基于蚁群算法的二维图像分割方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，尤其涉及一种基于蚁群算法的二维图像分割方 法。
【背景技术】
[0002] 图像分割是图像处理领域的一个重要问题，是许多图像处理问题的基础。图像分 割技术已经广泛应用在图像融合、模式识别、工业检测、医学图像分析等领域。由于背景的 复杂性，目标特征的多样性以及噪声等影响，使图像分割成为图像处理技术的难点。
[0003] 蚁群算法是一种仿生进化算法，是具有离散性、并行性、鲁棒性、正反馈性等特点 的一种随机搜索方法。已成功应用于组合优化问题，如图像分割、旅行商问题、车间任务调 度、图着色、管线敷设等。用蚁群算法可以进行模糊规则的自动学习。蚁群算法的离散性和 并行性特点对于离散的数字图像非常适用，基于概率的路径选择方法，在模糊聚类问题中 有广阔的应用前景。
[0004] 但是由于蚁群算法具有一定的不确定发散性，因此在各个方向的取值限定比较繁 琐，导致分割图像精准度较低，影响分割的准确性。在医学领域，图像分割不准确会增加医 师对目标判断的难度，降低医师对患者疾病诊断的准确度，延误疾病治疗，并产生医患矛 盾。
【发明内容】
[0005] 为了解决上述现有技术中存在的不足，本发明提供一种基于蚁群算法的二维图像 分割方法，能够提高图像分割的准确性。
[0006] 本发明解决上述技术问题所采用的技术方案为：基于蚁群算法的二维图像分割方 法，包括以下步骤：
[0007] ①通过高清摄像头或CCD相机获取一幅待分割的二维图像，然后将该待分割的二 维图像转换成灰度图像，再采用蚁群算法对该灰度图像进行分析，实现边缘定位，得到初始 感兴趣的轮廓{A1，A2，A3, 一,Anh其中A1，A2，A3, 一,An定义为构成初始感兴趣的轮廓的 所有轮廓点。
[0008] ②根据初始感兴趣的轮廓{Al，A2, A3,…，An}经包络得到灰度图像中的感兴趣区 域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该 方形区域的宽度为W、高度为H，那么如果WXH能够被uXu整除，则将该方形区域定义为当 W X II 前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为uXu的子 UXU 块；如果WXH不能够被UXu整除，则扩展该方形区域使其尺寸大小能够被UXu整除，将扩 W fX /7' 展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的 UXli 尺寸大小为UXu的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W' == W 且 Η' >H 或 W' >W 且 Η' = = H 或 W' >W 且 Η' >H。
[0009] ③采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步目 标区域。
[0010] ④将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域。
[0011] ⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为uXu的 子块，按序对当前初步目标区域对应的每个尺寸大小为UXu的子块进行处理，将当前待处 理的尺寸大小为uXu的子块定义为当前子块。
[0012] ⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型 中进行优化，该非线性优化模型为：
[0013]
[0014] 其中：i表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f。为固定 周期信号的频率，t为布朗粒子的运动时间，Φ为固定周期信号的初相位，m、η均为双稳态 势皇实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强 度，ξ (t)为均值为0的高斯白噪声。
[0015] 将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中 进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块 中的每个像素点的信噪比与事先存储于数据库中的二维图像的灰度图像中对应像素点的 信噪比的误差小于10%，则确定当前子块优化成功，其中，事先存储于数据库中的二维图像 的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同。
[0016] ⑦将下一个待处理的尺寸大小为uXu的子块作为当前子块，然后返回步骤⑥继 续执行，直至当前初步目标区域对应的所有尺寸大小为uXu的子块处理完毕，得到对应的 最终目标区域。
[0017] ⑧将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域，然后 返回步骤⑤继续执行，直至当前灰度图像中的所有初步目标区域处理完毕，得到当前灰度 图像中的多个最终目标区域，至此完成二维图像的自动分割。
