基于改进蚱蜢算法的多阈值医学图像的二维分割方法技术

一种基于改进蚱蜢算法的多阈值医学图像的二维分割方法包括以下步骤：步骤8：在蚱蜢第一次位置更新的基础上，根据三角替换策略的位置更新方法再一次进行每一个蚱蜢的位置更新；步骤9：在更新后的蚱蜢种群基础上，对种群个体进行柯西变异，增大局部开发；步骤10：检查是否达到迭代终止条件，若达到终止条件则执行步骤11，否则返回步骤5继续迭代；步骤11：将最优蚱蜢位置和适应度值作为最优阈值和最大Kapur熵返回；步骤12：利用得到的最优阈值对医学图像进行分割。本发明专利技术采用三角替换策略和柯西变异可提高蚱蜢算法搜索能力和优化精度，避免在分割过程中陷入局部最优，可提高医学图像的分割质量。质量。质量。

【技术实现步骤摘要】
基于改进蚱蜢算法的多阈值医学图像的二维分割方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于改进蚱蜢算法的多阈值医学图像的二维分割方法。

技术介绍

[0002]图像的识别以及理解是现代各类医学影像设备的核心技术，其中图像的识别以及理解的好坏则绝大部分取决于图像分割质量的优劣。图像分割是计算机视觉研究中的一个经典难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。因此，能够获得高质量分割结果的分割方法显得尤为重要。
[0003]近几年来，各种各样的图像分割技术已经被提出来了，其中多阈值图像分割技术是一种十分简单并且高效的方法，该方法的核心在于阈值的选择，高质量的阈值能够获得更加杰出的分割效果。众所周知传统的梯度法虽然能得到分割的阈值，但是该方法具有较大的计算复杂度，并且得到的分割阈值的质量较差。
[0004]在各种多阈值图像分割方法中，基于直方图的图像分割方法是最常用的方法之一。基于直方图的图像分割主要分为一维直方图和二维直方图，其中一维直方图不能有效利用图像的空间信息，容易使分割容易受到噪声干扰。因此，Abutaleb提出了一种基于二维直方图的多阈值图像分割方法，该方法将原始灰度值与像素的局部平均值相结合。但是，当二维直方图应用于多阈值图像分割时，如果直接采用穷举法来寻找最优阈值，将会使得分割的计算复杂度非常高。为了有效避免这种现象，许多研究者应用群智能算法辅助寻找最优阈值，并取得了显著的效果。然而，Abutaleb提出的二维直方图用于图像分割的方法是使用的局部均值的方式，这种方式没有考虑到图片的某些细节，如某些点和边缘。
[0005]非局部均值是近年来由Buades等提出的一种新的去噪技术，它充分利用了图像中的冗余信息，在去噪的同时最大限度地体现了图像的细节特征。其基本思想是，当前像素的估计值是由图像中与它具有相似邻域结构的像素的值进行加权平均得到。假设I(p)和I(q)是图像I中像素p和q的灰度值，由Eq.(1)
‑
Eq.(4) 可计算出图像I的非局部平均值。
[0006][0007][0008][0009][0010]其中O(p)为非局部平均值的滤波值，μ(p)和μ(q)为局部平均值，σ为标准差，ω(p，q)为像素p和像素q 的权重，L(p)和L(q)分别为以像素p和像素q为中心的m
×
m像素块。
[0011]如图1所示，通过非局部均值图像和灰度图像，则可以生成相应的非局部均值二维
直方图。假设原始灰度图像I(x，y)的灰度值等级为[0，L
‑
1]，图像大小为M
×
N，则生成的非局部均值图像g(x，y)的灰度值等级也为[0，L
‑
1]，图像大小为M
×
N。那么，由I(x，y)和g(x，y)可以形成初步的二维直方图。如果点(i，j)由 I(x，y)和g(x，y)形成，其中i表示I(x，y)中某个像素的像素值，j表示g(X，y)中某个像素的像素值。那么h(i，j) 表示点(i，j)在灰度值向量(s，t)上出现的次数。因此，用Eq.(5)求得点(i，j)的联合概率密度，可以得到最终的二维直方图。
[0012][0013]根据上述非局部均值二维直方图的定义，图1中给出了相应的二维平面直方图，其中{t1，t2…
，L
‑
1} 表示灰度图像的值，{s1，s2…
，L
‑
1}表示非局部均值图像的值。在二维直方图中，其主对角线包含的图像信息量最大，因此只计算主对角线上n个子区域的Kapur熵，可定义为Eq.(6).。
[0014][0015]其中，
[0016]将Kapur的熵作为目标函数，那么基于蚱蜢优化算法找到使最大化的阈值集合{t1，t2，...，t
n
‑1]则视为最优分割阈值。
[0017]然而，在最优分割阈值的寻找过程中，蚱蜢优化算法的探索和开发不平衡，容易出现和陷入局部最优的情况，导致最终的医学图像分割质量不高。
[0018]因此，急需研究一种基于改进蚱蜢算法的多阈值医学图像的二维分割方法，以获得更好的图像分割质量。

