专利名称：基于遗传算法的人体颌面骨ct图像数字化处理方法
技术领域：
本发明涉及图像处理技术，特别是涉及一种基于遗传算法的人体颌面骨CT图像 数字化处理方法。
背景技术：
随着计算机技术和先进医疗器械、设备的迅速发展，X-射线机、CT、核磁共振、 DSA等一些先进的检测和诊断手段越来越受到广大医务人员的重视和广泛使用。随 之也产生了海量的医学影像和图像及其存储和查询的问题。因此医学图像、影像的 数字化处理和存储，成为医学临床上一个亟待解决的课题。
图像数字处理中的一个基本问题是阈值分割(Thresholding)。其目的是将图像按 不同灰度值分割成相应区域以方便后继处理。阈值选取是阈值分割的前提。阈值选 取不当，会影响目标的形状大小，甚至会使目标失落。阈值选取也就是在图像数据 中寻优的问题。由于数字图像信息量大，如果不能利用有关知识来縮小搜索空间， 则可能产生搜索的组合爆炸。近年来，国内外学者针对这一课题进行了广泛深入的 研究，提出了多种阈值选取方法，但这些方法在不同程度上存在着执行效率低、易 于陷入局部最优解等问题。因此，寻求一种高效的全局最优解的阈值选取方法一直 是人们所关注的问题。遗传算法(Genetic Algorithm,简称GA)是其中特别有效 的算法之一。
遗传算法是由美国学者Holand于1975年首先提出的。它体现了生命科学与工程 科学的相互交叉、渗透和促进。遗传算法受自然界生物进化过程的启示，借鉴自然 选择和自然遗传的机理，能在搜索过程中自动获取和积累有关搜索空间的知识，并 自适应地控制搜索过程以求得最优解。遗传算法是一种随机的全局多点搜索算法，它的两大主要特点是群体搜索策略和群体中个体之间的信息相互交换。遗传算法从 任一初始化的群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代一代 地进化到搜索空间越来越好的区域，直至达到最优解点。GA的主要优点是简单、通 用、鲁棒型强，适用于并行处理，因而得到广泛应用。
遗传操作是GA最重要的操作。选择、交叉和变异是遗传算法的3个主要操作算子。
选择操作的目的是从当前群体中选出优良个体，使它们有机会作为父代。选择 依据是个体的适应度值。个体适应度越高，其被选择的概率就越大。目前普遍采用 的选择策略都是以和适应度成比例的概率来进行选择。比如赌轮策略、最佳保留策 略、排序策略等。
交叉操作是遗传算法中最主要的遗传操作。在当前群体中按一定概率随机选出 个体作为父代，父代经过杂交产生新的一代。新个体保留了双亲的部分基因，又引 进了新基因。
变异操作是十分微妙的遗传操作，要和交叉操作妥善配合，目的是挖掘群体中
个体的多样性，克服有可能产生局部解的弊病。 发明内容针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种易于 操作的，能实现医学图像的数字化处理的基于遗传算法的人体颌面骨CT图像数字化 处理方法。
为了解决上述技术问题，本发明所提供的一种基于遗传算法的人体颌面骨CT图 像数字化处理方法，其特征在于，数字化处理方法的步骤包括
1) 将人体颌面骨CT图像的灰度值量化，其范围是[O， l];可得到其灰度直方2) 经过遗传算法的计算，得到最佳阈值；
3) 按此最佳阈值对CT图像进行二值化数字化处理；4)经过数学形态学处理，获得二值图的边界曲线。
进一步的，所述的步骤2)中，遗传算法中的选择算子采用适应度比例方法；交
叉算子采用凸交叉中的平均交叉；变异算子采用动态变异。
进一步的，所述的步骤2)中，遗传算法的主要参数群体规模为10-160。
进一步的，所述的步骤2)中，遗传算法的遗传操作中的交叉概率为0.25-1. 00。
进一步的，所述的步骤2)中，遗传算法的遗传操作中的变异概率为0.05-0. 3。
进一步的，所述的步骤2)中，在处理下颌骨CT图像时，在GA确定的阈值t的
基础上，再在[t-O. 1， l]之间进行一次最大类间方差计算，以得到最佳阈值。
进一步的，所述的步骤4)中，最后对边界曲线进行光顺处理。
利用本发明提供的基于遗传算法的人体颌面骨CT图像数字化处理方法，由于在
遗传操作中采取实数编码来代替二进制串编码技术，避免将图像灰度值转换为二进
制串再进行操作，从而縮短编码长度，扩展搜索空间，并且符合思维习惯，易于操
作，获得了人体颌面骨CT图像断层的最佳阈值。在此阈值基础上获得其边界曲线，
为医学图像的数字化处理打下基础。
图1为人体下颌骨某断层的CT图像； 图2为图1中CT图像的灰度直方图； 图3为图1中下颌骨CT图象二值图； 图4为图3中二值图的边界曲线； 图5为人体下颌骨另一断层的CT图像；