[0018] 所述步骤②中的uXu取5X5。
[0019] 所述步骤⑥中事先存储于数据库中的二维图像的灰度图像中的每个像素点的信 噪比的具体获取过程为：
[0020] ⑥-1、选取一幅具有代表性的二维图像，然后将该二维图像转换为灰度图像。
[0021] ⑥-2、假设该灰度图像的宽度和高度对应为WXH，那么如果WXH能够被uXu整 W XII 除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成-个互 U X U 不重叠的尺寸大小为UXu的子块；如果WXH不能够被uXu整除，则扩展该灰度图像使其 尺寸大小能够被uXu整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度 W1X /7' 图像划分成·~-个互不重叠的尺寸大小为uXu的子块，其中，W'和H'对应表示扩展后 U X U 的灰度图像的宽度和高度，w' = = W且Η' >H或W' >W且H' = = H或W' >W且Η' >H。
[0022] ⑥-3、手动圈定待处理灰度图像中的每个目标区域。
[0023] ⑥-4、计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为uXu的子 块中的每个像素点的信噪比。
[0024] 所述步骤⑥-2中，uXu取5X5。
[0025] 所述的二维图像包括：DR图像、CT图像、非多层的MRI图像。
[0026] 与现有技术相比，本发明一种基于蚁群算法的二维图像分割方法的优点在于：首 先运用蚁群算法对图像进行第一级的分割，然后利用非线性图像优化模型，对图像进行处 理，确证第一级分割的准确度，验证第一级分割的正确性，并对图像分割进行不断优化，最 终提高图像分割的准确性，辅助医生对患者疾病做出更准确的判断，降低临床影像设备输 出结果的人为误判概率。
【附图说明】
[0027] 图1为本发明一实施例的基于蚁群算法的二维图像分割方法的主要流程图。
【具体实施方式】
[0028] 以下结合附图实施例对本发明作进一步详细说明，但不作为对本发明的限定。
[0029] 本发明的基于蚁群算法的二维图像分割方法，其主要流程图如图1所示，包括以 下步骤：
[0030] ①通过高清摄像头或CCD相机获取一幅待分割的二维图像，然后将该待分割的二 维图像转换成灰度图像，再采用蚁群算法对该灰度图像进行分析，实现边缘定位，得到初始 感兴趣的轮廓{A1，A2，A3, 一,Anh其中A1，A2，A3, 一,An定义为构成初始感兴趣的轮廓的 所有轮廓点。
[0031] 在本实施例中，二维图像包括：DR(Digital Radiography，数字射线摄影）图像、 CT (Computed Tomography，X 线计算机断层摄影）图像、非多层的 MRI (Magnetic Resonance Imaging，磁共振成像）图像等。
[0032] ②根据初始感兴趣的轮廓{Al，A2, A3,…，An}经包络得到灰度图像中的感兴趣区 域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该 方形区域的宽度为W、高度为H，那么如果WXH能够被uXu整除，则将该方形区域定义为当 Pf 前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为uXu的子 U^U 块；如果WXH不能够被uXu整除，则扩展该方形区域使其尺寸大小能够被uXu整除，将扩 W 'X Il' 展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成---个互不重叠的 U X U 尺寸大小为UXu的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W' == W 且 Η' >H 或 W' >W 且 H' = = H 或 W' >W 且 Η' >H。
[0033] 在本实施例中，uXu取5X5。
[0034] 在本实施例中，扩展方形区域直接采用现有技术，一般在原始的方形区域的最右 侧补充若干列像素点（原始的方形区域的宽度不能被u整除，而高度能够被u整除的情况） 或在原始的方形区域的最下侧补充若干行像素点（原始的方形区域的宽度能够被u整除， 而高度不能被U整除的情况）或在原始的方形区域的最右侧补充若干列像素点且在原始的 方形区域的最下侧补充若干行像素点（原始的方形区域的宽度不能被U整除且高度也不能 被U整除的情况），且补充的所有像素点的像素值为O或255。
[0035] ③采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步目 标区域。
[0036] ④将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域。
[0037] ⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为uXu的 子块，按序对当前初步目标区域对应的每个尺寸大小为UXu的子块进行处理，将当前待处 理的尺寸大小为uXu的子块定义为当前子块。
[0038] ⑥将当前子块中的所有像素点各自的像素值