技术实现思路

[0019]为了解决现有技术中存在的一个或多个问题，尽可能的获得更好的图像分割质量，申请人经过研究发现，采用三角替换策略和柯西变异可提高蚱蜢算法搜索能力和优化精度，其中，蚱蜢首先根据原始的搜索机制完成第一轮的位置更新，之后再利用三角替换策略的位置更新机制完成种群的位置更新，以此来平衡算法的搜索和开发能力，再利用柯西变异对种群进行变异，提高种群寻找最优解的可能性，以此来避免在分割过程中陷入局部最优和提高医学图像的分割质量。
[0020]具体地，根据本专利技术一方面，提供了一种基于改进蚱蜢算法的多阈值医学图像的二维分割方法，包括以下步骤：
[0021]步骤1：输入需要分割的医学图像，初始化阈值分割水平Level；
[0022]步骤2：初始化参数，蚱蜢种群大小Popsize，最大迭代次数Max_Iteration；
[0023]步骤3：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；
[0024]步骤4：初始化蚱蜢种群X
i
(i＝1，2，...，n)；
[0025]步骤5：计算所有蚱蜢的适应度值，即Kapur熵；
[0026]步骤6：确定最优蚱蜢位置和适应度值；
[0027]步骤7：根据蚱蜢的位置更新方式，完成蚱蜢种群的第一次位置更新；
[0028]步骤8：在蚱蜢第一次位置更新的基础上，根据三角替换策略的位置更新方法再一次进行每一个蚱蜢的位置更新；
[0029]步骤9：在更新后的蚱蜢种群基础上，对种群个体进行柯西变异，增大局部开发；
[0030]步骤10：检查是否达到迭代终止条件，若达到终止条件则执行步骤11，否则返回步骤5继续迭代；
[0031]步骤11：将最优蚱蜢位置和适应度值作为最优阈值和最大Kapur熵返回；
[0032]步骤12：利用得到的最优阈值对医学图像进行分割。
[0033]根据本专利技术又一方面，步骤8具体包括：在蚱蜢第一次位置更新的基础上，根据公式(7)三角替换策略的位置更新方法再一次进行每一个蚱蜢的位置更新；
[0034][0035][0036]其中，t为当前的迭代次数，i表示种群中的第i个个体，bp
t
是第t次迭代的最优解，r2，r3和r4都是随机数，r2的范围是0
‑
2π，r3的范围是0
‑
2，r4的范围是0
‑
1；a是一个常数，设置为2。
[0037]根据本专利技术又一方面，步骤9具体包括：在更新后的蚱蜢种群基础上，根据公式(9)
‑
(11)柯西变异对种群本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进蚱蜢算法的多阈值医学图像的二维分割方法，其特征在于，包括以下步骤：步骤1：输入需要分割的医学图像，初始化阈值分割水平Level；步骤2：初始化参数，蚱蜢种群大小Popsize，最大迭代次数Max_Iteration；步骤3：将输入图像灰度化，获得对应的灰度图像，并利用非局部均值滤波的方式获得非局部均值图像；步骤4：初始化蚱蜢种群X
i
(i＝1,2,
…
,n)；步骤5：计算所有蚱蜢的适应度值，即Kapur熵；步骤6：确定最优蚱蜢位置和适应度值；步骤7：根据蚱蜢的位置更新方式，完成蚱蜢种群的第一次位置更新；步骤8：在蚱蜢第一次位置更新的基础上，根据三角替换策略的位置更新方法再一次进行每一个蚱蜢的位置更新；步骤9：在更新后的蚱蜢种群基础上，对种群个体进行柯西变异，增大局部开发；步骤10：检查是否达到迭代终止条件，若达到终止条件则执行步骤11，否则返回步骤5继续迭代；步骤11：将最优蚱蜢位置和适应度值作为最优阈值和最大Kapur熵返回；步骤12：利用得到的最优阈值对医学图像进行分割。2.根据权利要求1所述的基于改进蚱蜢算法的多阈值医学图像的二维分割方法，其特征在于步骤8具体包括：在蚱蜢...

【专利技术属性】
技术研发人员：陈慧灵，赵松伟，李成业，汪鹏君，
申请(专利权)人：温州大学，
类型：发明
国别省市：