[發明專利]基于粒子群優化的K-means聚類算法的基因芯片圖像分割法

無效

• 申請號: 201010243077.3
• 申請日: 2010-08-03
• 公開（公告）號: CN101923712A
• 公開（公告）日: 2010-12-22
• 發明（設計）人: 胡益軍;翁桂榮
• 申請（專利權）人: 蘇州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/00
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 陶海鋒

1.一種基于粒子群優化的K-means聚類算法的基因芯片圖像分割法，其特征在于，包括下列步驟：

(1)輸入基因芯片圖像，并對基因芯片圖像進行預處理；

(2)對步驟(1)處理后的圖像進行網格定位，獲得多個基因芯片圖像靶區，每一圖像靶區由網格定位后的一個靶點及其背景區域構成；

(3)分別對每一圖像靶區進行圖像分割處理，所述圖像分割處理為，一個像素點由一個數據矢量表示，數據矢量的橫坐標與縱坐標對應像素點的橫坐標與縱坐標，數據矢量值對應像素點的灰度值，對數據矢量的劃分采用基于粒子群優化的K-means聚類算法進行，最終將所有像素劃分為目標與背景兩類，實現基因芯片圖像的分割；所述基于粒子群優化的K-means聚類算法是，首先根據K-means聚類算法將基因芯片圖像的所有像素分為K類，K＝2，粒子群中的每個粒子根據適應度函數搜尋局部最優位置；然后粒子群中的粒子根據其個體極值和最優位置更新自己的速度和位置值；經過多次迭代之后，全局最優位置所在的子群即為聚類分類結果。

2.根據權利要求1所述的基于粒子群優化的K-means聚類算法的基因芯片圖像分割法，其特征在于：步驟(1)中所述預處理包括，將基因芯片圖像轉化為單色灰度圖像，通過數學形態學的方法對該單色灰度圖像進行濾波處理，將連通部分少于n個像素的圖像部分濾去，其中，n取15～50之間的整數。

3.根據權利要求1所述的基于粒子群優化的K-means聚類算法的基因芯片圖像分割法，其特征在于：

所述的粒子群優化的K-means聚類算法步驟如下：

1)初始化：設定好粒子數N及最大迭代次數t_max，隨機生成每個粒子的位置向量x_i(t)和速度向量v_i(t)，隨機生成聚類中心向量m_ic，i＝1，2，…，N，聚類數設置為K，所以c＝1，…，K；

2)對每個粒子i，做下列運算：

a)計算像素點z_p(z_p為待分割圖像的像素點灰度值矢量)到其聚類中心m_ic的歐氏距離按最小距離原則將像素點重新分配至各個聚類C_ij，j＝1，…，K；

b)各個聚類C_ij按照計算聚類中心m_ic，n_j為屬于聚類C_ij的像素點個數；

c)計算適應度函數其中，z_max為圖像灰度值矢量中最大的像素灰度值；Z為顯示像素分配情況的矩陣，如其中的某一元素z_ijp表示像素點z_p是否屬于粒子i的C_ij聚類；ω₁和ω₂為用戶給定的正常數，不同的初始值可以導致不同的優先搜索方案；為對應粒子i聚類內的最大平均距離；為像素點p至聚類均值的歐式距離；為聚類間的最小距離；|C_ij|為屬于聚類C_ij的像素點個數；

3)計算此時局部最優位置和全局最優位置其中

4)根據v_i(t+1)＝ωv_i(t)+c₁r₁(t)(y_l(t)-x_i(t))+c₂r₂(t)(y_g(t)-x_i(t))更新粒子的速度，若v_i(t+1)＞v_max則v_i(t+1)＝v_max；然后根據x_i(t+1)＝x_i(t)+v_i(t+1)更新粒子的位置；

步驟2)、3)、4)循環t_max次，全局最優位置y_g(t)所在子群所產生的聚類分類結果即為最終結果。

4.根據權利要求1所述的基于粒子群優化的K-means聚類算法的基因芯片圖像分割法，其特征在于：所述的每個粒子根據適應度函數搜尋局部最優位置，對每個粒子的優劣程度由如下適應度函數確定：

f(mic,Z)=ω1d‾max(Z,mic)+ω2(zmax-dmin(mic))]]>

其中，z_max為圖像灰度值矢量中最大的像素灰度值；Z為顯示像素分配情況的矩陣，如其中的某一元素z_ijp表示像素點z_p是否屬于粒子i的C_ij聚類；ω₁和ω₂為用戶給定的正常數，不同的初始值可以導致不同的優先搜索方案；為對應粒子i聚類內的最大平均距離；為像素點p至聚類均值的歐式距離；為聚類間的最小距離；|C_ij|為屬于聚類C_ij的像素點個數。

通過不斷地搜索適應度函數的最小值，最小化類內距離及最大化類間距離，從而搜尋出最優的分類方案。