一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法
【專利摘要】本發(fā)明公開(kāi)了一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，包括以下步驟：1)初始化粒子群優(yōu)化算法的各參數(shù)；2)對(duì)每個(gè)粒子進(jìn)行基于圖論的RGB圖像分割；3)計(jì)算類間方差、類內(nèi)方差、平均梯度這三個(gè)目標(biāo)函數(shù)值；4)根據(jù)多目標(biāo)評(píng)優(yōu)策略對(duì)每個(gè)粒子進(jìn)行評(píng)優(yōu)；5)根據(jù)個(gè)體最優(yōu)和全局最優(yōu)更新粒子；6)對(duì)步驟2)到步驟5)進(jìn)行迭代直至滿足停止條件。本發(fā)明用多目標(biāo)粒子群優(yōu)化算法優(yōu)化基于圖論的RGB分割算法的參數(shù)，尋找到最優(yōu)或接近最優(yōu)的參數(shù)設(shè)置，從而獲得更好的分割效果。利用本發(fā)明所提供的方法，可以從圖像中準(zhǔn)確分割出目標(biāo)區(qū)域，特別是醫(yī)學(xué)圖像中的病灶區(qū)域，如乳腺腫瘤超聲圖像中的腫瘤區(qū)域。
【專利說(shuō)明】一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理的【技術(shù)領(lǐng)域】，尤其是指一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法。
【背景技術(shù)】
[0002]圖像分割是圖像處理領(lǐng)域的一個(gè)基本問(wèn)題，分割結(jié)果關(guān)鍵性地決定了圖像處理系統(tǒng)中的分析、理解和識(shí)別等高層模塊的處理性能。在提出的眾多圖像分割算法(閾值法、活動(dòng)輪廓模型、聚類等)中，基于圖論的圖像分割算法因其簡(jiǎn)單的結(jié)構(gòu)和豐富的理論支持，已成為研究的熱點(diǎn)。文獻(xiàn)[1]Q.-H.Huang, S.-Y.Lee, L.-Z.Liu, Μ.-Η.Lu, L.-ff.Jin, and A.-H.Li, “A robust graph-based segmentation method for breast tumors in ultrasound images, Ultrasonics, vol.52, pp.266-75，2012Feb (Epub2011Aug2012).在已有的研究基礎(chǔ)上，提出了基于圖論的RGB圖像分割方法，取得了很大的改進(jìn)效果。然而，其兩個(gè)重要的參數(shù)α和k的設(shè)置對(duì)分割結(jié)果起著決定性作用，參數(shù)設(shè)置的恰當(dāng)與否直接決定著分割結(jié)果的優(yōu)劣，為了提高分割的準(zhǔn)確性和算法的魯棒性，文獻(xiàn)[2] Qinghua Huang, Xiao Bai, YingguangLi, Lianwen Jin, and Xuelong Li, “Optimized graph-based segmentation for ultrasoundimages, ’^Neurocomputingl29 (2014)，pp.216 - 224.提出了單目標(biāo)的優(yōu)化方案，使得基于圖論的RGB圖像分割方法能夠在不同圖像輸入的情況下尋找到在單目標(biāo)條件下的最優(yōu)參數(shù)設(shè)置，取得了一定的改進(jìn)效 果。然而，文獻(xiàn)[2]的單目標(biāo)優(yōu)化方案只使用了類間方差(越大越好)作為唯一的優(yōu)化目標(biāo)，只能在一定程度上避免過(guò)分割，本發(fā)明對(duì)此進(jìn)行改進(jìn)，提出了多目標(biāo)的優(yōu)化方案，增加了累內(nèi)方差(越小越好，可避免欠分割)和平均梯度(越大越好，保證含有重要信息的細(xì)節(jié)邊緣具有良好的分割效果)兩個(gè)優(yōu)化目標(biāo)，并提出了含有跳轉(zhuǎn)概率的多目標(biāo)評(píng)優(yōu)策略(有助于避免陷入局部最優(yōu))。利用本發(fā)明所提供的方法，可以進(jìn)一步優(yōu)化基于圖論的RGB圖像分割算法的參數(shù)設(shè)置，從而進(jìn)一步提高分割的準(zhǔn)確性和算法的魯棒性。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足與缺陷，提供一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，優(yōu)化基于圖論的RGB分割算法的參數(shù)，從而獲得更好的分割效果，從圖像中準(zhǔn)確分割出目標(biāo)區(qū)域，特別是醫(yī)學(xué)圖像中的病灶區(qū)域，如乳腺腫瘤超聲圖像中的腫瘤區(qū)域。
