[发明专利]一种基于图论分割过程的多目标粒子群参数优化方法

说明书

技术领域

本发明涉及图像处理的技术领域，尤其是指一种基于图论分割过程的多目标粒子群参数优化方法。

背景技术

图像分割是图像处理领域的一个基本问题，分割结果关键性地决定了图像处理系统中的分析、理解和识别等高层模块的处理性能。在提出的众多图像分割算法(阈值法、活动轮廓模型、聚类等)中，基于图论的图像分割算法因其简单的结构和丰富的理论支持，已成为研究的热点。文献[1]Q.-H.Huang,S.-Y.Lee,L.-Z.Liu,M.-H.Lu,L.-W.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).在已有的研究基础上，提出了基于图论的RGB图像分割方法，取得了很大的改进效果。然而，其两个重要的参数α和k的设置对分割结果起着决定性作用，参数设置的恰当与否直接决定着分割结果的优劣，为了提高分割的准确性和算法的鲁棒性，文献[2]Qinghua Huang,Xiao Bai,Yingguang Li,Lianwen Jin,and Xuelong Li,“Optimized graph-based segmentation for ultrasound images,”Neurocomputing129(2014),pp.216–224.提出了单目标的优化方案，使得基于图论的RGB图像分割方法能够在不同图像输入的情况下寻找到在单目标条件下的最优参数设置，取得了一定的改进效果。然而，文献[2]的单目标优化方案只使用了类间方差(越大越好)作为唯一的优化目标，只能在一定程度上避免过分割，本发明对此进行改进，提出了多目标的优化方案，增加了累内方差(越小越好，可避免欠分割)和平均梯度(越大越好，保证含有重要信息的细节边缘具有良好的分割效果)两个优化目标，并提出了含有跳转概率的多目标评优策略(有助于避免陷入局部最优)。利用本发明所提供的方法，可以进一步优化基于图论的RGB图像分割算法的参数设置，从而进一步提高分割的准确性和算法的鲁棒性。

发明内容

本发明的目的在于克服现有技术的不足与缺陷，提供一种基于图论分割过程的多目标粒子群参数优化方法，优化基于图论的RGB分割算法的参数，从而获得更好的分割效果，从图像中准确分割出目标区域，特别是医学图像中的病灶区域，如乳腺肿瘤超声图像中的肿瘤区域。

为实现上述目的，本发明所提供的技术方案为：一种基于图论分割过程的多目标粒子群参数优化方法，包括以下步骤：

1)初始化粒子群优化算法的各参数；

2)对每个粒子进行基于图论的RGB图像分割；

3)计算类间方差、类内方差、平均梯度这三个目标函数值；

4)根据多目标评优策略对每个粒子进行评优；

5)根据个体最优和全局最优更新粒子；

6)对步骤2)到步骤5)进行迭代直至满足停止条件。

在步骤1)中，根据基于图论的RGB分割算法中的两个控制分割效果的正参数α和k的搜索空间的大小，设定所需个数的粒子，然后随机或者有序地初始化各个粒子的位置信息，即α和k的参数组合，而粒子的初始化速度，也是α和k的参数组合，都设为(0，0)，并根据不同需要初始化其它参数。

在步骤2)中，根据每个粒子的位置信息，也就是α和k的参数组合，对待分割图像进行基于图论的RGB图像分割，得到相应的分割结果，其过程如下：

2.1)应用非线性扩散模型对原始图像进行去噪；

2.2)采用六邻域模板，对去噪后的整个图像进行遍历，包括构造边和边权值计算，建立相应的图G＝(V,E)，其中V表示顶点集合，即像素点集合，E为边集合，

其中，边权值定义为相应两顶点的灰度差，即：

w_ij＝|I(v_i)-I(v_j)|

I(v_i)、I(v_j)分别表示顶点v_i、v_j所对应的像素点的灰度值；

2.3)按边权值大小对边集合E进行非递减排序，初始化所有边为无效边，如果一条边有效，则表示这条边在图中存在，意味着边两端的顶点属于同一个区域；反之，如果一条边无效，则意味着边两端的顶点不互相直接连接，而所有边为无效边意味着每个像素点所对应的顶点都属于不同的子图；