專利名稱：基于協同量子粒子群算法的醫學圖像分割方法
技術領域：
本發明屬于圖像處理技術領域，更進一步涉及醫學圖像分割技術領域的一種基于協同量子粒子群優化方法。本發明可用于對醫學圖像如CT圖像、MRI圖像、B超圖像等分割，以便實現器官的病變圖像與正常圖像進行對比，進而分析器官的病變程度。
背景技術：
醫學影像處理與分析是使用計算機對醫學影像設備采集到的影像進行處理與分析的技術，它可以輔助醫生進行更準確的診斷。醫學影像處理與分析技術涉及的研究內容有醫學圖像分割、醫學圖像配準、三維可視化、計算機輔助診斷以及遠程醫療等。其中醫學圖像分割是其他處理技術的基本前提，在醫學研究、臨床診斷、病理分析以及治療等方面發揮著越來越大的作用。醫學圖像分割是指從醫學圖像中提取感興趣組織的區域或邊界，使所提取的組織能夠與其他組織明顯地區別開來。圖像分割就是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。現有的圖像分割方法主要分以下幾類基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。閾值分割方法根據圖像本身的特點，可分為單閾值分割方法和多閾值分割方法。李大衛、姜鵬遠等人在“一種基于改進OTSU評價函數的圖像分割方法”中提出了基于OTSU評價函數的單閾值分割方法(《測繪科學》，2010年1期，35(1))。文中所提到的 OTSU方法是用類間距方差評價函數評價分析結果，適用于將圖像進行二值化，即分為兩類， 特點就是簡單易用，但其仍然存在的缺點是，隨著分割類別的增多，時間增長過快，在可承受時間范圍內不能達到正確分割結果的缺點，由此影響多閾值分割的應用效果。孫俊等人在“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圖像分割方法。該方法將一種量子粒子群算法與傳統的OTSU方法相結合去進行圖像分割，優化過程不再是窮舉搜索，因而在多閾值分割上面時間復雜度降低了，但是與其他智能算法類似，此時的基于量子粒子群算法的圖像分割方法在分割過程中，仍然存在得到的分割結果達到一定程度時停滯進化而陷入一個局部最優狀態的缺點。
發明內容
本發明的目的在于克服上述已有技術的不足，提出了一種用于醫學圖像閾值分割的協同量子粒子群方法，在獲得最優粒子個體的進化過程中對其更新策略進行改進，性能得到提高。本發明實現的思路是，圖像分割過程中采用量子粒子群更新策略，并利用OTSU評價準則評價個體的好壞，個體更新過程中，充分利用量子力學中量子波動的不確定性，粒子更新時利用蒙特卡羅方法進行多次測量，并且為了有效利用個體每一維的信息，進一步對多次測量得到的個體采取協作策略，最終得到期望的個體，此時個體的每一維信息就是分割圖像的閾值，最后根據此閾值進行圖像分割。本發明實現的具體步驟包括如下(1)讀入醫學圖像，得到矩陣，從矩陣中獲得最小灰度值和最大灰度值；(2)初始化種群在最小灰度值至最大灰度值之間隨機產生一個整數作為種群個體的第一維，在第一維至最大灰度值之間隨機產生一個整數作為種群個體的第二維，依次類推，初始化得到的上一維度至最大灰度值之間隨機產生各維度，完成所有種群個體的初始化； (3)獲得個體最優和全局最優3a)利用OSTU法得到醫學圖像的類間距方差；3b)將類間距方差取相反數得到適應度函數；3c)將種群個體代入到適應度函數得到種群個體的適應度函數值；3d)挑選種群個體中適應度值最小的個體得到個體最優；3e)挑選個體最優中適應度值最小的個體得到全局最優；(4)產生新的個體4a)每一個個體最優通過波函數原理和蒙特卡洛多次觀測得到五個個體，根據量子粒子群更新公式得到第一維，再根據量子粒子群更新公式得到的數值大于第一維的情況下將此數值作為第二維，否則將第一維加1得到第二維，以