【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于改进雾凇算法的多阈值医学图像分割方法。
技术介绍
1、医学图像可以反应人体的内部结构，是在医疗诊断过程中的重要手段。在目前计算机视觉迅速成熟下，医疗机构更加重视对图像的处理和分析来辅助医生们进行疾病的预测和治疗。研究者在也进行着不同的医疗图像的研究，实时内窥检测，图像质量评估，医学图像邻域自适应，癌症分类，疾病诊断。除此之外，图像分割也是研究者们研究的重要对象，图像分割是计算机视觉领域的一个关键任务，它目的是识别图像中的各个部分，将图像分成几个不同的区域。经过图像分割这个过程，可以有效提高医疗诊断的精准性，对医疗机构的诊断提供一定的帮助。分割方法中基于阈值的分割因为它的简单性，计算效率高且使用范围广，受图像大小的影响低等优点受到研究人员的关注。
2、多阈值图像分割使用多个阈值将图像分为不同的部分，目前多阈值图像分割已经应用在不同领域，医学图像分割，深度学习与卷积神经网络，图像特征提取等。使用多阈值图像分割对图像分割时，合适的阈值集是分割效果的关键，但是阈值的选择往往是一个复杂的问题，如何持续提高图像分割精度一直是业界普遍的追求。
3、因此，有必要研究一种基于改进雾凇算法的多阈值医学图像分割方法，以获得更好的图像分割质量。
技术实现思路
1、为了解决现有技术中存在的一个或多个问题,进一步提高图像分割质量，申请人经过研究发现，利用部分强化理论可以增进雾凇算法(rime algorithm)的局部搜索能力，弥补雾凇算法因为随
2、具体地，根据本专利技术一方面，提供了一种基于改进雾凇算法的多阈值医学图像分割方法，包括以下步骤：
3、步骤1：输入待分割图像；
4、步骤2：生成输入图像的灰度图像；
5、步骤3：使用非局部均值方法，生成非局部均值滤波图像；
6、步骤4：利用非局部均值滤波图像和灰度图像生成二维直方图；
7、步骤5：利用生成的二维直方图的信息，结合hrime，寻找最大renyi熵的最佳阈值组合；
8、步骤6：根据最佳阈值组合进行阈值分割并输出分割后的图像；
9、其中，步骤5具体为：
10、a初始化；
11、b执行软雾凇处理和硬雾凇处理；
12、c执行部分强化策略；
13、d执行边缘信息利用策略；
14、e更新全局最优个体xb和当前迭代次数t；
15、f如果t<t,t为总的迭代次数，则回到步骤b；否则，循环结束，将全局最优个体xb作为最佳阈值组合。
16、根据本专利技术又一方面，步骤a包括：初始化配置种群大小n，问题维度dim，以及最大迭代次数t；初始化种群xi,j(i＝1,2,...,n；j＝1,2,...,dim)并评估种群的适应度值即renyi熵，得到初步的最优个体xb。
17、根据本专利技术又一方面，软雾凇处理的数学模型如下：
18、
19、θ＝tπ/10t (24)
20、β＝1-[tw/t]/w (25)
21、
22、
23、其中，为第i个个体的候选个体在第j维的值，为第i个个体的侯选个体，xi为第i个个体，为当前最优的个体在第j维的值，h1，h2和r1为[0,1]之间的均匀分布随机数，ubj和lbj分别表示问题在第j维的上下限，[·]表示四舍五入，t为当前迭代次数，t为总的迭代次数，π为圆周率，w的值为5,fitness表示求取适应度值。
24、根据本专利技术又一方面，硬雾凇处理的数学模型如下：
25、
26、
27、其中，为第i个个体的候选个体在第j维的值，为第i个个体的侯选个体，xi为第i个个体，为当前最优的个体在第j维的值，r2为0到1之间均匀分布随机数,fi代表第i个个体的适应度值，n(fi)是对fi进行标准化的值，fitness表示求取适应度值。
28、根据本专利技术又一方面，执行部分强化策略的数学模型如下：
29、响应：对于每个个体，在完成相应的行为后，如果生成的候选个体优于当前个体，则执行贪心选择策略来更新当前个体；
30、计划：这个过程为每个个体建立一个计划表sch，允许目标根据计划表选择如何加强以及何时加强其行为，该过程抽象为以下公式：
31、ο＝t/t (30)
32、μ＝exp(o-1) (31)
33、
34、
35、其中，o是时间系数，t表示当前迭代次数，t表示总的迭代次数，μ表示选择的概率，dim表示总的问题维度，v表示所选择的行为，即个体选择的维度，schj表示所有个体计划表在第j维上的值，sch降序后排序的结果为schsorted，τ表示所选择行为子集的大小，向上取整，u表示均匀分布，schsorted,τ表示schsorted中的第τ个元素；
36、刺激：具有以下数学表达式：
37、α＝ο+u(0,θ),whereθ＝∑j∈ν(schi,j/max(schi)) (34)
38、
39、
40、
41、其中，α是刺激系数，为第i个个体的侯选个体，xi为第i个个体，o是时间系数，u表示均匀分布，θ均匀分布上限，schi,j为第i个个体在第j维度上计划表的值，max表示求取最大值，schi为第i个个体的计划表，sti,v在更新第i个个体在第v维度上产生的中间差值，rand为0到1的均匀分布随机数，表示当前最优个体在维度v上的值，xi,v表示当前个体在维度v上的值，xr,v表示适应度值比当前个体更差的随机个体在维度v上的值，表示候选解在维度v的值，fitness表示求取适应度值；
42、强化：这个过程包括在采取行为后根据不同的结果更新个体的计划表，主要步骤如下：
43、
44、其中，schi,v为第i个个体在第v维度上计划表的值，fitness表示求取适应度值，为新产生的侯选个体，xi为第i个个体，r是一个常数，其值为0.7；
45、重新安排：个体在迭代过程中陷入负强化循环，则需要进行校正，数学表达式如下：
46、
47、
48、本文档来自技高网...
【技术保护点】
1.一种基于改进雾凇算法的多阈值医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于步骤a包括：初始化配置种群大小N，问题维度dim，以及最大迭代次数T；初始化种群Xi,j(i＝1,2,...,N；j＝1,2,...,dim)并评估种群的适应度值即Renyi熵，得到初步的最优个体Xb。
3.根据权利要求2所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于软雾凇处理的数学模型如下：
4.根据权利要求3所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于硬雾凇处理的数学模型如下：
5.根据权利要求1-4任一项所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于执行部分强化策略的数学模型如下：
6.根据权利要求5所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于执行边缘信息利用策略，数学模型如下：
【技术特征摘要】
1.一种基于改进雾凇算法的多阈值医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进雾凇算法的多阈值医学图像分割方法，其特征在于步骤a包括：初始化配置种群大小n，问题维度dim，以及最大迭代次数t；初始化种群xi,j(i＝1,2,...,n；j＝1,2,...,dim)并评估种群的适应度值即renyi熵，得到初步的最优个体xb。
3.根据权利要求2所述的基于改进雾凇算法的多阈值...
【专利技术属性】
技术研发人员：陈慧灵，黄金鹏，陈丽燕，张维溪，陈翼，王名镜，
申请(专利权)人：温州大学大数据与信息技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。