基于协同量子粒子群算法的医学图像分割方法技术

一种基于协同量子粒子群算法的医学图像分割方法，主要解决现有图像分割技术中类别增多时分割时间过长、分割结果易陷入局部最优状态、在可承受时间内分割精度低的问题。本发明专利技术的技术方案为：(1)读入医学图像，得到矩阵；(2)初始化种群；(3)通获得个体最优和全局最优；(4)产生新的个体；(5)产生新的个体最优和全局最优；(6)判断当前迭代次数如满足最大迭代次数，进行步骤(7)，否则，返回步骤(4)；(7)进行图像分割；(8)将分割后的图像矩阵输出。本发明专利技术在图像分割求得阈值过程中利用蒙特卡洛方法多次测量，对多次测量得到的个体采取协作策略，具有更快得到理想分割结果的优点，可用于对医学图像的多阈值分割。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及医学图像分割
的一种基于协同量子粒子群优化方法。本专利技术可用于对医学图像如CT图像、MRI图像、B超图像等分割，以便实现器官的病变图像与正常图像进行对比，进而分析器官的病变程度。
技术介绍
医学影像处理与分析是使用计算机对医学影像设备采集到的影像进行处理与分析的技术，它可以辅助医生进行更准确的诊断。医学影像处理与分析技术涉及的研究内容有医学图像分割、医学图像配准、三维可视化、计算机辅助诊断以及远程医疗等。其中医学图像分割是其他处理技术的基本前提，在医学研究、临床诊断、病理分析以及治疗等方面发挥着越来越大的作用。医学图像分割是指从医学图像中提取感兴趣组织的区域或边界，使所提取的组织能够与其他组织明显地区别开来。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。阈值分割方法根据图像本身的特点，可分为单阈值分割方法和多阈值分割方法。李大卫、姜鹏远等人在“一种基于改进OTSU评价函数的图像分割方法”中提出了基于OTSU评价函数的单阈值分割方法(《测绘科学》，2010年1期，35(1))。文中所提到的 OTSU方法是用类间距方差评价函数评价分析结果，适用于将图像进行二值化，即分为两类， 特点就是简单易用，但其仍然存在的缺点是，随着分割类别的增多，时间增长过快，在可承受时间范围内不能达到正确分割结果的缺点，由此影响多阈值分割的应用效果。孙俊等人在“Multilevel thresholding for image segmentation through an improvedquantum-behaved particle swarm algorithm" (IEEE Transactions on Instrumentation andMeasurement 59(2010)934-946)中提出了基于量子粒子群算法的 OTSU图像分割方法。该方法将一种量子粒子群算法与传统的OTSU方法相结合去进行图像分割，优化过程不再是穷举搜索，因而在多阈值分割上面时间复杂度降低了，但是与其他智能算法类似，此时的基于量子粒子群算法的图像分割方法在分割过程中，仍然存在得到的分割结果达到一定程度时停滞进化而陷入一个局部最优状态的缺点。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出了一种用于医学图像阈值分割的协同量子粒子群方法，在获得最优粒子个体的进化过程中对其更新策略进行改进，性能得到提高。本专利技术实现的思路是，图像分割过程中采用量子粒子群更新策略，并利用OTSU评价准则评价个体的好坏，个体更新过程中，充分利用量子力学中量子波动的不确定性，粒子更新时利用蒙特卡罗方法进行多次测量，并且为了有效利用个体每一维的信息，进一步对多次测量得到的个体采取协作策略，最终得到期望的个体，此时个体的每一维信息就是分割图像的阈值，最后根据此阈值进行图像分割。