[發(fā)明專利]一種基于圖論分割過程的多目標(biāo)粒子群參數(shù)優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 201410230948.6
• 申請日: 2014-05-28
• 公開（公告）號(hào): CN104021552B
• 公開（公告）日: 2017-02-22
• 發(fā)明（設(shè)計(jì)）人: 黃慶華;張強(qiáng)志
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/187;G06N3/00
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司44245
• 代理人: 蔡茂略

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理的技術(shù)領(lǐng)域，尤其是指一種基于圖論分割過程的多目標(biāo)粒子群參數(shù)優(yōu)化方法。

背景技術(shù)

圖像分割是圖像處理領(lǐng)域的一個(gè)基本問題，分割結(jié)果關(guān)鍵性地決定了圖像處理系統(tǒng)中的分析、理解和識(shí)別等高層模塊的處理性能。在提出的眾多圖像分割算法(閾值法、活動(dòng)輪廓模型、聚類等)中，基于圖論的圖像分割算法因其簡單的結(jié)構(gòu)和豐富的理論支持，已成為研究的熱點(diǎn)。文獻(xiàn)[1]Q.-H.Huang,S.-Y.Lee,L.-Z.Liu,M.-H.Lu,L.-W.Jin,and?A.-H.Li,“A?robust?graph-based?segmentation?method?for?breast?tumors?in?ultrasound?images,”Ultrasonics,vol.52,pp.266-75,2012Feb(Epub2011Aug2012).在已有的研究基礎(chǔ)上，提出了基于圖論的RGB圖像分割方法，取得了很大的改進(jìn)效果。然而，其兩個(gè)重要的參數(shù)α和k的設(shè)置對分割結(jié)果起著決定性作用，參數(shù)設(shè)置的恰當(dāng)與否直接決定著分割結(jié)果的優(yōu)劣，為了提高分割的準(zhǔn)確性和算法的魯棒性，文獻(xiàn)[2]Qinghua?Huang,Xiao?Bai,Yingguang?Li,Lianwen?Jin,and?Xuelong?Li,“Optimized?graph-based?segmentation?for?ultrasound?images,”Neurocomputing129(2014),pp.216–224.提出了單目標(biāo)的優(yōu)化方案，使得基于圖論的RGB圖像分割方法能夠在不同圖像輸入的情況下尋找到在單目標(biāo)條件下的最優(yōu)參數(shù)設(shè)置，取得了一定的改進(jìn)效果。然而，文獻(xiàn)[2]的單目標(biāo)優(yōu)化方案只使用了類間方差(越大越好)作為唯一的優(yōu)化目標(biāo)，只能在一定程度上避免過分割，本發(fā)明對此進(jìn)行改進(jìn)，提出了多目標(biāo)的優(yōu)化方案，增加了累內(nèi)方差(越小越好，可避免欠分割)和平均梯度(越大越好，保證含有重要信息的細(xì)節(jié)邊緣具有良好的分割效果)兩個(gè)優(yōu)化目標(biāo)，并提出了含有跳轉(zhuǎn)概率的多目標(biāo)評優(yōu)策略(有助于避免陷入局部最優(yōu))。利用本發(fā)明所提供的方法，可以進(jìn)一步優(yōu)化基于圖論的RGB圖像分割算法的參數(shù)設(shè)置，從而進(jìn)一步提高分割的準(zhǔn)確性和算法的魯棒性。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足與缺陷，提供一種基于圖論分割過程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，優(yōu)化基于圖論的RGB分割算法的參數(shù)，從而獲得更好的分割效果，從圖像中準(zhǔn)確分割出目標(biāo)區(qū)域，特別是醫(yī)學(xué)圖像中的病灶區(qū)域，如乳腺腫瘤超聲圖像中的腫瘤區(qū)域。

為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：一種基于圖論分割過程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，包括以下步驟：

1)初始化粒子群優(yōu)化算法的各參數(shù)；

2)對每個(gè)粒子進(jìn)行基于圖論的RGB圖像分割；

3)計(jì)算類間方差、類內(nèi)方差、平均梯度這三個(gè)目標(biāo)函數(shù)值；

4)根據(jù)多目標(biāo)評優(yōu)策略對每個(gè)粒子進(jìn)行評優(yōu)；

5)根據(jù)個(gè)體最優(yōu)和全局最優(yōu)更新粒子；

6)對步驟2)到步驟5)進(jìn)行迭代直至滿足停止條件。

在步驟1)中，根據(jù)基于圖論的RGB分割算法中的兩個(gè)控制分割效果的正參數(shù)α和k的搜索空間的大小，設(shè)定所需個(gè)數(shù)的粒子，然后隨機(jī)或者有序地初始化各個(gè)粒子的位置信息，即α和k的參數(shù)組合，而粒子的初始化速度，也是α和k的參數(shù)組合，都設(shè)為(0，0)，并根據(jù)不同需要初始化其它參數(shù)。

在步驟2)中，根據(jù)每個(gè)粒子的位置信息，也就是α和k的參數(shù)組合，對待分割圖像進(jìn)行基于圖論的RGB圖像分割，得到相應(yīng)的分割結(jié)果，其過程如下：

2.1)應(yīng)用非線性擴(kuò)散模型對原始圖像進(jìn)行去噪；

2.2)采用六鄰域模板，對去噪后的整個(gè)圖像進(jìn)行遍歷，包括構(gòu)造邊和邊權(quán)值計(jì)算，建立相應(yīng)的圖G＝(V,E)，其中V表示頂點(diǎn)集合，即像素點(diǎn)集合，E為邊集合，

其中，邊權(quán)值定義為相應(yīng)兩頂點(diǎn)的灰度差，即：

w_ij＝|I(v_i)-I(v_j)|

I(v_i)、I(v_j)分別表示頂點(diǎn)v_i、v_j所對應(yīng)的像素點(diǎn)的灰度值；

2.3)按邊權(quán)值大小對邊集合E進(jìn)行非遞減排序，初始化所有邊為無效邊，如果一條邊有效，則表示這條邊在圖中存在，意味著邊兩端的頂點(diǎn)屬于同一個(gè)區(qū)域；反之，如果一條邊無效，則意味著邊兩端的頂點(diǎn)不互相直接連接，而所有邊為無效邊意味著每個(gè)像素點(diǎn)所對應(yīng)的頂點(diǎn)都屬于不同的子圖；