一種基于粒子群算法的自適應脊柱ct圖像分割方法
【技術領域】
[0001] 本發明涉及一般的圖像處理，具體涉及圖像分析，尤其是涉及通過圖像屬性的分 析來分割圖像。
【背景技術】
[0002] 隨著計算機科學技術的不斷發展，圖像處理技術也得到了一定的發展，逐步形成 了自己的科學理論體系。圖像分割是圖像處理的重要技術，在實際應用和理論研究中受到 越來越多人的更加關注。
[0003]圖像分割技術是把圖像劃分為若干個有意義的區域，把感興趣的目標提取出來， 以便后續工作的有效進行，是圖像處理到圖像分析的關鍵步驟。現有的圖像分割方法可分 以下幾類：基于區域的分割方法，基于邊緣的分割方法，基于聚類的方法。在基于聚類的方 法中，是將聚類的理論應道到圖像分割上，將圖像分割問題，轉化為一個求解目標函數的最 優值問題。現有的聚類算法解決圖像分割問題主要包括，蟻群算法，神經網絡算法，遺傳算 法和粒子群算法，其中粒子群優化算法的目標是解決現實世界中的各種最優化問題，該特 點正好和圖像分割思想符合，因此粒子群優化算法廣泛被學者應用到圖像分割中去。但是 粒子群算法雖然實現簡單，參數少，但是容易陷入局部最優，參數的選取的合適與否直接影 響到圖像分割的速度和精度。
[0004] 章慧等人在"ImageThresholdSegmentationMethodBasedonImproved ParticleSwarmOptimization"（ComputerScience39 (2012) 289-301)中提出一種基于 混沌粒子群算法的圖像閾值分割方法，該方法引入混沌思想，對全局最優值進行混動擾動， 因此增強了算法的全局搜索能力，能夠在一定程度上避免陷入局部最優的狀態，但是算法 的分割精度和時間復雜度度提高了。

【發明內容】

[0005] 本發明所要解決的技術問題的提供一種基于粒子群算法的自適應脊柱CT圖像分 割方法，該方法可改善算法的自適應性，提高求解速度和精度，加速算法收斂。
[0006] 本發明解決上述問題的技術方案如下：
[0007] -種基于粒子群算法的自適應脊柱CT圖像分割方法，該方法包括如下步驟：
[0008] (1)輸入原始圖像，計算出圖像的最小灰度值和最大灰度值；
[0009] (2)初始化第一代種群：在圖像的最小灰度值至最大灰度值之間分別隨機產生一 個整數來初始化第一代種群任一個體的每一維，再以同樣的方法初始化第一代種群下一個 體的每一維，依次完成第一代種群每一個體的初始化；
[0010] (3)按以下方法計算個體最優值和全局最優值：
[0011] 3a)利用0STU法得到圖像的類間距方差，將類間距方差作為適應度函數；
[0012] 3b)將種群個體帶入到適應度函數計算出種群個體的適應度函數值，然后，先挑選 種群個體中適應度最大的作為個體得到個體最優，再從個體最優中挑選適應度最大的個體 作為全局最優；
[0013] (4)按以下方法產生新的個體：
[0014] 4a)先按下述公式公式（I)計算出k是自適應權重：
[0015]k=w· (l-(t/n)1/r) (I)，
[0016] 式（I)中，t表示當前的迭代次數，n表示最大迭代次數，r是大于等于1的常 數，《為慣性因子；
[0017] 4b)再將自適應權重按下述公式（II)產生新一代的個體：
[0018] xid(t+l) =k·xid(t)+C! ·randiO· (pid-xid (t))+c2 ·rand2 () · (pgd-Xid(t)) (II),
[0019] 式（II)中，(^和c2為基本粒子群算法中的加速常數，randi()和rand2〇表示兩 個在[0，1]范圍里變化的隨機值，Pld是個體最優值，pgd是全局最優值，Xld(t)為第t代的 第i個個體的第d維，xld(t+l)為第t+Ι代的第i個個體的第d維；
[0020] (5)按以下方法產生新的個體最優和全局最優：
[0021] 將新個體帶入適應度函數，計算新的種群新個體的適應度函數值；當新個體的適 應度值比個體最優大，那么則用新個體代替個體最優，否則個體最優不變；當新個體的適應 度值比全局最優的適應度函數值大則用個體最優代替全局最優，否則全局最優不變；
[0022] (6)判斷是否滿足最大迭代次數，如果滿足，得到全局最優值，否則返回步驟（4);
