[發(fā)明專利]基于模糊熵的差分進(jìn)化算法對(duì)乳腺圖像進(jìn)行分割的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810909346.1
• 申請(qǐng)日: 2018-08-10
• 公開（公告）號(hào): CN109146864A
• 公開（公告）日: 2019-01-04
• 發(fā)明（設(shè)計(jì)）人: 柳培忠;范宇凌;唐加能;駱炎民;杜永兆
• 申請(qǐng)（專利權(quán)）人: 華僑大學(xué);泉州市中仿宏業(yè)信息科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/136;G06N3/00;G06K9/62
• 代理公司: 泉州市文華專利代理有限公司 35205
• 代理人: 張浠娟

1.一種基于模糊熵的差分進(jìn)化算法對(duì)乳腺圖像進(jìn)行分割的方法，其特征在于：首先，結(jié)合圖像的模糊熵，設(shè)置圖像分割的參數(shù)和評(píng)價(jià)函數(shù)，以最大模糊熵作為評(píng)估的函數(shù)；其次，采用差分進(jìn)化算法將圖像模糊熵的參數(shù)作為初始化種群個(gè)體，經(jīng)過(guò)變異、交叉和選擇三個(gè)進(jìn)化過(guò)程對(duì)圖像模糊熵進(jìn)行優(yōu)化，根據(jù)最大模糊熵準(zhǔn)則，確定分割圖像的最優(yōu)閾值；最后，應(yīng)用最大模糊熵和雙閾值分割方法對(duì)乳腺圖像進(jìn)行分割。

2.根據(jù)權(quán)利要求1所述的基于模糊熵的差分進(jìn)化算法對(duì)乳腺圖像進(jìn)行分割的方法，其特征在于：所述方法具體包括以下步驟：

步驟1、設(shè)置模糊熵閾值分割所需要的參數(shù)，所述參數(shù)包括種群規(guī)模NP、個(gè)體維數(shù)D、進(jìn)化最大迭代次數(shù)FES、當(dāng)前迭代次數(shù)fes、進(jìn)化代數(shù)Gen，評(píng)估函數(shù)f(x)；

步驟2、按公式(1)進(jìn)行初始化，得到初始種群：

其中，NP為種群規(guī)模，D為解空間的維數(shù)，用X^G來(lái)表示進(jìn)化到G代時(shí)的種群，i表示第i個(gè)種群個(gè)體，每一個(gè)個(gè)體是由D維參數(shù)構(gòu)成；

步驟3、以最大模糊熵作為評(píng)估函數(shù)，計(jì)算初始種群中個(gè)體的適應(yīng)值，記作fitness；

步驟4、選取“rand/1”作為變異策略，變異策略如公式(2)所示：

DE/rand/1：

其中，父代種群中的個(gè)體通過(guò)變異策略產(chǎn)生變異個(gè)體“DE/rand/1”表示利用DE算法選擇一個(gè)隨機(jī)父代種群中的個(gè)體進(jìn)行變異，F(xiàn)為放縮因子且范圍為0到1之間；

步驟5、交叉操作：將生成的變異個(gè)體與父代種群中的個(gè)體進(jìn)行交叉操作，從而生成新的交叉?zhèn)€體DE算法采用的是二項(xiàng)式交叉方案，

交叉操作如下：

其中，rand_j∈[0,1]，j_rand∈[0,D]以及交叉概率CR范圍為[0,1]；

步驟6、對(duì)新的交叉?zhèn)€體與父代進(jìn)行選擇操作，選取適應(yīng)值較好的個(gè)體作為新一代種群個(gè)體選擇操作采用優(yōu)勝劣汰的貪婪選擇模式，使得較優(yōu)的交叉?zhèn)€體替代父代種群中的個(gè)體從而種群始終朝著最優(yōu)分割閾值靠近，選擇操作如下所示：

式中f(x)即為需要優(yōu)化的目標(biāo)函數(shù)；

步驟7、判斷是否滿足終止條件fes>FES，F(xiàn)ES等于NP*1000，若滿足，則輸出最優(yōu)解，否則，返回步驟3；

步驟8、通過(guò)變異、交叉和選擇三個(gè)策略，種群個(gè)體不斷的迭代進(jìn)化；

步驟9、記錄最優(yōu)個(gè)體，采用雙閾值最大模糊熵分割圖像，個(gè)體每一維向量即為最優(yōu)模糊熵隸屬度參數(shù)(a₁，b₁，c₁，a₂，b₂，c₂)；如公式(5)、(6)、(7)所示，μ_d(k)、μ_m(k)、μ_b(k)表示圖像灰度值為k的像素分別屬于d(暗)、m(灰)、b(亮)的隸屬度值：

通過(guò)(5)、(6)、(7)公式和最優(yōu)模糊熵隸屬度參數(shù)(a₁，b₁，c₁，a₂，b₂，c₂)，對(duì)CT乳腺圖像進(jìn)行分割。