[发明专利]一种新的全方向M型心动图运动曲线提取方法

权利要求书

1.一种新的全方向M型心动图运动曲线提取方法，其特征在于：包括如下步骤，

S1：输入全方向M型心动图图像，并将该全方向M型心动图图像进行分块；

S2：计算各分块图像的参数，通过蚁群算法获取可能的边缘块图像；

S3：将步骤S2获取的边缘块图像通过遗传算法拟合sigmoid函数，从而获得全方向M型心动图的运动曲线；

所述步骤S1中将全方向M型心动图图像进行分块的具体方法为：设定一个分块图像的大小参数为N，将全方向M型心动图按N*N的大小进行分块，并由左上到右下，从(1,1)对各分块进行编号，其中，N取4；

所述步骤S2的具体实现过程如下：

S21：计算各分块图像的参数：首先，对每一分块进行阈值处理，设定一灰度阈值，将分块中在灰度阈值以上部分及以下部分的灰度平均值，分别作为前景平均灰度fg(i,j)和背景平均灰度bg(i,j)，并计算两者的差值c(i,j)＝fg(i,j)-bg(i,j)；其次，计算各分块图像的灰度重心，并计算该灰度重心与分块中心连线的法线与水平方向的夹角θ(i,j)；

S22：进行蚁群算法起始点的选择：蚁群算法的起始点从图像最左边开始，第一列各个区域按照以下概率选择起始块：

p(i,j)=c(i,1)ατ(i,1)βΣn[c(n,1)ατ(n,1)β]]]>

其中，α和β是蚁群算法的参数，分别表示蚂蚁对信息素和启发信息的重视程度，

τ(i,1)=Σnτn(i,1)]]>

由于不同的运动曲线具有不同的路径，为防止各个路径之间出现相互的干扰，因此，各个路径的起始块需分别选定一个信息素τ_n，而对于蚁群算法起始点的选择，需将所有的信息素综合起来选择；

S23：定义蚁群的转移算法，即各个分块对蚂蚁的吸引力为：

f(i,j)＝e_d(i,j)c(i,j)-γ[e_f(i,j)+e_b(i,j)]

p(i,j)=f(i,j)ατ(i,j)βΣn,m∈G(i,j,t)[f(n,m)ατ(n,m)β]]]>

其中，e_f(i,j)和e_b(i,j)分别为前景惩罚和背景惩罚，表示该分块的背景或前景与该蚂蚁起始块的背景或前景相差很大的时候对该块的吸引力会下降，e_f(i,j)和e_b(i,j)计算公式如下：

ef(i,j)=0λff-(1-λf)b≥fg(i,j)fg(i,j)-λff-(1-λf)bλff-(1-λf)b<fg(i,j)]]>

eb(i,j)=0bg(i,j)≥λbf-(1-λb)bλbf-(1-λb)b-bg(i,j)bg(i,j)<λbf-(1-λb)b]]> 1

其中，b和f分别代表该起始块的背景和前景平均灰度；λ_b和λ_f为调节参数，其取值范围为(0,1)；蚂蚁在每一步有一定概率停止在同一个地点，e_d(i,j)为其修正值，当为原点时取λ_d，否则为1，其中，λ_d为调节参数，其取值范围为(0,1)；蚂蚁会记录自己的停留次数t，每当蚂蚁往前移动时，t就会被复位成1，而当蚂蚁停留时，t就会加1，每次搜索的范围与其停留次数有关：G(i,j,t)＝{(m,n)|m∈[i,i+t],n∈[i-t,i+t]}；

S24：当所有蚂蚁在达到图像右端的时候，一次迭代结束，采用最大最小蚂蚁系统的方式进行信息素更新，所有的蚂蚁根据下式计算自己的路程：

d=Σ(i,j,t)1f(i,j)ej(t)]]>

记从(n,1)为起始块的目前蚁群所找到的最短距离为d_n，其路径为D(n)，若没有蚂蚁从(n,1)开始，则记d_n＝∞，D(n)为空集；其中e_j(t)为当蚂蚁停留的惩罚项，由下式得出结果：

e_j(t)＝1/t²

对从每个起始块出发的路线单独计算信息素，记为τ_n(i,j)，即对每个起始块出发的蚂蚁路程单独排序，并且更新的信息素也只对同一起始块出发的蚂蚁有效，具体的更新方程如下：

τ_n(i,j)＝ρτ_n(i,j)+Δτ_n(i,j)

其中，ρ代表了信息素的挥发率，Δτ_n(i，j)代表了信息素的积累量，只有最优解可以积累释放信息素，即只有最短路径的蚂蚁可以积累信息素：

每次迭代结束后会通过下式计算下一次迭代的蚂蚁个数：

M=MantΣn(1/dn)1/min(dn)]]>

其中，M_ant为设置参数，表示希望的每条路径上所拥有的蚂蚁数量，以便于能够根据图像中运动曲线的数量动态调整蚂蚁的数量，而第一次迭代时直接使用2M_ant个蚂蚁；

S25：将所有的起始块开始的最短路径的路径长度升序排序，根据排序的情况，满足以下条件的认为是边缘块：

(1)之前的检测中不是边缘块；

(2)路径长度d_n与全图中最优路径比值大于λ_p，λ_p为用户选定的停止值，取值范围为(0,1)。