一种基于图论分割过程的多目标粒子群参数优化方法
【专利摘要】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。
【专利说明】一种基于图论分割过程的多目标粒子群参数优化方法
【技术领域】
[0001]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】
[0002]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, 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, YingguangLi, Lianwen Jin, and Xuelong Li, “Optimized graph-based segmentation for ultrasoundimages, ’^Neurocomputingl29 (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】
[0003]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。
[0004]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:
[0005]I)初始化粒子群优化算法的各参数；
[0006]2)对每个粒子进行基于图论的RGB图像分割；
[0007]3)计算类间方差、类内方差、平均梯度这三个目标函数值；
[0008]4)根据多目标评优策略对每个粒子进行评优；[0009]5)根据个体最优和全局最优更新粒子；
[0010]6)对步骤2)到步骤5)进行迭代直至满足停止条件。
[0011]在步骤I)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，O)，并根据不同需要初始化其它参数。
[0012]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:
[0013]2.1)应用非线性扩散模型对原始图像进行去噪；
[0014]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，
[0015]其中，边权值定义为相应两顶点的灰度差，即:
[0016]Wij = I I (Vi)-1 (V」)
[0017]I (Vi)、I (Vj)分别表示 顶点V1、Vj所对应的像素点的灰度值；
[0018]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；
[0019]2.4)遍历和融合，即遍历边集合E中的每一条边，并判断其有效性，具体操作为:
[0020]2.4.1)令遍历标记q = 1，表示从边权值最小的边开始遍历；
[0021]2.4.2)如果该边相应两顶点属于不同子图，且满足区域融合条件，则设置该边为有效边，融合所连接的两个子图为一个更大的子图，并根据更新公式更新融合后子图的均值和标准差；否则，该边仍为无效边，不对两个子图做任何操作；
[0022]2.4.3)令q = q+1,即表示遍历下一条边,如果q〈 = N,则重复步骤2.4.2)和步骤2.4.3)，否则，遍历完毕；
[0023]2.4.4)遍历完毕后，得到一个与图像相对应的最小生成森林，其中的每棵树即对应着图像中的一个分割区域；
[0024]其中，区域融合条件和更新公式如下:
[0025]对于图G = (V，E)的任意两个相邻区域C1和C2，刚初始化时C1, C2 e V,是否对它们进行融合由区域对比准则D(Ci，C2)来判定，如果D(Ci，C2)为真，则判定连接C1和C2的边有效，意味着这两个区域能够进行融合；否则，判定连接C1和C2的边仍为无效，图的结构不变，区域对比准则D (C1, C2)定义如下:
【权利要求】
1.一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； 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。
2.根据权利要求1所述的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:在步骤I)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。
3.根据权利要求1所述的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: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:
Wij = 11 (Vi) -1 (V」) I (Vi)、I (Vj)分别表示顶点V1、Vj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； 。2.4)遍历和融合，即遍历边集合E中的每一条边，并判断其有效性，具体操作为: 。2.4.1)令遍历标记q = I，表示从边权值最小的边开始遍历； 。2.4.2)如果该边相应两顶点属于不同子图，且满足区域融合条件，则设置该边为有效边，融合所连接的两个子图为一个更大的子图，并根据更新公式更新融合后子图的均值和标准差；否则，该边仍为无效边，不对两个子图做任何操作； 。2.4.3)令q = q+1,即表示遍历下一条边，如果q〈 = N,则重复步骤2.4.2)和步骤。2.4.3)，否则，遍历完毕； 。 2.4.4)遍历完毕后，得到一个与图像相对应的最小生成森林，其中的每棵树即对应着图像中的一个分割区域； 其中，区域融合条件和更新公式如下: 对于图G = (V，E)的任意两个相邻区域C1和C2，刚初始化时C1, C2 e V,是否对它们进行融合由区域对比准则D (C1, C2)来判定，如果D (C1, C2)为真，则判定连接C1和C2的边有效，意味着这两个区域能够进行融合；否则，判定连接C1和C2的边仍为无效，图的结构不变，区域对比准则D (C1, C2)定义如下:
4.根据权利要求1所述的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:在步骤3)中，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:
5.根据权利要求1所述的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:在步骤4)中，对于每个粒子，根据计算出的目标函数值和多目标评优策略更新个体最优，即每个粒子所经历过的最优位置，和全局最优，即全部粒子所经历过的最优位置；其具体操作为:对于每个粒子，如果根据计算出的目标函数值和多目标评优策略判断出优于当前粒子所对应的个体最优，则以当前粒子更新其个体最优；更新完所有粒子的个体最优之后，以同样的方式根据目标函数值和多目标评优策略判断每个粒子的个体最优与当前全局最优的优劣，如果优于当前全局最优，则以此个体最优更新当前全局最优； 多目标评优策略如下: 假设M(Cipk1)和N(a2，k2)为α和k的两个不同参数组合，即不同粒子位置，Pj表示一个较小的概率，称为跳转概率，即控制收敛性和跳出局部最优的能力，其中，若M的三个目标均优于N，则以概率I判断M优于N;若M有两个目标优于N，则以较大的概率(Ι-Pp判断M优于N ;若M只有一个目标优于N，则以较小的概率P」判断M优于N。
6.根据权利要求1所述的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:在步骤5)中，对于每个粒子，根据更新后的个体最优和全局最优和粒子群优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是迭代次数，W是惯性权值，C1和C2是叫做加速因子的正常数， ι和1"2是在[O, I]间取值的两个独立随机数，Xi和Vi分别表示第i个粒子的位置和速度，Pi表示第i个粒子所经历过的最优位置，Pg表示全部粒子所经历过的最优位置，即当前阶段的全局最优位置WVit表示粒子过去的速度对当前速度的影响，C1IT1 (Pit-Xit)表示粒子自身的经验信息，C2T2 (Pgt-Xit)表示全局最优对粒子的影响。
7.根据权利要求1所述的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:在步骤6)中，更新粒子后，判断是否满足停止条件，即是否达到最大迭代次数或者连续多次迭代的全局最优没有发生变化，如果满足，则停止迭代，以当前全局最优作为基于图论的RGB分割算法的参数对图像进行分割，所得到的分割结果即为最后结果；如果不满足，则重复步骤2)到步骤5)进行迭代，直到满足停止条件为止。
【文档编号】G06T7/00GK104021552SQ201410230948
【公开日】2014年9月3日 申请日期:2014年5月28日 优先权日:2014年5月28日
【发明者】黄庆华, 张强志 申请人:华南理工大学