此類推產生各維度；4b)將五個個體代入到適應度函數得到五個個體的適應度函數值；4c)從五個個體中挑選適應度函數值最小的個體作為新個體；(5)產生新的個體最優和全局最優5a)將新個體中每一維數據與其余四個個體對應位置的每一維數據進行交換，得到一個臨時個體；5b)將臨時個體代入到適應度函數得到臨時個體的適應度函數值；5c)若臨時個體的適應度函數值比新個體的適應度函數值小，則用臨時個體代替新個體，否則，新個體不變；5d)若新個體的適應度函數值比個體最優的適應度函數值小，則用新個體代替個體最優，否則，個體最優不變；5e)若個體最優的適應度函數值比全局最優的適應度函數值小，則用個體最優代替全局最優，否則全局最優不變；(6)判斷當前迭代次數是否滿足最大迭代次數，如滿足，得到最終的全局最優，否則，返回步驟；(7)進行圖像分割以全局最優的每一維數據作為閾值對得到的圖像矩陣進行分割，得到分割后的圖像矩陣；(8)將分割后的圖像矩陣輸出。本發明與現有技術相比具有如下優點第一，本發明在進行圖像分割時，采用量子粒子群更新策略，并利用OTSU評價準則評價個體的好壞，克服了現有技術醫學圖像分割分多類時，隨著類別的增多，時間增長過快，在可承受時間范圍內不能達到正確分割結果的缺點，分割精度大大提高。
第二，本發明在圖像分割優化類間距方差時，進化過程中充分利用了量子力學中量子波動的不確定性，利用蒙特卡羅方法進行了多次測量，克服了現有技術得到的分割結果達到一定程度時停滯進化而陷入一個局部最優的狀態的缺點，可以有效跳出局部最優， 得到更好的分割結果。第三，本發明在圖像分割求閾值的過程中，對多次測量得到的個體采取了協作策略，充分利用了粒子的每一維信息，更一步克服了現有技術得到的分割結果達到一定程度時停滯進化而陷入一個局部最優的狀態的缺點，跳出局部最優的機會增大，達到理想結果所需時間更短，從而使得相同條件下分割精度進一步提高。
圖1是本發明的流程圖；圖2是本發明仿真效果圖。
具體實施例方式下面結合附圖對本發明作進一步的描述。參照圖1，本發明的具體實現步驟如下步驟1，讀入醫學圖像，得到矩陣，從矩陣中獲得最小灰度值和最大灰度值；步驟2，初始化種群在最小灰度值至最大灰度值之間隨機產生一個整數作為種群個體的第一維，在第一維至最大灰度值之間隨機產生一個整數作為種群個體的第二維， 依次類推，初始化得到的上一維度至最大灰度值之間隨機產生各維度，完成所有種群個體的初始化，個體維數范圍是1 4。本發明的實施例中將維數取為2。步驟3，獲得個體最優和全局最優首先，利用OSTU法得到醫學圖像的類間距方差，類間距方差由以下公式實現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表示類間距方差，Oi表示第i類灰度值的概率，μ i表示第i類灰度值的平均值，i = 1,2,30其次，將類間距方差取相反數得到適應度函數；再次，將種群個體代入到適應度函數得到種群個體的適應度函數值；然后，挑選種群個體中適應度值最小的個體得到個體最優；最后，挑選個體最優中適應度值最小的個體得到全局最優。步驟4，產生新的個體首先，每一個個體最優通過波函數原理和蒙特卡洛多次觀測得到五個個體，根據量子粒子群更新公式得到第一維，再根據量子粒子群更新公式得到的數值大于第一維的情況下將此數值作為第二維，否則將第一維加1得到第二維，以此類推產生各維度；量子粒子群更新公式如下
權利要求
