[发明专利]基于粒子群优化的K-means聚类算法的基因芯片图像分割法

权利要求书

1.一种基于粒子群优化的K-means聚类算法的基因芯片图像分割法，其特征在于，包括下列步骤：

(1)输入基因芯片图像，并对基因芯片图像进行预处理；

(2)对步骤(1)处理后的图像进行网格定位，获得多个基因芯片图像靶区，每一图像靶区由网格定位后的一个靶点及其背景区域构成；

(3)分别对每一图像靶区进行图像分割处理，所述图像分割处理为，一个像素点由一个数据矢量表示，数据矢量的横坐标与纵坐标对应像素点的横坐标与纵坐标，数据矢量值对应像素点的灰度值，对数据矢量的划分采用基于粒子群优化的K-means聚类算法进行，最终将所有像素划分为目标与背景两类，实现基因芯片图像的分割；所述基于粒子群优化的K-means聚类算法是，首先根据K-means聚类算法将基因芯片图像的所有像素分为K类，K＝2，粒子群中的每个粒子根据适应度函数搜寻局部最优位置；然后粒子群中的粒子根据其个体极值和最优位置更新自己的速度和位置值；经过多次迭代之后，全局最优位置所在的子群即为聚类分类结果。

2.根据权利要求1所述的基于粒子群优化的K-means聚类算法的基因芯片图像分割法，其特征在于：步骤(1)中所述预处理包括，将基因芯片图像转化为单色灰度图像，通过数学形态学的方法对该单色灰度图像进行滤波处理，将连通部分少于n个像素的图像部分滤去，其中，n取15～50之间的整数。

3.根据权利要求1所述的基于粒子群优化的K-means聚类算法的基因芯片图像分割法，其特征在于：

所述的粒子群优化的K-means聚类算法步骤如下：

1)初始化：设定好粒子数N及最大迭代次数t_max，随机生成每个粒子的位置向量x_i(t)和速度向量v_i(t)，随机生成聚类中心向量m_ic，i＝1，2，…，N，聚类数设置为K，所以c＝1，…，K；

2)对每个粒子i，做下列运算：

a)计算像素点z_p(z_p为待分割图像的像素点灰度值矢量)到其聚类中心m_ic的欧氏距离按最小距离原则将像素点重新分配至各个聚类C_ij，j＝1，…，K；

b)各个聚类C_ij按照计算聚类中心m_ic，n_j为属于聚类C_ij的像素点个数；

c)计算适应度函数其中，z_max为图像灰度值矢量中最大的像素灰度值；Z为显示像素分配情况的矩阵，如其中的某一元素z_ijp表示像素点z_p是否属于粒子i的C_ij聚类；ω₁和ω₂为用户给定的正常数，不同的初始值可以导致不同的优先搜索方案；为对应粒子i聚类内的最大平均距离；为像素点p至聚类均值的欧式距离；为聚类间的最小距离；|C_ij|为属于聚类C_ij的像素点个数；

3)计算此时局部最优位置和全局最优位置其中

4)根据v_i(t+1)＝ωv_i(t)+c₁r₁(t)(y_l(t)-x_i(t))+c₂r₂(t)(y_g(t)-x_i(t))更新粒子的速度，若v_i(t+1)＞v_max则v_i(t+1)＝v_max；然后根据x_i(t+1)＝x_i(t)+v_i(t+1)更新粒子的位置；

步骤2)、3)、4)循环t_max次，全局最优位置y_g(t)所在子群所产生的聚类分类结果即为最终结果。

4.根据权利要求1所述的基于粒子群优化的K-means聚类算法的基因芯片图像分割法，其特征在于：所述的每个粒子根据适应度函数搜寻局部最优位置，对每个粒子的优劣程度由如下适应度函数确定：

f(mic,Z)=ω1d‾max(Z,mic)+ω2(zmax-dmin(mic))]]>

其中，z_max为图像灰度值矢量中最大的像素灰度值；Z为显示像素分配情况的矩阵，如其中的某一元素z_ijp表示像素点z_p是否属于粒子i的C_ij聚类；ω₁和ω₂为用户给定的正常数，不同的初始值可以导致不同的优先搜索方案；为对应粒子i聚类内的最大平均距离；为像素点p至聚类均值的欧式距离；为聚类间的最小距离；|C_ij|为属于聚类C_ij的像素点个数。

通过不断地搜索适应度函数的最小值，最小化类内距离及最大化类间距离，从而搜寻出最优的分类方案。