一种基于混合灰狼算法的多阈值人脑x射线图像分割方法技术

本发明专利技术提出一种基于混合灰狼算法的多阈值人脑x射线图像分割方法，包括如下步骤：采集人脑x射线图像数据，并统计待测图像中灰度值的范围；对人脑x射线图像以灰度值为约束条件，采用灰狼算法与人工蜂群算法相结合获取该图像的最佳阈值；基于最佳阈值对人脑x射线图像进行分割，从而能获取到感兴趣的区域。该发明专利技术有效地自适应获取阈值并进行分割，具备极强的自适应能力及计算效率。自适应能力及计算效率。

【技术实现步骤摘要】
一种基于混合灰狼算法的多阈值人脑x射线图像分割方法


[0001]本专利技术涉及图像分割
，尤其涉及一种基于混合灰狼算法的多阈值人脑x射线图像分割方法。

技术介绍

[0002]随着科技的进步，社会的发展，医生往往对医学图像中一部分特定的，具有特殊性质的区域感兴趣。图像分割就是将这些所感兴趣的区域进行分割和提取出来，方便医生实验或诊断。
[0003]基于阈值的分割图像技术是一种简单，高效的图像分割方法，其中阈值的选取则是其中最关键的技术。传统的阈值分割技术需要通过先验知识来确定灰度阈值，该方式存在较大的人为误差，同时针对不同图像需要设定不同的阈值，这是繁琐的过程，不能很好的适应医生的需求。另外，经典的Otsu(最大类间分差法)阈值法，在多阈值分割时计算复杂度大，运行周期长，无法达到实时的效果。
[0004]因此有必要提出一种基于混合灰狼算法的多阈值人脑x射线图像分割方法以解决上述问题。