[0004]為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為:一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，包括以下步驟:
[0005]I)初始化粒子群優(yōu)化算法的各參數(shù)；
[0006]2)對(duì)每個(gè)粒子進(jìn)行基于圖論的RGB圖像分割；
[0007]3)計(jì)算類間方差、類內(nèi)方差、平均梯度這三個(gè)目標(biāo)函數(shù)值；
[0008]4)根據(jù)多目標(biāo)評(píng)優(yōu)策略對(duì)每個(gè)粒子進(jìn)行評(píng)優(yōu)；[0009]5)根據(jù)個(gè)體最優(yōu)和全局最優(yōu)更新粒子；
[0010]6)對(duì)步驟2)到步驟5)進(jìn)行迭代直至滿足停止條件。
[0011]在步驟I)中，根據(jù)基于圖論的RGB分割算法中的兩個(gè)控制分割效果的正參數(shù)α和k的搜索空間的大小，設(shè)定所需個(gè)數(shù)的粒子，然后隨機(jī)或者有序地初始化各個(gè)粒子的位置信息，即α和k的參數(shù)組合，而粒子的初始化速度，也是α和k的參數(shù)組合，都設(shè)為(0，O)，并根據(jù)不同需要初始化其它參數(shù)。
[0012]在步驟2)中，根據(jù)每個(gè)粒子的位置信息，也就是α和k的參數(shù)組合，對(duì)待分割圖像進(jìn)行基于圖論的RGB圖像分割，得到相應(yīng)的分割結(jié)果，其過(guò)程如下:
[0013]2.1)應(yīng)用非線性擴(kuò)散模型對(duì)原始圖像進(jìn)行去噪；
[0014]2.2)采用六鄰域模板，對(duì)去噪后的整個(gè)圖像進(jìn)行遍歷，包括構(gòu)造邊和邊權(quán)值計(jì)算，建立相應(yīng)的圖G= (V，E)，其中V表示頂點(diǎn)集合，即像素點(diǎn)集合，E為邊集合，
[0015]其中，邊權(quán)值定義為相應(yīng)兩頂點(diǎn)的灰度差，即:
[0016]Wij = I I (Vi)-1 (V」)
[0017]I (Vi)、I (Vj)分別表示 頂點(diǎn)V1、Vj所對(duì)應(yīng)的像素點(diǎn)的灰度值；
[0018]2.3)按邊權(quán)值大小對(duì)邊集合E進(jìn)行非遞減排序，初始化所有邊為無(wú)效邊，如果一條邊有效，則表示這條邊在圖中存在，意味著邊兩端的頂點(diǎn)屬于同一個(gè)區(qū)域；反之，如果一條邊無(wú)效，則意味著邊兩端的頂點(diǎn)不互相直接連接，而所有邊為無(wú)效邊意味著每個(gè)像素點(diǎn)所對(duì)應(yīng)的頂點(diǎn)都屬于不同的子圖；
[0019]2.4)遍歷和融合，即遍歷邊集合E中的每一條邊，并判斷其有效性，具體操作為:
[0020]2.4.1)令遍歷標(biāo)記q = 1，表示從邊權(quán)值最小的邊開(kāi)始遍歷；
[0021]2.4.2)如果該邊相應(yīng)兩頂點(diǎn)屬于不同子圖，且滿足區(qū)域融合條件，則設(shè)置該邊為有效邊，融合所連接的兩個(gè)子圖為一個(gè)更大的子圖，并根據(jù)更新公式更新融合后子圖的均值和標(biāo)準(zhǔn)差；否則，該邊仍為無(wú)效邊，不對(duì)兩個(gè)子圖做任何操作；
[0022]2.4.3)令q = q+1,即表示遍歷下一條邊,如果q〈 = N,則重復(fù)步驟2.4.2)和步驟2.4.3)，否則，遍歷完畢；
[0023]2.4.4)遍歷完畢后，得到一個(gè)與圖像相對(duì)應(yīng)的最小生成森林，其中的每棵樹(shù)即對(duì)應(yīng)著圖像中的一個(gè)分割區(qū)域；
[0024]其中，區(qū)域融合條件和更新公式如下:
[0025]對(duì)于圖G = (V，E)的任意兩個(gè)相鄰區(qū)域C1和C2，剛初始化時(shí)C1, C2 e V,是否對(duì)它們進(jìn)行融合由區(qū)域?qū)Ρ葴?zhǔn)則D(Ci，C2)來(lái)判定，如果D(Ci，C2)為真，則判定連接C1和C2的邊有效，意味著這兩個(gè)區(qū)域能夠進(jìn)行融合；否則，判定連接C1和C2的邊仍為無(wú)效，圖的結(jié)構(gòu)不變，區(qū)域?qū)Ρ葴?zhǔn)則D (C1, C2)定義如下:
【權(quán)利要求】
1.一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于，包括以下步驟: 1)初始化粒子群優(yōu)化算法的各參數(shù)； 2)對(duì)每個(gè)粒子進(jìn)行基于圖論的RGB圖像分割； 3)計(jì)算類間方差、類內(nèi)方差、平均梯度這三個(gè)目標(biāo)函數(shù)值； 4)根據(jù)多目標(biāo)評(píng)優(yōu)策略對(duì)每個(gè)粒子進(jìn)行評(píng)優(yōu)； 5)根據(jù)個(gè)體最優(yōu)和全局最優(yōu)更新粒子； 6)對(duì)步驟2)到步驟5)進(jìn)行迭代直至滿足停止條件。
2.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟I)中，根據(jù)基于圖論的RGB分割算法中的兩個(gè)控制分割效果的正參數(shù)α和k的搜索空間的大小，設(shè)定所需個(gè)數(shù)的粒子，然后隨機(jī)或者有序地初始化各個(gè)粒子的位置信息，即α和k的參數(shù)組合，而粒子的初始化速度，也是α和k的參數(shù)組合，都設(shè)為(0，0)，并根據(jù)不同需要初始化其它參數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟2)中，根據(jù)每個(gè)粒子的位置信息，也就是α和k的參數(shù)組合，對(duì)待分割圖像進(jìn)行基于圖論的RGB 圖像分割，得到相應(yīng)的分割結(jié)果，其過(guò)程如下: 。2.1)應(yīng)用非線性擴(kuò)散模型對(duì)原始圖像進(jìn)行去噪； 。2.2)采用六鄰域模板，對(duì)去噪后的整個(gè)圖像進(jìn)行遍歷，包括構(gòu)造邊和邊權(quán)值計(jì)算，建立相應(yīng)的圖G = (V，E)，其中V表示頂點(diǎn)集合，即像素點(diǎn)集合，E為邊集合， 其中，邊權(quán)值定義為相應(yīng)兩頂點(diǎn)的灰度差，即:
Wij = 11 (Vi) -1 (V」) I (Vi)、I (Vj)分別表示頂點(diǎn)V1、Vj所對(duì)應(yīng)的像素點(diǎn)的灰度值； 。2.3)按邊權(quán)值大小對(duì)邊集合E進(jìn)行非遞減排序，初始化所有邊為無(wú)效邊，如果一條邊有效，則表示這條邊在圖中存在，意味著邊兩端的頂點(diǎn)屬于同一個(gè)區(qū)域；反之，如果一條邊無(wú)效，則意味著邊兩端的頂點(diǎn)不互相直接連接，而所有邊為無(wú)效邊意味著每個(gè)像素點(diǎn)所對(duì)應(yīng)的頂點(diǎn)都屬于不同的子圖； 。2.4)遍歷和融合，即遍歷邊集合E中的每一條邊，并判斷其有效性，具體操作為: 。2.4.1)令遍歷標(biāo)記q = I，表示從邊權(quán)值最小的邊開(kāi)始遍歷； 。2.4.2)如果該邊相應(yīng)兩頂點(diǎn)屬于不同子圖，且滿足區(qū)域融合條件，則設(shè)置該邊為有效邊，融合所連接的兩個(gè)子圖為一個(gè)更大的子圖，并根據(jù)更新公式更新融合后子圖的均值和標(biāo)準(zhǔn)差；否則，該邊仍為無(wú)效邊，不對(duì)兩個(gè)子圖做任何操作； 。2.4.3)令q = q+1,即表示遍歷下一條邊，如果q〈 = N,則重復(fù)步驟2.4.2)和步驟。2.4.3)，否則，遍歷完畢； 。 2.4.4)遍歷完畢后，得到一個(gè)與圖像相對(duì)應(yīng)的最小生成森林，其中的每棵樹(shù)即對(duì)應(yīng)著圖像中的一個(gè)分割區(qū)域； 其中，區(qū)域融合條件和更新公式如下: 對(duì)于圖G = (V，E)的任意兩個(gè)相鄰區(qū)域C1和C2，剛初始化時(shí)C1, C2 e V,是否對(duì)它們進(jìn)行融合由區(qū)域?qū)Ρ葴?zhǔn)則D (C1, C2)來(lái)判定，如果D (C1, C2)為真，則判定連接C1和C2的邊有效，意味著這兩個(gè)區(qū)域能夠進(jìn)行融合；否則，判定連接C1和C2的邊仍為無(wú)效，圖的結(jié)構(gòu)不變，區(qū)域?qū)Ρ葴?zhǔn)則D (C1, C2)定義如下:
4.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟3)中，計(jì)算目標(biāo)函數(shù)值之前，需使用機(jī)器學(xué)習(xí)方法識(shí)別出步驟2)的分割結(jié)果中的目標(biāo)區(qū)域作為參考區(qū)域，如果識(shí)別出的目標(biāo)區(qū)域不止一個(gè)，則以最大的目標(biāo)區(qū)域作為參考區(qū)域，然后再計(jì)算以下三個(gè)目標(biāo)函數(shù): 類間方差:
5.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟4)中，對(duì)于每個(gè)粒子，根據(jù)計(jì)算出的目標(biāo)函數(shù)值和多目標(biāo)評(píng)優(yōu)策略更新個(gè)體最優(yōu)，即每個(gè)粒子所經(jīng)歷過(guò)的最優(yōu)位置，和全局最優(yōu)，即全部粒子所經(jīng)歷過(guò)的最優(yōu)位置；其具體操作為:對(duì)于每個(gè)粒子，如果根據(jù)計(jì)算出的目標(biāo)函數(shù)值和多目標(biāo)評(píng)優(yōu)策略判斷出優(yōu)于當(dāng)前粒子所對(duì)應(yīng)的個(gè)體最優(yōu)，則以當(dāng)前粒子更新其個(gè)體最優(yōu)；更新完所有粒子的個(gè)體最優(yōu)之后，以同樣的方式根據(jù)目標(biāo)函數(shù)值和多目標(biāo)評(píng)優(yōu)策略判斷每個(gè)粒子的個(gè)體最優(yōu)與當(dāng)前全局最優(yōu)的優(yōu)劣，如果優(yōu)于當(dāng)前全局最優(yōu)，則以此個(gè)體最優(yōu)更新當(dāng)前全局最優(yōu)； 多目標(biāo)評(píng)優(yōu)策略如下: 假設(shè)M(Cipk1)和N(a2，k2)為α和k的兩個(gè)不同參數(shù)組合，即不同粒子位置，Pj表示一個(gè)較小的概率，稱為跳轉(zhuǎn)概率，即控制收斂性和跳出局部最優(yōu)的能力，其中，若M的三個(gè)目標(biāo)均優(yōu)于N，則以概率I判斷M優(yōu)于N;若M有兩個(gè)目標(biāo)優(yōu)于N，則以較大的概率(Ι-Pp判斷M優(yōu)于N ;若M只有一個(gè)目標(biāo)優(yōu)于N，則以較小的概率P」判斷M優(yōu)于N。
6.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟5)中，對(duì)于每個(gè)粒子，根據(jù)更新后的個(gè)體最優(yōu)和全局最優(yōu)和粒子群優(yōu)化算法的位置更新公式更新其位置，位置更新公式如下: Vit+1 = WViSc1!"! W)+c2r2 W)
t+1 — t , t+1
Xi — Xi +Vi 其中，t是迭代次數(shù)，W是慣性權(quán)值，C1和C2是叫做加速因子的正常數(shù)， ι和1"2是在[O, I]間取值的兩個(gè)獨(dú)立隨機(jī)數(shù)，Xi和Vi分別表示第i個(gè)粒子的位置和速度，Pi表示第i個(gè)粒子所經(jīng)歷過(guò)的最優(yōu)位置，Pg表示全部粒子所經(jīng)歷過(guò)的最優(yōu)位置，即當(dāng)前階段的全局最優(yōu)位置WVit表示粒子過(guò)去的速度對(duì)當(dāng)前速度的影響，C1IT1 (Pit-Xit)表示粒子自身的經(jīng)驗(yàn)信息，C2T2 (Pgt-Xit)表示全局最優(yōu)對(duì)粒子的影響。
7.根據(jù)權(quán)利要求1所述的一種基于圖論分割過(guò)程的多目標(biāo)粒子群參數(shù)優(yōu)化方法，其特征在于:在步驟6)中，更新粒子后，判斷是否滿足停止條件，即是否達(dá)到最大迭代次數(shù)或者連續(xù)多次迭代的全局最優(yōu)沒(méi)有發(fā)生變化，如果滿足，則停止迭代，以當(dāng)前全局最優(yōu)作為基于圖論的RGB分割算法的參數(shù)對(duì)圖像進(jìn)行分割，所得到的分割結(jié)果即為最后結(jié)果；如果不滿足，則重復(fù)步驟2)到步驟5)進(jìn)行迭代，直到滿足停止條件為止。
【文檔編號(hào)】G06T7/00GK104021552SQ201410230948
【公開(kāi)日】2014年9月3日 申請(qǐng)日期:2014年5月28日 優(yōu)先權(quán)日:2014年5月28日
【發(fā)明者】黃慶華, 張強(qiáng)志 申請(qǐng)人:華南理工大學(xué)