一种基于改进QPSO的FCM医学图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108898602A(43)申请公布日2018.11.27(21)申请号201810677834.4(22)申请日2018.06.27(71)申请人南京邮电大学地址210023江苏省南京市栖霞区文苑路9号(72)发明人郭剑沈晓韩崇肖甫周剑王娟孙力娟(74)专利代理机构南京正联知识产权代理有限公司32243代理人王素琴(51)Int.Cl.G06T7/10(2017.01)G06K9/62(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于改进QPSO的FCM医学图像分割方法(57)摘要本发明针对医学图像中不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点，引入模糊聚类技术，并利用改进的量子粒子群算法进行优化，在此基础上提出一种图像分割方案。本发明利用一种新的改进量子粒子群优化算法，有效改善了标准模糊Ｃ均值模糊聚类算法对初始聚类中心依赖，易于陷入局部最优的缺陷,从而使得医学图像得到更好的分割。由于本发明提供的方法在给定初始条件后总能有效地进行收敛，因此该方法对于处理医学图像中经常存在的模糊以及边界不清等问题具有较好的效果。利用本发明提供的方法可以在处理医学图像的过程中保留更多的原始信息，其鲁棒性要高于硬性聚类等其他分割算法。CN108898602ACN108898602A权利要求书1/2页1.一种基于改进QPSO(QuantumParticleSwarmOptimization)的FCM(FuzzyC-Means)医学图像分割方法，其特征在于包含以下步骤：步骤1：输入一张医学图像；步骤2：设定模糊指数m，迭代停止阈值e，并对给定的医学图像提取灰度特征，做灰度直方图，确定聚类数目为c；步骤3：利用改进的量子粒子群找到最佳聚类中心；步骤4：利用得到的最佳粒子，即医学图像的聚类中心，计算医学图像中每个像素点到聚类中心的隶属度，以其为依据，确定医学图像中每个像素的最后归属；步骤5：输出最终的医学图像分割结果。2.根据权利要求1所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3中利用改进的量子粒子群找到最佳聚类中心的具体步骤为：步骤3.1：参数初始化，随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次,共生成n个初始粒子；步骤3.2：利用模糊指数m及聚类中心计算隶属度，将FCM的目标函数作为改进的量子粒子群算法的适应度函数，计算适应度值；步骤3.3：比较每个粒子的适应度值，对所有粒子进行适应度评价。利用改进的量子粒子群更新粒子，并计算其适应度值，如果达到结束条件，则停止迭代，否则继续更新粒子。3.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.1的具体计算步骤为：参数初始化，假设X＝{x1，x2，...xt}代表一系列像素点，t为医学图像中像素的个数，设置种群大小n，最大迭代次数M，其中2<c<t；随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次，共生成n个初始粒子，每一类的聚类中心可以表示为V＝{v1，v2，...vc}。4.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.2的具体计算步骤为：根据式(1)计算每个像素点到聚类中心的距离dij，根据距离及式(2)计算每个像素点对应每个聚类中心的隶属度uij，其中m是隶属度指数，刻画分类结果的模糊程度，m>1，m越大表示分类结果越模糊，通常取m＝2；式(3)中J(U,V)表示粒子的适应度值，它的大小反映图像像素对目标类的隶属程度，值越小表示像素属于对应类的可能性越大，聚类效果越好，同时要满足式(4)。2dij＝||xi-vj||(1)5.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.3的具体计算步骤为：粒子位置更新的公式如式(5)至(9)所示，其中，pbi是第i个粒子的个体最优位置；gb是整个种群的最优位置；rand(0,1)是一个函数，其返回值是一个2CN108898602A权利要求书2/2页[0，1]之间的随机数；t是当前的进化代数；tmax是算法的最大进化代数；β称为收缩扩张系数，它随着算法的迭代而逐渐减小；pi是第i个粒子的位置。利用新得到的粒子计算新的适应度值，如果达到结束条件即适应度值是否小于阈值e,或者迭代次数超过M，否则继续更新粒子。a＝rand(0,1)(5)p＝a*pbi+(1-a)*gb(6)u＝rand(0,1)(8)。3CN108898602A说明书1/5页一种基于改进QPSO的FCM医学图像分割方法技术领域[0001]本发明公开了一种基于QPSO的FCM医学图像分割方法，属于图像处理技术