[0023] (7)以全局最優的每一維數據作為閾值，對得到的圖像矩陣進行分割；
[0024](8)采取拓撲學操作，對脊柱進一步準確的分割，輸出圖像。
[0025] 上述方案中，步驟3a)所述的0STU法是：設圖像被{t」，t_2，…，t_MJ個閾值分割 為Μ個部分，則最佳分割閾值{V」，t%…，t%J需要滿足如下條件：
[0026] {t*-!，t*-2,…，t*-MJ=argmax{ 〇 2 (t!，t2,…，tM !)} (III)
[0027] 其中，σ2(懷t2,···，tMD為圖像灰度值的方差值，
"Ck為分割圖像，k= 1，2,…，M，PRh⑴/N為各閾值的 計算概率，iV= 為圖像的總像素數，其中，L為所述圖像的灰度值，h(i)為灰度值為 i的像素數；
[0028] 分割圖像(^對應閾值0,…，t」，分割圖像(：2對應閾值t」+l，…，t_2，...，分割圖像 CM對應閾值t-M !，…，L，0 <t-t-…<t-M ^L。
[0029] 本發明與現有的技術相比具有以下優點：
[0030] 本發明基于以下思路：假設空間上有一個起始點和一個目標點，在算法的剛開始 階段，粒子距離目標較遠，可以加大搜索幅度，大步接近目標點，隨著迭代次數的增加，粒子 距離目標越來越近時，粒子搜索幅度變小，搜索的幅度更加精細，局部搜索能力變強，小幅 度的逼近目標，最終到達目標點。也就是說，在給定相同的迭代次數的情況下，本發明和其 他粒子群算法的區別在于，對于每一次迭代，本發明給分配給每次迭代的搜索幅度是不同 的，本發明搜索幅度隨著迭代次數的增加自適應的減少，而其他粒子群算法，每次迭代的 搜索幅度都是不變的。
[0031] 粒子群算法的速度的更新幅度會直接影響到算法的搜索性能，而公式（I)中的 自適應權重k關系到搜索的幅度大小，因此本發明通過改進權重k，通過控制權重的大小來 控制搜索幅度，進而將當前迭代次數和總迭代次數考慮進去，自適應改變搜索幅度，在算法 剛開始時，搜索幅度較大，搜索面積較廣，可以較快的接近全局最優，經過不斷的迭代，算法 搜索面積減小，搜索精度提尚，最終更加逼近最優解，從而具有更快的收斂速率，大大提尚 了圖像分割精度。
[0032] 另外，脊柱的分割容易受到腎臟，肋骨和一些病灶點的干擾，本發明利用一系列拓 撲學的操作，通過剔除非連通區域，以及通過檢測脊柱的寬度變化去除腎臟，肋骨的影響， 以達到對脊柱的精確分割。
【附圖說明】
[0033] 圖1是本發明的流程圖。
[0034] 圖2是公式（I)的函數圖像。
[0035] 圖3是脊柱的原始CT圖像。
[0036] 圖4是初步分割圖，其中，（a)圖是本發明所述方法的初步分割圖，（b)圖為傳統方 法的初步分割圖。
[0037] 圖5是本發明所述方法的最終分割的脊柱區域圖像。
[0038] 圖6是本發明所述方法的最終分割的脊柱區域映射到原始圖像的邊界圖。
【具體實施方式】
[0039] 下面結合附圖對本發明做進一步的描述。
[0040] 參照圖1，本發明的具體實現步驟如下：
[0041] 步驟1，輸入圖3所示的原始圖像，求出圖像的最小灰度值和最大灰度值。
[0042] 步驟2,初始化第一代種群；最小灰度值至最大灰度值之間分別隨機產生一個整 數來初始化種群的個體的每一維；本發明實施例中將維數取為1。
[0043] 步驟3,計算個體最優值和全局最優。
[0044] 設圖像被{t」，t_2,…，t_MJ個閾值分割為Μ個部分，則最佳分割閾值{V」，t%… ，t%J需要滿足如下條件：
[0045] {t*-!，t*-2,…，t*-M=argmax{σ2 (t!，t2,…，tM !)} (III)
[0046] 其中，〇 2匕，t2, ···，tMD為圖像灰度值的方差值，
'Ck為分割圖像，k= h⑴/N為各閾值的 計算概率，# = 為圖像的總像素數，其中，L為所述圖像的灰度值，h (i)為灰度值為 i的像素數；
[0047] 分割圖像(^對應閾值0,…，t」，分割圖像(：2對應閾值t」+l，…，t_2，...，分割圖像 CM對應閾值t-M !，…，L，0 <t-t-…<t-M ^L。
[0048] 最大類間方差法由以下公式實現：
[0049]
這里Μ取值為2,則最大類間方差法公式變為：
[0050] σ2=ωi