图6(a)为图5中下颌骨的CT图像二值图6(b)为图5中经遗传操作获得的边界曲线。
具体实施例方式
以下结合
对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似方法及其相似变化，均应列入本发明的保护范 围。
本发明实施例所提供的一种基于遗传算法的人体颌面骨CT图像数字化处理方 法，其特点是，数字化处理方法的步骤包括
1) 将人体颌面骨CT图像的灰度值量化，其范围是[O， l];可得到其灰度直方2) 经过遗传算法的计算，得到最佳阈值；并在遗传操作中采取实数编码来代替 二进制串编码技术，避免将图像灰度值转换为二进制串再进行操作，从而縮短编码 长度，扩展搜索空间，并且符合思维习惯，易于操作，获得了人体颌面骨CT图像断 层的最佳阈值；
3) 按此阈值对CT图像进行二值化数字化处理；
4) 经过数学形态学处理，获得二值图的边界曲线；
5) 对边界曲线进行光顺处理。
遗传算法(GA)处理过程中包括五个基本要素，即编码、初始群体设定、适应度 函数、遗传操作和GA控制参数。这里采用实数编码来代替二进制串染色体，以便更 直接的描述问题的性质。 遗传算法的3个操作算子设置
遗传算法在搜索最优解的过程中，综合了定向搜索和随机搜索的优点。在遗传 搜索的开始阶段，交叉运算因为随机产生的初始群体具有多样性而趋向于在大范围 搜索。随着高适值解的获得，交叉运算趋向于在这些解的周围搜索。
选择算子采用适应度比例方法(fitness proportional model),又称赌轮法或 蒙特卡罗法(Monte Carlo)选择。先计算各个染色体各自的适值及所有染色体适值总 和。在
区间产生一个均匀分布的伪随机数r。从l号染色体开始，依次每个 染色体的适值相加，当累加和大于等于r时，最后加入的那个染色体为要选择的个 体。交叉算子采用凸交叉中的平均交叉。即两父代个体Xl， X2作如下组合，产生子
代，
x2-A^+^jcp其中；t1=;i2=o.5 (i) 凸交叉产生的后代在二维空间位于实线段上。
变异算子采用动态变异，它是为提高精度，增加细调能力而设计的。对于父代x，
若元素Xk被选出作变异，则后代义'=[^,...，;^，...,&]，其中^是按如下两种可能选
得的
或 4 =A-A(g'^i: (2)
其中^是[^,《]中均匀分布的一个随机值。^和xf通常可取为变量Xk的上下
界， 一般可由约束域确定。
函数A(g ， y)返回[O， y]中的一个值，使得A(g ， y)随g增加而趋于0 (g为
遗传代数)。这个性质使得初始迭代时，搜索均匀分布在整个空间，而后期则分布在
局部范围内。A(g ， y)形式为<formula>formula see original document page 8</formula>
其中r是[O， l]中的随机数，G是最大代数，b是确定不均匀度的参数。经过多次计 算比较，本文选取b为2。
控制GA处理效果的主要参数是群体规模和遗传操作概率。
群体规模影响遗传优化的最终结果以及遗传算法的执行效率。群体规模大，可以 维持个体的多样性以防止陷入局部解，但会增加计算量，还可能影响个体竞争。而 规模太小又限制了遗传算法的优化性能。群体规模一般取10-160之间。从灰度值大 于0.6的像素点中随机抽取10个个体作为初始群体。遗传操作中的交叉概率和变异概率设置
交叉概率控制交叉操作的使用频度。高交叉率意味着个体更新快，达到更大的 解空间，降低了取得非最优解的概率，但高性能模式遭破坏的可能性增大，并且搜 索不必要的解空间要耗费资源；交叉率过低，搜索会因为探查范围小而迟钝。交叉 率一般取0. 25-1.00之间。
变异维持群体多样性，提供初始群体中没有的基因，或找回搜索中失落的基因。 太低的变异率可能使一些有益基因不能进入选择；太高的变异率则使搜索趋于随机 搜索，子代继承不了父代的优良特性，算法失去自学习能力。变异率一般取0. 05-0. 3 之间。
针对本研究的特点，并经取不同的数值进行实验比较，本文选取交叉率为0.3， 变异率为0. 1。停机准则之一是最大迭代次数G=20 (在迭代20次后，已经达到理想 的收敛结果)，准则之二是当前群体平均适应度值和上一代的平均适应度值的比值范 围在
之间(相邻两代比值在此区间趋于收敛)。
准最优解的进一步优化——最大类间方差计算
在图像处理中，GA寻优的解可能是最优解，也可能是准最优解。在处理下颌骨 CT图像时，在GA确定的阈值t的基础上，再在[t-O. 1， l]之间进行一次最大类间 方差计算，以得到最佳阈值。
