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

技术特征：

1.一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，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。

2.根据权利要求1所述的用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，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。

3.根据权利要求1所述的用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，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。