本专利技术实现的具体步骤包括如下(1)读入医学图像，得到矩阵，从矩阵中获得最小灰度值和最大灰度值；(2)初始化种群在最小灰度值至最大灰度值之间随机产生一个整数作为种群个体的第一维，在第一维至最大灰度值之间随机产生一个整数作为种群个体的第二维，依次类推，初始化得到的上一维度至最大灰度值之间随机产生各维度，完成所有种群个体的初始化； (3)获得个体最优和全局最优3a)利用OSTU法得到医学图像的类间距方差；3b)将类间距方差取相反数得到适应度函数；3c)将种群个体代入到适应度函数得到种群个体的适应度函数值；3d)挑选种群个体中适应度值最小的个体得到个体最优；3e)挑选个体最优中适应度值最小的个体得到全局最优；(4)产生新的个体4a)每一个个体最优通过波函数原理和蒙特卡洛多次观测得到五个个体，根据量子粒子群更新公式得到第一维，再根据量子粒子群更新公式得到的数值大于第一维的情况下将此数值作为第二维，否则将第一维加1得到第二维，以此类推产生各维度；4b)将五个个体代入到适应度函数得到五个个体的适应度函数值；4c)从五个个体中挑选适应度函数值最小的个体作为新个体；(5)产生新的个体最优和全局最优5a)将新个体中每一维数据与其余四个个体对应位置的每一维数据进行交换，得到一个临时个体；5b)将临时个体代入到适应度函数得到临时个体的适应度函数值；5c)若临时个体的适应度函数值比新个体的适应度函数值小，则用临时个体代替新个体，否则，新个体不变；5d)若新个体的适应度函数值比个体最优的适应度函数值小，则用新个体代替个体最优，否则，个体最优不变；5e)若个体最优的适应度函数值比全局最优的适应度函数值小，则用个体最优代替全局最优，否则全局最优不变；(6)判断当前迭代次数是否满足最大迭代次数，如满足，得到最终的全局最优，否则，返回步骤；(7)进行图像分割以全局最优的每一维数据作为阈值对得到的图像矩阵进行分割，得到分割后的图像矩阵；(8)将分割后的图像矩阵输出。本专利技术与现有技术相比具有如下优点第一，本专利技术在进行图像分割时，采用量子粒子群更新策略，并利用OTSU评价准则评价个体的好坏，克服了现有技术医学图像分割分多类时，随着类别的增多，时间增长过快，在可承受时间范围内不能达到正确分割结果的缺点，分割精度大大提高。第二，本专利技术在图像分割优化类间距方差时，进化过程中充分利用了量子力学中量子波动的不确定性，利用蒙特卡罗方法进行了多次测量，克服了现有技术得到的分割结果达到一定程度时停滞进化而陷入一个局部最优的状态的缺点，可以有效跳出局部最优， 得到更好的分割结果。第三，本专利技术在图像分割求阈值的过程中，对多次测量得到的个体采取了协作策略，充分利用了粒子的每一维信息，更一步克服了现有技术得到的分割结果达到一定程度时停滞进化而陷入一个局部最优的状态的缺点，跳出局部最优的机会增大，达到理想结果所需时间更短，从而使得相同条件下分割精度进一步提高。附图说明图1是本专利技术的流程图；图2是本专利技术仿真效果图。具体实施例方式下面结合附图对本专利技术作进一步的描述。参照图1，本专利技术的具体实现步骤如下步骤1，读入医学图像，得到矩阵，从矩阵中获得最小灰度值和最大灰度值；步骤2，初始化种群在最小灰度值至最大灰度值之间随机产生一个整数作为种群个体的第一维，在第一维至最大灰度值之间随机产生一个整数作为种群个体的第二维， 依次类推，初始化得到的上一维度至最大灰度值之间随机产生各维度，完成所有种群个体的初始化，个体维数范围是1 4。本专利技术的实施例中将维数取为2。步骤3，获得个体最优和全局最优首先，利用OSTU法得到医学图像的类间距方差，类间距方差由以下公式实现σ 2 = ω L X ω 2 X ( μ j- μ 2)2+ ω j X ω 2 X ( μ r μ 3)2+ ω 2 X ω 3 X ( μ 2- μ 3)2其中，ο 2表示类间距方差，Oi表示第i类灰度值的概率，μ i表示第i类灰度值的平均值，i = 1,2,30其次，将类间距方差取相反数得到适应度函数；再次，将种群个体代入到适应度函数得到种群个体的适应度函数值；然后，挑选种群个体中适应度值最小的个本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：李阳阳，相荣荣，焦李成，刘若辰，公茂果，马文萍，尚荣华，韩红，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：