1.一種基于協同量子粒子群算法的醫學圖像分割方法，包括如下步驟(1)讀入醫學圖像，得到矩陣，從矩陣中獲得最小灰度值和最大灰度值；(2)初始化種群在最小灰度值至最大灰度值之間隨機產生一個整數作為種群個體的第一維，在第一維至最大灰度值之間隨機產生一個整數作為種群個體的第二維，依次類推， 初始化得到的上一維度至最大灰度值之間隨機產生各維度，完成所有種群個體的初始化；(3)獲得個體最優和全局最優3a)利用OSTU法得到醫學圖像的類間距方差；3b)將類間距方差取相反數得到適應度函數；3c)將種群個體代入到適應度函數得到種群個體的適應度函數值；3d)挑選種群個體中適應度值最小的個體得到個體最優；3e)挑選個體最優中適應度值最小的個體得到全局最優；(4)產生新的個體4a)每一個個體最優通過波函數原理和蒙特卡洛多次觀測得到五個個體，根據量子粒子群更新公式得到第一維，再根據量子粒子群更新公式得到的數值大于第一維的情況下將此數值作為第二維，否則將第一維加1得到第二維，以此類推產生各維度； 4b)將五個個體代入到適應度函數得到五個個體的適應度函數值； 4c)從五個個體中挑選適應度函數值最小的個體作為新個體；(5)產生新的個體最優和全局最優5a)將新個體中每一維數據與其余四個個體對應位置的每一維數據進行交換，得到一個臨時個體；5b)將臨時個體代入到適應度函數得到臨時個體的適應度函數值； 5c)若臨時個體的適應度函數值比新個體的適應度函數值小，則用臨時個體代替新個體，否則，新個體不變；5d)若新個體的適應度函數值比個體最優的適應度函數值小，則用新個體代替個體最優，否則，個體最優不變；5e)若個體最優的適應度函數值比全局最優的適應度函數值小，則用個體最優代替全局最優，否則全局最優不變；(6)判斷當前迭代次數是否滿足最大迭代次數，如滿足，得到最終的全局最優，否則，返回步驟(4)；(7)進行圖像分割以全局最優的每一維數據作為閾值對得到的圖像矩陣進行分割， 得到分割后的圖像矩陣；(8)將分割后的圖像矩陣輸出。
2.根據權利要求1所述的基于協同量子粒子群算法的醫學圖像分割方法，其特征在于，步驟( 所述的個體維數是1 4。
3.根據權利要求1所述的基于協同量子粒子群算法的醫學圖像分割方法，其特征在于，步驟3a)所述的OSTU法由以下公式實現σ 2 = Co1X ω2Χ (μ j-μω 3Χ (μ j-μ 3)2+ω2Χ ω 3Χ ( μ 2- μ 3)2其中，ο 2表示類間距方差，Qi表示第i類灰度值的概率，Pi表示第i類灰度值的平均值，i = 1,2,30
4.根據權利要求1所述的基于協同量子粒子群算法的醫學圖像分割方法，其特征在于，步驟4a)所述的根據量子粒子群更新公式如下第一步，按如下公式計算平均最好位置
5.根據權利要求1所述的基于協同量子粒子群算法的醫學圖像分割方法，其特征在于，步驟(6)所述最大迭代次數的范圍為100 1000。
6.根據權利要求1所述的基于協同量子粒子群算法的醫學圖像分割方法，其特征在于，步驟(7)所述圖像分割的步驟為第一步，將全局最優個體的兩維數據作為兩個閾值；第二步，以得到的兩個閾值為臨界點將圖像矩陣中的數據用三個數據分為三類得到分割后的圖像矩陣。
全文摘要
一種基于協同量子粒子群算法的醫學圖像分割方法，主要解決現有圖像分割技術中類別增多時分割時間過長、分割結果易陷入局部最優狀態、在可承受時間內分割精度低的問題。本發明的技術方案為(1)讀入醫學圖像，得到矩陣；(2)初始化種群；(3)通獲得個體最優和全局最優；(4)產生新的個體；(5)產生新的個體最優和全局最優；(6)判斷當前迭代次數如滿足最大迭代次數，進行步驟(7)，否則，返回步驟(4)；(7)進行圖像分割；(8)將分割后的圖像矩陣輸出。本發明在圖像分割求得閾值過程中利用蒙特卡洛方法多次測量，對多次測量得到的個體采取協作策略，具有更快得到理想分割結果的優點，可用于對醫學圖像的多閾值分割。
文檔編號G06T7/00GK102496156SQ20111036658
公開日2012年6月13日 申請日期2011年11月17日 優先權日2011年11月17日
發明者公茂果, 劉若辰, 尚榮華, 李陽陽, 焦李成, 相榮榮, 韓紅, 馬文萍 申請人:西安電子科技大學