一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法与流程

本发明涉及到眼底血管图像聚类操作技术领域，具体来说涉及一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法。

背景技术：

视网膜眼底图像主要由中央凹、黄斑、血管以及视盘组成，该图像对于包括糖尿病、青光眼、冠心病等疾病诊断具有重要意义，因而眼底图像的处理十分重要。为了减少眼科医师的工作量，便于医师的判断，并提供针对大规模图像处理的方法，机器视觉在医学图像的应用得到了许多科研人员的关注。

在眼底图像的中，血管作为重要的组成部分，它的结构及形态变化可以有效的指出包括糖尿病和高血压等众多全身性疾病的发展状况。自20世纪70年代以来，许多血管分割算法被提出，包括跟踪方法、多尺度方法、统计推断、局部模型以及匹配滤波等算法。其中，借助匹配滤波分割血管是目前较为热门的方法，它简单快捷、有效精确。但包括匹配滤波在内的许多血管分割算法较为依赖像素块之间颜色的差异，因而很容易将一些由疾病引起的大的高亮病变块错误当成血管进行处理，这降低了血管切割的准确度，并浪费了大量的资源。

技术实现要素：

本发明针对现有技术中存在的不足，提出了一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法。

本发明为实现上述发明目的，采取的技术方案如下：

一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法，包括以下步骤：

步骤1、将糖尿病性眼底血管图像进行预处理，转化为向量形式的眼底血管图像数据集，采用中值滤波方法去除血管图像中椒盐噪声，并利用灰度值去除血管图像背景点；

步骤2、对筛选后的眼底血管图像数据集，设x为用于病变眼底血管图像切割的聚类中心，构造x的适用度函数如下：

公式(1)中，e为k-means算法对血管图像数据集d＝{x1，x2，...，xm}进行聚类所得血管图像数据簇c＝{c1，c2，...，ck}的平方误差的和，μi为血管图像数据簇ci的均值向量，其值为k为聚类中心个数；以上述适用度函数f(x)最小为目标采用基于混合蛙跳的k-means算法，对血管图像数据集进行聚类操作，获得多组用于眼底血管病变图像切割的聚类中心；

步骤3、利用用于眼底血管病变图像切割的聚类中心，对眼底血管图像数据集中各数据点按归属的数据簇进行编号，获得最初的眼底血管图像数据编号集；

步骤4、对眼底血管图像数据编号集，依据适应度f(x)进行排序，取适用度最高的编号组为μ^g，最低的为μ^l，将眼底图像数据编号集分组，对部分编号组取近似骨架，以近似骨架为基础，按照概率给其余眼底图像数据编号分配新的图像数据编号，完成更新，重复上述对眼底血管图像数据编号集的操作，直至达到组内最大迭代次数；然后合并各眼底血管图像数据编号集，重新依据适用度f(x)排序，同时更新μ^g和μ^l，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数；

步骤5、利用获得的最优数据编号组，对数据编号相同的眼底血管图像数据求均值向量，按照均值向量的模对各编号进行排序，对前n个编号，使用第n+1的均值向量，取代原来的图像数据点；其余编号使用对应编号的均值向量取代相应血管图像数据点，完成对眼底血管图像的切割过程。

进一步的作为本发明的优选技术方案，所述步骤2的具体步骤如下：

步骤2.1、在眼底血管图像数据集d＝{d1，d2，...，dn}中随机选取k个血管图像数据点作为经典混合蛙跳算法中第i个青蛙μi值，n为图像数据点的个数，k为聚类中心个数，λi为随机选取的血管图像数据点下标，λi∈{1，2，…，n}，若i≠j则λi≠λj，生成混合蛙跳算法用于进化的n只初始蛙群；

步骤2.2、将蛙群内所有眼底血管图像聚类中心组，按适用度值f(x)排序，将适应度值最高的眼底血管图像聚类中心组记为μ^g，并将整个蛙群体划为m组，其中每组包含n只青蛙，满足关系n＝n/m；

步骤2.3、对每一个分组，取适应值最高的眼底血管图像聚类中心组个体记为μ^b，取适应度最低的为μ^w，计算μ^b与μ^w各特征的距离依据最近距离原则，确定μ^w各特征的更新对象标记λi＝argminj∈{1，2，...，k}dij；

步骤2.4、计算新的蛙个体k为聚类中心个数，为：

其中，rand为[0，1]的均匀分布的随机数，dm为允许的最大移动距离；

步骤2.5、判断f(μ^new)和f(μ^w)关系，如果满足f(μ^new)＞f(μ^w),则用μ^new替换μ^w，更新最差的眼底血管图像聚类中心组并重新排序；否则，用μ^g取代μ^b获得μ^new；

