[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

摘要

本发明涉及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；(2)初始化第一代种群；(3)计算个体最优和全局最优；(4)产生新的个体；(5)计算新的个体最优和全局最优；(6)判断是否满足最大迭代次数，如果满足则转到步骤(7)，否则，返回步骤(4)；(7)进行初步的图像分割，作为初始的分割结果；(8)采取拓扑学操作，对脊柱进一步准确的分割，输出图像。本发明优化了搜索粒度，由粗到细控制算法收敛的速度，大大加快了算法的收敛速度，提高了分割精度，并利用待分割区域的先验知识，采用拓扑学对脊柱进一步进行准确的分割，大大提升了图像分割的效率和质量。

主权项

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)；(7)以全局最优的每一维数据作为阈值，对得到的图像矩阵进行分割；(8)采取拓扑学操作，对脊柱进一步准确的分割，输出图像。