本发明公开了一种基于QPSO的FCM医学图像分割方法，属于图像处理技术领域，主要用于医学图像的处理。
背景技术：
医疗影像仪器为医疗诊断提供了丰富的图像信息，它包含很多有用的疾病诊断和分析信息。有效利用这些医学图像信息，可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应的医学组织器官进行动态模拟并分析病变部位的结构和发生过程，提高疾病诊断的准确率。
通常情况下，医学图像是非常复杂的。这是由于人体解剖结构本身的复杂性以及在使用各种影像技术获取图像的过程中不可避免地受到噪声、场偏移效应、局部体效应等的影响，使得获取到的图像常常表现为含噪高、对比度低、组织内部灰度不均匀、不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点。比如医学上常见的MR(Magnetic Resonance)脑部图像，通常包括脑皮层、皮下脂肪、颅骨、脑白质、灰质、脑脊液等多种组织，每种组织形状复杂、不同组织之间常常相互混叠(白质外面覆盖着灰质，灰质中填充着脑脊液)，没有清晰的边界。这种时候就需要对图像进行处理。
医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，国内外都十分重视医学影像处理。而图像分割是图像处理到图像分析的关键步骤。图像分割是一种将图像分成几个均匀区域并提取复杂场景需要的区域的技术，根据一些均匀性标准，如颜色，强度或纹理，区域相似，从而定位和识别分割图像中的边界。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。然而经典的图像分割算法在总体上分割精度较低，且大多对噪声敏感，难以取得大规模的应用。
医学图像的特点给图像分割技术的研究带来了相当大的困难，同时也给模糊聚类技术FCM带来了用武之地。模糊聚类技术利用不太精确的方式来描述复杂系统，可以有效地刻画医学图像中存在的模糊情况，对像MR脑图像这类边界模糊的图像具有很强的针对性。模糊聚类算法的这些特点使其在处理医学图像分割方面比其他传统的分割算法更具优势，因此得到了广泛的研究和应用。聚类分析较传统医学图像分割方法，具有无监督性、高效性和自适应性，对质量较高的图像有着较好的分割准确率。但这类方法也存在以下缺陷：对于未知的结构复杂的医学图像很难判断其应该分成几类，以及FCM聚类算法对初始聚类中心和隶属度矩阵依赖性较强，易于陷入局部最优解。本发明针对以上缺陷,利用灰度直方图及改进的量子粒子群算法进行优化，可以有效提高医学图像分割的质量。
技术实现要素：
本发明针对医学图像中不同软组织之间或者软组织与病灶之间边界模糊、细微结构分布复杂等特点，引入模糊聚类技术，并利用改进的量子粒子群算法进行优化，在此基础上提出一种图像分割方案。
本申请提出一种基于改进QPSO的FCM医学图像分割方法，包含以下步骤：
步骤1：输入一张医学图像；
步骤2：设定模糊指数m，迭代停止阈值e，并对给定的医学图像提取灰度特征，做灰度直方图，确定聚类数目为c；
步骤3：利用改进的量子粒子群找到最佳聚类中心；
步骤4：利用得到的最佳粒子，即医学图像的聚类中心，计算医学图像中每个像素点到聚类中心的隶属度，以其为依据，确定医学图像中每个像素的最后归属；
步骤5：输出最终的医学图像分割结果。
进一步地，所述步骤3中利用改进的量子粒子群找到最佳聚类中心的具体步骤为：
步骤3.1：参数初始化，随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次,共生成n个初始粒子；
步骤3.2：利用模糊指数m及聚类中心计算隶属度，将FCM的目标函数作为改进的量子粒子群算法的适应度函数，计算适应度值；
步骤3.3：比较每个粒子的适应度值，对所有粒子进行适应度评价。利用改进的量子粒子群更新粒子，并计算其适应度值，如果达到结束条件，则停止迭代，否则继续更新粒子。
进一步地，所述步骤3.1的具体计算步骤为：参数初始化，假设X＝{x1，x2，...xt}代表一系列像素点，t为医学图像中像素的个数，设置种群大小n，最大迭代次数M，其中2<c<t；随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次，共生成n个初始粒子，每一类的聚类中心可以表示为V＝{v1，v2，...vc}。
进一步地，所述步骤3.2的具体计算步骤为：根据式(1)计算每个像素点到聚类中心的距离dij，根据距离及式(2)计算每个像素点对应每个聚类中心的隶属度uij，其中m是隶属度指数，刻画分类结果的模糊程度，m>1，m越大表示分类结果越模糊，通常取m＝2；式(3)中J(U,V)表示粒子的适应度值，它的大小反映图像像素对目标类的隶属程度，值越小表示像素属于对应类的可能性越大，聚类效果越好，同时要满足式(4)。
