[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

摘要

本发明公开了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。本发明用多目标粒子群优化算法优化基于图论的RGB分割算法的参数，寻找到最优或接近最优的参数设置，从而获得更好的分割效果。利用本发明所提供的方法，可以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。

主权项

一种基于图论分割过程的多目标粒子群参数优化方法，其特征在于，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，如下：计算目标函数值之前，需使用机器学习方法识别出步骤2)的分割结果中的目标区域作为参考区域，如果识别出的目标区域不止一个，则以最大的目标区域作为参考区域，然后再计算以下三个目标函数：类间方差：VB=Σi=1kP(Ci)(μ(Ci)-μ(CRef))2,P(Ci)=|Ci|Σi=1k|Ci|]]>其中，k表示步骤2)的分割结果中与参考区域相邻接的子区域数，μ(C)表示子区域C的灰度均值，P(Ci)表示子区域Ci在k个子区域中的占比，|Ci|表示子区域Ci的像素点数；类内方差：VW=1nΣi=1n(Ii-μ(CRef))2]]>其中，n表示参考区域的像素点数，Ii表示像素点i的灰度值，μ(CRef)表示参考区域的灰度均值；平均梯度：GA=1mΣi=1mGi]]>其中，m表示参考区域的边缘线所包含的像素点数，Gi表示边缘像素点i处的梯度值，根据Sobel算子计算得到；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。