[发明专利]一种基于粒子群算法的自适应脊柱CT图像分割方法

说明书

技术领域

本发明涉及一般的图像处理，具体涉及图像分析，尤其是涉及通过图像属性的分析来分割图像。

背景技术

随着计算机科学技术的不断发展，图像处理技术也得到了一定的发展，逐步形成了自己的科学理论体系。图像分割是图像处理的重要技术，在实际应用和理论研究中受到越来越多人的更加关注。

图像分割技术是把图像划分为若干个有意义的区域，把感兴趣的目标提取出来，以便后续工作的有效进行，是图像处理到图像分析的关键步骤。现有的图像分割方法可分以下几类:基于区域的分割方法，基于边缘的分割方法，基于聚类的方法。在基于聚类的方法中，是将聚类的理论应道到图像分割上，将图像分割问题，转化为一个求解目标函数的最优值问题。现有的聚类算法解决图像分割问题主要包括，蚁群算法，神经网络算法，遗传算法和粒子群算法，其中粒子群优化算法的目标是解决现实世界中的各种最优化问题，该特点正好和图像分割思想符合，因此粒子群优化算法广泛被学者应用到图像分割中去。但是粒子群算法虽然实现简单，参数少，但是容易陷入局部最优，参数的选取的合适与否直接影响到图像分割的速度和精度。

章慧等人在“ImageThresholdSegmentationMethodBasedonImprovedParticleSwarmOptimization”(ComputerScience39(2012)289-301)中提出一种基于混沌粒子群算法的图像阈值分割方法，该方法引入混沌思想，对全局最优值进行混动扰动，因此增强了算法的全局搜索能力，能够在一定程度上避免陷入局部最优的状态，但是算法的分割精度和时间复杂度度提高了。

发明内容

本发明所要解决的技术问题的提供一种基于粒子群算法的自适应脊柱CT图像分割方法，该方法可改善算法的自适应性，提高求解速度和精度，加速算法收敛。

本发明解决上述问题的技术方案如下：

一种基于粒子群算法的自适应脊柱CT图像分割方法，该方法包括如下步骤：

(1)输入原始图像，计算出图像的最小灰度值和最大灰度值；

(2)初始化第一代种群：在图像的最小灰度值至最大灰度值之间分别随机产生一个整数来初始化第一代种群任一个体的每一维，再以同样的方法初始化第一代种群下一个体的每一维，依次完成第一代种群每一个体的初始化；

(3)按以下方法计算个体最优值和全局最优值：

3a)利用OSTU法得到图像的类间距方差，将类间距方差作为适应度函数；

3b)将种群个体带入到适应度函数计算出种群个体的适应度函数值，然后，先挑选种群个体中适应度最大的作为个体得到个体最优，再从个体最优中挑选适应度最大的个体作为全局最优；

(4)按以下方法产生新的个体：

4a)先按下述公式公式(Ⅰ)计算出k是自适应权重：

k＝w·(1-(t/n)^1/r)(Ⅰ)，

式(Ⅰ)中，t表示当前的迭代次数，n表示最大迭代次数，r是大于等于1的常数，w为惯性因子；

4b)再将自适应权重按下述公式(Ⅱ)产生新一代的个体：

x_id(t+1)＝k·x_id(t)+c₁·rand₁()·(p_id-x_id(t))+c₂·rand₂()·(p_gd-x_id(t))(Ⅱ)，

式(Ⅱ)中，c₁和c₂为基本粒子群算法中的加速常数，rand₁()和rand₂()表示两个在[0，1]范围里变化的随机值，p_id是个体最优值，p_gd是全局最优值，x_id(t)为第t代的第i个个体的第d维，x_id(t+1)为第t+1代的第i个个体的第d维；

(5)按以下方法产生新的个体最优和全局最优：

将新个体带入适应度函数，计算新的种群新个体的适应度函数值；当新个体的适应度值比个体最优大，那么则用新个体代替个体最优，否则个体最优不变；当新个体的适应度值比全局最优的适应度函数值大则用个体最优代替全局最优，否则全局最优不变；

(6)判断是否满足最大迭代次数，如果满足，得到全局最优值，否则返回步骤(4)；