dij＝||xi-vj||2 (1)
进一步地，所述步骤3.3的具体计算步骤为：粒子位置更新的公式如式(5)至(9)所示，其中，pbi是第i个粒子的个体最优位置；gb是整个种群的最优位置；rand(0,1)是一个函数，其返回值是一个[0，1]之间的随机数；t是当前的进化代数；tmax是算法的最大进化代数；β称为收缩扩张系数，它随着算法的迭代而逐渐减小；pi是第i个粒子的位置。利用新得到的粒子计算新的适应度值，如果达到结束条件即适应度值是否小于阈值e,或者迭代次数超过M，否则继续更新粒子。
a＝rand(0,1) (5)
p＝a*pbi+(1-a)*gb (6)
u＝rand(0,1)(8)
本发明达到的有益效果：
(1)针对模糊C均值聚类对于医学图像分割的不足，利用一种新的改进量子粒子群优化算法搜索全局最优聚类中心，增强全局搜索能力和精度，有效改善了标准模糊C均值模糊聚类算法对初始聚类中心依赖，易于陷入局部最优的缺陷,从而使得医学图像得到更好的分割。
(2)对于未知的结构复杂的医学图像，利用其灰度直方图获取了典型峰值的个数作为聚类中心的个数c，灰度统计信息往往是简单而有效的，且这种信息是图像中固有的语法信息，不随观察者的观察角度而改变。
(3)由于本发明提供的方法在给定初始条件后总能有效地进行收敛，因此该方法对于处理医学图像中经常存在的模糊以及边界不清等问题具有较好的效果。利用本发明提供的方法可以在处理医学图像的过程中保留更多的原始信息，其鲁棒性要高于硬性聚类等其他分割算法。
附图说明
图1是本发明医学图像分割主要流程图。
图2是利用改进的量子粒子群找到最佳聚类中心的具体流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明针对未知的结构复杂的医学图像及FCM聚类算法易于陷入局部最优解等缺陷，对其进行改进。首先利用图像的灰度直方图来判断聚类数目，利用改进的QPSO算法代替FCM的梯度迭代过程，找出最优聚类中心并计算隶属度,以其为依据对医学图像进行分割。该算法减弱了FCM算法对初始聚类中心的依赖，同时增强全局搜索能力，加快收敛速度。该方案的流程如图1所示，下面对本发明做进一步详细说明：
步骤1；输入一张医学图像。
步骤2：设定模糊指数m，迭代停止阈值e，并对给定的医学图像提取灰度特征，做灰度直方图，确定聚类数目为c。
步骤3：利用改进的量子粒子群找到最佳聚类中心，流程图见图2。
步骤3.1：假设X＝{x1，x2，...xt}代表一系列像素点，t为医学图像中像素的个数，设置种群大小n，最大迭代次数M，其中2<c<t。随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次，共生成n个初始粒子，每一类的聚类中心可以表示为V＝{v1，v2，...vc}。
步骤3.2：根据式(1)计算每个像素点到聚类中心的距离dij，根据距离及式(2)计算每个像素点对应每个聚类中心的隶属度uij，其中m是隶属度指数，刻画分类结果的模糊程度，m>1，m越大表示分类结果越模糊，通常取m＝2。式(3)中J(U,V)表示粒子的适应度值，它的大小反映图像像素对目标类的隶属程度，值越小表示像素属于对应类的可能性越大，聚类效果越好，同时要满足式(4)。
dij＝||xi-vj||2 (1)
步骤3.3：在群体中，由于初始化及更新迭代过程的随机性，每个粒子的初始位置、演进过程差异较大，个体最优值pbest相差也较大，若简单的将所有pbest位置进行算术平均，会降低优秀粒子的影响力，从而导致算法求解能力与收敛速度的降低。对此进行了改进，在对所有粒子进行适应度评价后，保留每个粒子的最优值pbest和群体最优值gbest，并对所有粒子按pbest进行排序，对排序后的粒子，取前k比例的粒子作为优秀粒子组的成员,再随机取一个粒子作为优秀粒子(ymb)。k的取值可由用户根据待求解问题、种群规模和评价函数等因素决定。在此基础上，粒子位置更新的公式如式(5)--(9)所示，其中，pbi是第i个粒子的个体最优位置；gb是整个种群的最优位置；rand(0,1)是一个函数，其返回值是一个[0,1]之间的随机数；t是当前的进化代数；tmax是算法的最大进化代数；β称为收缩扩张系数，它随着算法的迭代而逐渐减小；pi是第i个粒子的位置。利用新得到的粒子计算新的适应度值，如果达到结束条件即适应度值是否小于阈值e,或者迭代次数超过M，否则继续更新粒子。
a＝rand(0,1) (5)
p＝a*pbi+(1-a)*gb (6)
u＝rand(0,1) (8)
步骤4：利用得到的最佳粒子，即医学图像的聚类中心，计算医学图像中每个像素点到聚类中心的隶属度，以其为依据，确定医学图像中每个像素的最后归属。
步骤5：输出最终的医学图像分割结果。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。