步骤2.6、采取下列策略进一步提升适用度：当迭代次数小于时，从血管图像数据集d中随机选取k个眼底血管图像数据点作为μ^new并取代μ^w；当迭代次数大于等于时，在样本空间内随机产生k个向量作为μ^new并取代μ^w，然后重新排序，重复更新直至到达最大内部迭代次数合并各眼底血管图像聚类中心组，重新依据适用度f(x)排序，同时更新μ^g，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。

进一步的作为本发明的优选技术方案，所述步骤4的具体步骤如下：

步骤4.1、对眼底血管图像数据编号集依据适应度进行排序，取适用度最高的编号组为μ^g,最低的为μ^l；

步骤4.2、对各组眼底血管图像编号集，取适应度值最高的编号组记为μ^b，取适应度最低的为μ^w；

步骤4.3、对μ^b,μ^w和μ^g形成近似骨架簇bi，满足|bi|≥2且选取任意x，y∈bi，

步骤4.4、计算新的蛙个体μ^new，依据μ^b，选出各编号中最大骨架簇所包含的血管图像数据点，保留它们的簇号，对于其他血管图像数据点，依照该点在μ^b获得的簇号，按照概率，60％保留此簇号，30％随机分配一个簇号，10％使它与μ^w中同簇号的图像数据点再次划入统一簇号；

步骤4.5、判断f(μ^new)和f(μ^w)关系，如果满足f(μ^new)＞f(μ^w),则用μ^new替换μ^w，更新最差青蛙个体，重新排序；否则，用μ^g和μ^l两者取近似骨架，按上述规则获得μ^new，若适用度得到提高，用μ^new替换μ^w，重新排序；

步骤4.6、采取下列策略进一步提升适用度：运行基于混合蛙跳的改进k-means算法，获得近似解，重新为各点标簇号，替换μ^w，然后重新排序。重复更新直至到达最大内部迭代次数然后合并各眼底血管图像数据编号集，重新依据适用度f(x)排序并更新μ^g和μ^l后，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。

本发明所述用于眼底血管图像聚类分割的近似骨架蛙群编号方法，采用以上技术方案与现有技术相比，具有以下技术效果：

1、具有更好的聚类分割效果：本发明用近似骨架和混合蛙跳改进了k-means算法，克服了原始的k-means算法易收敛至局部最优的问题，提高了聚类效果。

2、具有较好的可行性：混合蛙跳算法和近似骨架是改进算法中易于理解，便于实现的方法，有效提高对于眼底图像聚类的准确度和糖尿病导致的病变点对后续血管切割的影响。

3、易于结合分布式计算：可将混合蛙跳中各组的组内更新部分切割为多个任务，分配给多台计算机进行并行处理,提高大数据环境下眼底血管图像聚类分割效率。

附图说明

图1为本发明的流程示意图；

图2为本发明的步骤4的具体流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

如图1所述，一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法，包括以下步骤：

步骤1、将糖尿病性眼底血管图像进行预处理，转化为向量形式的眼底血管图像数据集，采用中值滤波方法去除血管图像中椒盐噪声，并利用灰度值去除血管图像背景点；

步骤2、对筛选后的眼底血管图像数据集，设x为用于病变眼底血管图像切割的聚类中心，构造x的适用度函数如下：

公式(1)中，e为k-means算法对血管图像数据集d＝{x1，x2，...，xm}进行聚类所得血管图像数据簇c＝{c1，c2，...，ck}的平方误差的和，μi为血管图像数据簇ci的均值向量，其值为k为聚类中心个数；以上述适用度函数f(x)最小为目标采用基于混合蛙跳的k-means算法，对血管图像数据集进行聚类操作，获得多组用于眼底血管病变图像切割的聚类中心；

步骤3、利用用于眼底血管病变图像切割的聚类中心，对眼底血管图像数据集中各数据点按归属的数据簇进行编号，获得最初的眼底血管图像数据编号集；

步骤4、对眼底血管图像数据编号集，依据适应度f(x)进行排序，取适用度最高的编号组为μ^g，最低的为μ^l，将眼底图像数据编号集分组，对部分编号组取近似骨架，以近似骨架为基础，按照概率给其余眼底图像数据编号分配新的图像数据编号，完成更新，重复上述对眼底血管图像数据编号集的操作，直至达到组内最大迭代次数；然后合并各眼底血管图像数据编号集，重新依据适用度f(x)排序，同时更新μ^g和μ^l，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数；

步骤5、利用获得的最优数据编号组，对数据编号相同的眼底血管图像数据求均值向量，按照均值向量的模对各编号进行排序，对前n个编号，使用第n+1的均值向量，取代原来的图像数据点；其余编号使用对应编号的均值向量取代相应血管图像数据点，完成对眼底血管图像的切割过程。

