α，包括：
计算和






其中，






W(w)为类间的局部加权矩阵，W(b)为类内的局部加权矩阵，K(i)为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：



其中Nr(x)为x的r个最近邻居，t为设置的常量值；
求解广义特征值得出适合所述无噪声图像的样本系数向量α：
设置目标函数：最大化
通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：



其中，τ1≤τ2≤...≤τn'为最小n个特征值，αi是特征值τi对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用αi表示；
步骤S1025：确定所述核函数的基本核的权重向量w，包括；
计算和






求解非凸二次约束二次规划问题得到基本核的权重向量w：
目标函数为：即求解满足的最小w；






步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像IF(i,j)；
步骤S1027：将所述二维矩阵降维为一维向量形式。


4.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：马超，徐守祥，于成龙，谭旭，蔡圳杰，黄蓉，湛邵斌，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东;44