最大类间方差法把图像中的像素按灰度级用阈值t分成两类C。和d， C。由灰度 值在[O， t]之的像素组成，d由灰度值在[t， g-l]之的像素组成(g为图像灰度级 数)。类间方差用o (t)2表示，
o"(02 = W) x "2(,) x- / 20)]2 ( 4 )
式中"(t)为C。中包含的像素数目； n2 (t)为d中包含的像素数目；Pl (t)为C。中包含的像素的平均灰度值； p2 (t)为d中包含的像素的平均灰度值； t从0到l取值，当使得CT为最大时的t为最佳阈值t 即
<formula>formula see original document page 10</formula> (5)
图1是一幅用数码相机获得的人体下颌骨的一个断层的CT图像。从图1中可观 察到，亮度最大(即灰度值最大)的是下颌骨。它与其周围的软组织之间的边界并 不十分明显，存在一个灰度值变化幅度平缓的过渡区。要将下颌骨与背景区分开， 必须科学地、准确地确定其边界曲线，这首先就要选择一个恰当的"阈值"。用MATLAB 程序将图l的灰度值量化，其范围是[O， l]。可得到其灰度直方图，如图2。在图2 中，灰度值接近1的像素是下颌骨的像素。显然，阈值应当是在靠近1的峰与谷的 相交之处。可采用遗传算法确定此阈值。
经过遗传算法的计算，得到最佳阈值为0.9686。在图2中，此阈值靠近1的峰 与谷的相交之处。按此阈值对图1中下颌骨的CT图像进行二值化的结果如图3:
再经过数学形态学处理，获得图3中二值图的边界曲线如图4。与CT图像(图 1)中下颌骨相比较，结果较理想。获得边界后，就可以进一步对边界曲线进行光顺 处理。
用同样的方法处理另一幅人体下颌骨断层的CT图像如图5，得到阈值为0. 9176， 其二值图和边界曲线如图6 (a) 、 (b)所示。
权利要求
1、一种基于遗传算法的人体颌面骨CT图像数字化处理方法，其特征在于，数字化处理方法的步骤包括1)将人体颌面骨CT图像的灰度值量化，其范围是
；能得到其灰度直方图；2)经过遗传算法的计算，得到最佳阈值；3)按此最佳阈值对CT图像进行二值化数字化处理；4)经过数学形态学处理，获得二值图的边界曲线。
2、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法中的选择算子釆用适应度比例方法。
3、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法中的交叉算子采用凸交叉中的平均交叉。
4、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法中的变异算子采用动态变异。
5、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法的主要参数群体规模为10-160。
6、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法的遗传操作中的交叉概率为0.25-1. 00。
7、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，遗传算法的遗传操作中的变异概率为0.05-0. 3。
8、 根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法， 其特征在于，所述的步骤2)中，在遗传算法确定的阈值t的基础上，再在[t-O. 1, l]之间进行一次最大类间方差计算，以得到最佳阈值。
9、根据权利要求1所述的基于遗传算法的人体颌面骨CT图像数字化处理方法，其特征在于，所述的步骤4)中，最后对边界曲线进行光顺处理。
全文摘要
本发明公开一种基于遗传算法的人体颌面骨CT图像数字化处理方法，涉及图像处理技术领域；所要解决的是实现医学图像的易于操作的数字化处理的技术问题；该数字化处理方法的步骤包括1)将人体颌面骨CT图像的灰度值量化，其范围是
；可得到其灰度直方图；2)经过遗传算法的计算，得到最佳阈值；3)按此最佳阈值对CT图像进行二值化数字化处理；4)经过数学形态学处理，获得二值图的边界曲线。本发明的数字化处理方法具有易于操作的，能实现医学图像的数字化处理的特点。
文档编号G06N3/00GK101408979SQ200810202848
公开日2009年4月15日 申请日期2008年11月18日 优先权日2008年11月18日
发明者静 刘, 孙福佳, 敏 熊, 屹 甘, 立 甘, 齐从谦 申请人:上海理工大学