[發明專利]基于量子遺傳優化的流形降維醫學圖像檢索方法

有效

• 申請號: 200910071965.9
• 申請日: 2009-05-07
• 公開（公告）號: CN101546332A
• 公開（公告）日: 2009-09-30
• 發明（設計）人: 李金;梁洪;叢望;王磊;湯連志;胡文廣;楊廣達;馮耀宇;呂美超
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 哈爾濱市船大專利事務所
• 代理人: 張貴豐

1.一種基于量子遺傳優化的流形降維醫學圖像檢索方法，其特征是：

(1)提出查詢請求：首先由用戶通過查詢接口向醫學圖像數據庫提出查詢目標圖像的查詢請求，所述的醫學圖像數據庫是圖像入庫時，將各序列的關鍵圖像統一轉換為512×512大小的JPG格式圖像構成醫學圖像數據庫；

(2)提取高維醫學圖像特征：查詢處理模塊根據請求提取目標圖像和醫學圖像數據庫中每幅圖像的72維灰度特征和48維紋理特征，將這些高維特征以向量的形式存入高維特征向量庫；

(3)基于量子遺傳優化的降維：對描述圖像內容的高維特征進行基于量子遺傳優化的降維，得到32維低維特征子集；

(4)相似性度量：通過相似性度量將檢索結果返回給用戶；

所述的基于量子遺傳優化的降維的方法為：

1)醫學圖像特征向量高維空間R^D中的N個D維隨機向量{x₁，x₂，…x_N}，x₁∈R^D，通過降維把它們映射到低維空間R^d中，得到降維后的輸出向量y_i，i∈[1，N]，d＜＜D；

計算每一個樣本點即特征向量x_i的k個最近鄰點；對高維空間中的樣本點x_i，計算該點與其他N-1個樣本點之間的距離，將距離排序，選擇前k個與x_i最近的點作為其鄰近點；

2)由每個樣本點的近鄰點計算出該樣本點的局部重建權值矩陣W；用每個特征向量的近鄰點對該特征向量進行重建，求取使重建誤差最小的近鄰局部重建權值矩陣W；

3)保持上步求取的局部重建權值矩陣W不變，求x_i在低維空間的輸出特征向量y_i；為了使輸出數據在低維空間保持高維空間原有的拓撲結構需構造一個代價函數，映射過程中必須使代價函數值達到最小，該函數形式為：

其中，y_i是x_j的輸出向量，y_ij是y_i的k個近鄰點、其中j＝1，2，…，k；

為使低維重構誤差最小化同樣也要滿足兩個約束條件：?

a)y_i是一個平移不變量，即?

b)為了避免產生退化解需使?其中N是數據點的個數，I是d×d的單位矩陣；

對ε(Y)進行求解，求取的最優解y_i使得代價函數ε(Y)達到最小值；

構造一個N×N的局部重建權值矩陣W，該局部重建權值矩陣為稀疏矩陣，w_ij存儲在其中、其中i＝1，2，…，N，當x_j是x_i的近鄰點時，w_i，j＝w_ij，否則，w_i，j＝0；

此時誤差代價函數式可改寫為

其中，M＝(M_ij)是一個N×N的對稱矩陣，其表達式為：

M＝(I-W)^T(I-W)

利用Lagrange乘子法轉化為在?條件下的特征值和特征向量的問題：(M-Λ)Y^T＝0，即Mα＝λα；

要最小化代價函數，則取M的最小d個特征值對應的向量為列向量組成矩陣Y，則Y的列向量即為d維空間的降維向量表示；

所述的求取使重建誤差最小的近鄰局部重建權值矩陣的方法為：

1)初始化種群：初始化醫學圖像特征高維向量中包含N個個體的種群?為種群中第t代的第j個個體、其中j＝1，2，…N，種群中全部染色體的所有基因α、β都被初始化為?這意味著一個染色體所表達的是其全部可能狀態的等概率疊加；

2)對種群中的個體進行測量：對初始種群中的個體進行一次測量以獲得一組確定的解?是第t代種群中的第j個個體的測量值、其中j＝1，...，N，其表現形式為量子為數目即染色體長度為m的二進制字符串；每一位為0或1是根據量子比特的概率?或?測量得到的、其中i＝1，...，m；具體實現方法為：隨機產生[0，1]上的一個數θ，若?中相應的位取?值為1，否則取值為0；

3)評價二進制染色體種群P(T)并保留最優解：用適應度評價函數評價種群P(T)中每個染色體，并保留此代中的最優解；如算法獲得滿意解，算法停止；否則，轉入步驟4)繼續進行；

4)量子遺傳操作：使用量子旋轉門U(T)更新P(T)；

5)改變進化代數：進化代數加1，如仍未滿足最大進化代數T_max，算法轉至步驟2)繼續進行。