[发明专利]基于遗传算法的人体颌面骨CT图像数字化处理方法

说明书

技术领域

本发明涉及图像处理技术，特别是涉及一种基于遗传算法的人体颌面骨CT图像数字化处理方法。

背景技术

随着计算机技术和先进医疗器械、设备的迅速发展，X-射线机、CT、核磁共振、DSA等一些先进的检测和诊断手段越来越受到广大医务人员的重视和广泛使用。随之也产生了海量的医学影像和图像及其存储和查询的问题。因此医学图像、影像的数字化处理和存储，成为医学临床上一个亟待解决的课题。

图像数字处理中的一个基本问题是阈值分割(Thresholding)。其目的是将图像按不同灰度值分割成相应区域以方便后继处理。阈值选取是阈值分割的前提。阈值选取不当，会影响目标的形状大小，甚至会使目标失落。阈值选取也就是在图像数据中寻优的问题。由于数字图像信息量大，如果不能利用有关知识来缩小搜索空间，则可能产生搜索的组合爆炸。近年来，国内外学者针对这一课题进行了广泛深入的研究，提出了多种阈值选取方法，但这些方法在不同程度上存在着执行效率低、易于陷入局部最优解等问题。因此，寻求一种高效的全局最优解的阈值选取方法一直是人们所关注的问题。遗传算法(Genetic Algorithm，简称GA)是其中特别有效的算法之一。

遗传算法是由美国学者Holand于1975年首先提出的。它体现了生命科学与工程科学的相互交叉、渗透和促进。遗传算法受自然界生物进化过程的启示，借鉴自然选择和自然遗传的机理，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法是一种随机的全局多点搜索算法，它的两大主要特点是群体搜索策略和群体中个体之间的信息相互交换。遗传算法从任一初始化的群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代一代地进化到搜索空间越来越好的区域，直至达到最优解点。GA的主要优点是简单、通用、鲁棒型强，适用于并行处理，因而得到广泛应用。

遗传操作是GA最重要的操作。选择、交叉和变异是遗传算法的3个主要操作算子。

选择操作的目的是从当前群体中选出优良个体，使它们有机会作为父代。选择依据是个体的适应度值。个体适应度越高，其被选择的概率就越大。目前普遍采用的选择策略都是以和适应度成比例的概率来进行选择。比如赌轮策略、最佳保留策略、排序策略等。

交叉操作是遗传算法中最主要的遗传操作。在当前群体中按一定概率随机选出个体作为父代，父代经过杂交产生新的一代。新个体保留了双亲的部分基因，又引进了新基因。

变异操作是十分微妙的遗传操作，要和交叉操作妥善配合，目的是挖掘群体中个体的多样性，克服有可能产生局部解的弊病。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种易于操作的，能实现医学图像的数字化处理的基于遗传算法的人体颌面骨CT图像数字化处理方法。

为了解决上述技术问题，本发明所提供的一种基于遗传算法的人体颌面骨CT图像数字化处理方法，其特征在于，数字化处理方法的步骤包括：

1)将人体颌面骨CT图像的灰度值量化，其范围是[0，1]；可得到其灰度直方图；

2)经过遗传算法的计算，得到最佳阈值；

3)按此最佳阈值对CT图像进行二值化数字化处理；

4)经过数学形态学处理，获得二值图的边界曲线。

进一步的，所述的步骤2)中，遗传算法中的选择算子采用适应度比例方法；交叉算子采用凸交叉中的平均交叉；变异算子采用动态变异。

进一步的，所述的步骤2)中，遗传算法的主要参数群体规模为10-160。

进一步的，所述的步骤2)中，遗传算法的遗传操作中的交叉概率为0.25-1.00。

进一步的，所述的步骤2)中，遗传算法的遗传操作中的变异概率为0.05-0.3。

进一步的，所述的步骤2)中，在处理下颌骨CT图像时，在GA确定的阈值t的基础上，再在[t-0.1，1]之间进行一次最大类间方差计算，以得到最佳阈值。

进一步的，所述的步骤4)中，最后对边界曲线进行光顺处理。

利用本发明提供的基于遗传算法的人体颌面骨CT图像数字化处理方法，由于在遗传操作中采取实数编码来代替二进制串编码技术，避免将图像灰度值转换为二进制串再进行操作，从而缩短编码长度，扩展搜索空间，并且符合思维习惯，易于操作，获得了人体颌面骨CT图像断层的最佳阈值。在此阈值基础上获得其边界曲线，为医学图像的数字化处理打下基础。

附图说明

图1为人体下颌骨某断层的CT图像；

图2为图1中CT图像的灰度直方图；