技术实现思路

[0005]本专利技术公开了一种基于混合灰狼算法的多阈值人脑x射线图像分割方法，其提供一种自适应的、计算速度快的多阈值人脑x射线图像分割方法，从而可以有效解决
技术介绍
中涉及的技术问题。
[0006]为实现上述目的，本专利技术的技术方案为：
[0007]一种基于混合灰狼算法的多阈值人脑x射线图像分割方法，该方法包括如下步骤：
[0008]S1：对待分割的人脑x射线图像中所有像素点进行灰度值统计，确定该图像的灰度值边界；
[0009]S2：以确定的灰度值边界作为约束条件，采用混合的灰狼算法获取该人脑x射线图像的最佳阈值，具体包括如下步骤：
[0010]S21：初始化种群的各参数，该参数包括灰狼种群个数N
G
、蜜蜂种群个数N
B
、维度数D以及最大迭代次数T
max
；
[0011]S22：根据灰度值边界获取初始化灰狼种群其中XG 是灰狼种群集合，XG
i
(i＝1,2,...,N
G
)表示第i个灰狼的个体，表示第i个灰狼个体的位置信息，表示第i个灰狼个体的第j维的位置信息，D表示问题的维度数；
[0012]S23：根据灰度值边界获取初始化蜂群种群其中XB
是蜜蜂种群集合，XB
i
(i＝1,2,...,N
B
)表示第i个蜜蜂的个体，表示第i个蜜蜂个体的位置信息，表示第i个蜜蜂个体的第j维的位置信息，D表示问题的维度数；
[0013]S24：对每个灰狼和每个蜂群的位置计算其相应的自适应函数，得到适应度值，并筛选出前三个最优的适应度值F1,F2,F3，将F1,F2,F3所映射的三个位置记作X
a
,X
b
,X
c
，其中最佳适应度所映射的位置X
a
为最优解；
[0014]S25：更新部分参数因子A,C,a以及所有灰狼和蜂群的位置；
[0015]S26：判断更新后的灰狼种群与蜜蜂种群的位置是否超出灰度值边界，如果个体位置小于最小边界，则赋值最小边界值；如果个体位置大于最小边界，则赋值最大边界值；
[0016]S27：判断是否达到了最大迭代次数T
max
，如果没有达到，则返回步骤S24；如果达到，则当前最优解X
a
则为最佳阈值；
[0017]S3：根据所获得的最佳阈值对人脑x射线图像进行分割，从而得到分割图像。
[0018]作为本专利技术的一种优选改进，步骤S1包括如下步骤：
[0019]S11：对人脑x射线图像中所有像素点的灰度值进行统计，并找出最大灰度值与最小灰度值。
[0020]作为本专利技术的一种优选改进，步骤S24包括如下步骤：
[0021]S241:适应度函数如下表示；
[0022][0023]其中，上述初始化中预设D个维度，因此便有N
D
＝D+1个图像分割区域，记作 c
k
(k＝1,2,...,D+1)，p
k
是在k区域中灰度级出现的概率，H
k
是在k区域中的信息熵，第t次迭代时，第i个灰狼适应度函数为第t次迭代时，第j个蜜蜂的适应度函数值为
[0024]作为本专利技术的一种优选改进，步骤S25包括如下步骤：
[0025]S251：基于前三个最优的适应度值F1,F2,F3所映射的位置信息X
a
,X
b
,X
c
，灰狼个体的位置更新如下：
[0026][0027][0028]基于最优的适应度值F1所映射的位置信息，X
a
蜂群个体位置更新如下：
[0029]在搜索阶段，雇佣蜂产生的位置个体：
[0030][0031]随后跟随蜂根据雇佣蜂位置个体更新后的蜜源，跟随蜂通过计算概率进行跟随：
[0032][0033]最后通过贪婪算法判断是否蜂群个体进行本次位置更新：
[0034][0035]其中BV
j
(t)是第i个蜜蜂的经过更新后的个体位置，F(
·
)表示适应度函数；
[0036]将更新后的灰狼种群和蜂群种群中的每个适应度函数进行比较，从而更新新的前三个适应度值与相应的解集。
[0037]作为本专利技术的一种优选改进，步骤S25中部分参数因子迭代变化如下：
[0038]A＝2a
·
rand1‑
a
[0039]C＝2
·
rand2[0040][0041]其中t是第t次迭代，T
max
是最大迭代次数，a是随着迭代次数的增加而从2到0线性递减，rand1和rand2是[0,1]的随机向量，A＝A1,A2,A3以及A＝C1,C2,C3；
[0042]为进一步提升收敛速度，提出采用非线性递减因子，a转化为：
[0043][0044]作为本专利技术的一种优选改进，步骤S25中，对灰狼个体和蜂群个体都采用侦查蜂的方式，统计位置更新的次数L，如果该个体经过阈值lim没有获取到更好的适应度值，则将该个体位置进行如下更新：
[0045][0046]其中U
d
和L
d
分别表示边界最小值和最大值，rand3是[0,1]的随机向量。
[0047]本专利技术的有益效果如下：
[0048]1、本文采用灰狼算法与人工蜂群算法相结合，提升了算法的寻找最佳阈值的能力，提高了算法的稳定性；
[0049]2.采用非线性递减因子a代替线性线性因子，有效的提升了算法收敛速度，提升了寻找最佳阈值的准确性；
[0050]3.采用最大熵法作为适应度函数能够更好的适应于人脑x射线的图像分割，对图
像分割起着重要的作用；
[0051]4.人工蜂群算法参数少、易于实现、稳定性好，全局探索能力强，与灰狼算法结合，可以有效的避免灰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合灰狼算法的多阈值人脑x射线图像分割方法，其特征在于，该方法包括如下步骤：S1：对待分割的人脑x射线图像中所有像素点进行灰度值统计，确定该图像的灰度值边界；S2：以确定的灰度值边界作为约束条件，采用混合的灰狼算法获取该人脑x射线图像的最佳阈值，具体包括如下步骤：S21：初始化种群的各参数，该参数包括灰狼种群个数N
G
、蜜蜂种群个数N
B
、维度数D以及最大迭代次数T
max
；S22：根据灰度值边界获取初始化灰狼种群其中XG是灰狼种群集合，XG
i
(i＝1,2,...,N
G
)表示第i个灰狼的个体，表示第i个灰狼个体的位置信息，表示第i个灰狼个体的第j维的位置信息，D表示问题的维度数；S23：根据灰度值边界获取初始化蜂群种群其中XB是蜜蜂种群集合，XB
i
(i＝1,2,...,N
B
)表示第i个蜜蜂的个体，表示第i个蜜蜂个体的位置信息，表示第i个蜜蜂个体的第j维的位置信息，D表示问题的维度数；S24：对每个灰狼和每个蜂群的位置计算其相应的自适应函数，得到适应度值，并筛选出前三个最优的适应度值F1,F2,F3，将F1,F2,F3所映射的三个位置记作X
a
,X
b
,X
c
，其中最佳适应度所映射的位置X
a
为最优解；S25：更新部分参数因子A,C,a以及所有灰狼和蜂群的位置；S26...

【专利技术属性】
技术研发人员：潘奕旻，宋涯，
申请(专利权)人：潘奕旻，
类型：发明
国别省市：