基于遗传核模糊聚类的水平集医学图像分割方法.pdf

(19)中华人民共和国国家知识产权局*CN103366379A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103366379103366379A(43)申请公布日2013.10.23(21)申请号201310321955.2(22)申请日2013.07.29(71)申请人江苏中惠医疗科技股份有限公司地址225200江苏省扬州市江都区江淮路188号申请人扬州大学(72)发明人朱家明张天平盛朗居小平王涛高飞(74)专利代理机构扬州市锦江专利事务所32106代理人江平(51)Int.Cl.G06T7/00(2006.01)G06N3/12(2006.01)权权利要求书5页利要求书5页说明书12页说明书12页附图4页附图4页(54)发明名称基于遗传核模糊聚类的水平集医学图像分割方法(57)摘要基于遗传核模糊聚类的水平集医学图像分割方法，涉及医学图像分割的应用。本发明利用遗传核模糊聚类算法得到待处理医学图像的最优聚类结果，然后把聚类结果应用于LBF模型的初始轮廓对图像进行分割，可以做到对血管图像具有较高的分割效率和正确率。CN103366379ACN103679ACN103366379A权利要求书1/5页1.基于遗传核模糊聚类的水平集医学图像分割方法，其特征特在于：先将得到医学图像的聚类图像的灰度值进行聚类，再将各个聚类中心用8位二进制数编码成字符串，组成聚类群体，分别计算聚类的目标函数和个体适应度，对当前代的群体使用条件，条件满足则结束算法，得到最优聚类中心，并通过以下公式计算最优隶属度函数，利用最大隶属度原则来确定医学图像灰度数据集所属的类别，得到最优聚类图像；再通过确定水平集模型的初始轮廓；最后，应用于LBF模型对医学图像进行分割。2.根据权利要求1所述基于遗传核模糊聚类的水平集医学图像分割方法，其特征特在于包括以下步骤：1）得到医学图像的聚类图像：设原空间样本被核非线性映射到一特征空间，可得到：那么原样本空间的点积在特征空间可用Mercer核表示为：核函数取高斯核函数；1-1）设初始化聚类中心数，并且根据聚类数对医学图像的灰度值进行聚类，将各个聚类中心用8位二进制数编码成字符串，组成聚类群体；1-2）设遗传算法的最大进化代数，群体大小，交叉概率，变异概率，核参数2CN103366379A权利要求书2/5页，权重指数，随机生成个初始群体，并令；1-3）将个群体的二进制字符串解码，以实数形式表示，利用以下公式分别计算聚类的目标函数和个体适应度，其中为第类的聚类中心，为该中心在相应核空间的像：和3CN103366379A权利要求书3/5页且有1-4）对当前代的群体使用条件，满足条件时结束算法，并跳过下一步，直接进行步骤1-6），并且得到最优聚类中心，通过以下公式计算最优隶属度函数；若不满足则进行下一步1-5）；1-5）当未达到最大进化代数时，令，利用轮赌盘法、单点交叉法，变异算子对4CN103366379A权利要求书4/5页当前群体进行选择、交叉、变异操作，产生新一代群体，同时保留当前代适应度大的个体到中，返回到步骤1-3）重新聚类；利用遗传算子对群体进行选择、交叉和变异操作，产生新一代群体，其中选择算子设计如下：a）选择操作：根据被选中的概率的累加选择遗传到新一代的个体；个体被选中的概率为：其中表示群体中某个个体，为群体的大小，为个体适应度；b）交叉操作：在编码的字符串中按交叉概率设置一个交叉点，然后交换后面的两对字符串的位置；c）变异操作：设置变异的概率为5%，随机选择一个子巡回，并将其插入到一个随机的位置；1-6）利用最大隶属度原则来确定医学图像灰度数据集所属的类别，得到最优聚类图像；2）通过确定水平集模型的初始轮廓；3）根据步骤2得到的初始轮廓，应用于LBF模型对医学图像进行分割；设给定图像I：，是给定原图像域，d为图像维数；将曲线C作为零水平集函数，区域和分别对应和，LBF模型可表示为：其中、是权系数，和分别为区域和图像灰度的近似，且演化规则为：5CN103366379A权利要求书5/5页是高斯核函数，Heaviside函数，即另外，加入长度规则项保证轮廓曲线的光滑性，同时为了保证一段时间后水平奇函数不失光滑性，增加能量惩罚项：采用梯度下降流和变分法得到如下曲线演化方程：其中是Dirac函数，和定义为：对演化方程离散化，得到如下表达式：根据上式求得新的水平集函数，由的正负得到新的分割区域，并且判断水平集函数是否收敛，如果没有则转到步骤二用新的水平集函数和分割区域继续迭代，否则停止迭代，得到最终的分割结果。6CN103366379A说明书1/12页基于遗传核模糊聚类的水平集医学图像分割方法技术领域[0001]本发明属于图像处理领域，涉及医学图像分割的应用。具体涉及到遗传算法（GA），核模糊C均值聚类算法（