步骤2的具体步骤如下：

步骤2.1、在眼底血管图像数据集d＝{d1，d2，...，dn}中随机选取k个血管图像数据点作为经典混合蛙跳算法中第i个青蛙μi值，n为图像数据点的个数，k为聚类中心个数，λi为随机选取的血管图像数据点下标，λi∈{1，2，...，n}，若i≠j则λi≠λj，生成混合蛙跳算法用于进化的n只初始蛙群；

步骤2.2、将蛙群内所有眼底血管图像聚类中心组，按适用度值f(x)排序，将适应度值最高的眼底血管图像聚类中心组记为μ^g，并将整个蛙群体划为m组，其中每组包含n只青蛙，满足关系n＝n/m；

步骤2.3、对每一个分组，取适应值最高的眼底血管图像聚类中心组个体记为μ^b，取适应度最低的为μ^w，计算μ^b与μ^w各特征的距离依据最近距离原则，确定μ^w各特征的更新对象标记λi＝argminj∈{1，2，...，k}dij；

步骤2.4、计算新的蛙个体k为聚类中心个数，为：

其中，rand为[0，1]的均匀分布的随机数，dm为允许的最大移动距离；

步骤2.5、判断f(μ^new)和f(μ^w)关系，如果满足f(μ^new)＞f(μ^w),则用μ^new替换μ^w，更新最差的眼底血管图像聚类中心组并重新排序；否则，用μ^g取代μ^b获得μ^new；

步骤2.6、采取下列策略进一步提升适用度：当迭代次数小于时，从血管图像数据集d中随机选取k个眼底血管图像数据点作为μ^new并取代μ^w；当迭代次数大于等于时，在样本空间内随机产生k个向量作为μ^new并取代μ^w，然后重新排序，重复更新直至到达最大内部迭代次数合并各眼底血管图像聚类中心组，重新依据适用度f(x)排序，同时更新μ^g，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。

如图2所示，步骤4的具体步骤如下：

步骤4.1、对眼底血管图像数据编号集依据适应度进行排序，取适用度最高的编号组为μ^g,最低的为μ^l；

步骤4.2、对各组眼底血管图像编号集，取适应度值最高的编号组记为μ^b，取适应度最低的为μ^w；

步骤4.3、对μ^b,μ^w和μ^g形成近似骨架簇bi，满足|bi|≥2且选取任意x，y∈bi，

步骤4.4、计算新的蛙个体μ^new，依据μ^b，选出各编号中最大骨架簇所包含的血管图像数据点，保留它们的簇号，对于其他血管图像数据点，依照该点在μ^b获得的簇号，按照概率，60％保留此簇号，30％随机分配一个簇号，10％使它与μ^w中同簇号的图像数据点再次划入统一簇号；

步骤4.5、判断f(μ^new)和f(μ^w)关系，如果满足f(μ^new)＞f(μ^w),则用μ^new替换μ^w，更新最差青蛙个体，重新排序；否则，用μ^g和μ^l两者取近似骨架，按上述规则获得μ^new，若适用度得到提高，用μ^new替换μ^w，重新排序；

步骤4.6、采取下列策略进一步提升适用度：运行基于混合蛙跳的改进k-means算法，获得近似解，重新为各点标簇号，替换μ^w，然后重新排序。重复更新直至到达最大内部迭代次数然后合并各眼底血管图像数据编号集，重新依据适用度f(x)排序并更新μ^g和μ^l后，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。

本发明借助聚类方法，对眼底图像进行分割处理，根据病变点高亮的特性对病变点进行定位和剔除。为了获得更好的聚类分割效果，采用智能算法中较为有效且便于理解的混合蛙跳算法对k-means算法进行改进并使用近似骨架进一步充分利用算法获得的局部最优解，改进后的算法能有效克服原始k-means算法易于收敛至局部最优而无法有效进行图像分割缺点，获得更好的眼底血管聚类分割效果，更准确的分离出眼底血管的病变点。

本发明公开一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法。该方法首先将糖尿病性眼底血管图像转化为向量形式的眼底血管图像数据集；然后使用基于混合蛙跳的改进k-means算法，对眼底血管图像数据集进行聚类操作，形成多组用于眼底血管图像切割的聚类中心；其次利用各组聚类中心，为眼底血管图像数据集各数据点进行编号，并根据适用度，依次对眼底血管图像数据编号集进行排序、分组；再次对分组后的眼底血管图像数据编号集中部分编号组取近似骨架，并以近似骨架为参考，按照概率给其余眼底血管图像数据分配新的图像数据编号，完成更新，重复上述操作直至达到组内最大迭代次数；最后合并各眼底血管图像数据编号集，依据适用度排序后再次分组，并重复上述操作直至达到组外最大迭代次数。该方法用各编号的均值向量，取代原来血管图像数据点，能有效提高对于眼底图像聚类的准确度和降低糖尿病导致的病变点对后续血管切割的影响。

以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。