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：
[0039]
[0040] 其中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。
[0041] 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，数据库中存储有多种不同类型的 二维图像（如DR图像、CT图像、非多层的MRI图像等）的灰度图像中的所有像素点各自的 信噪比，事先存储于数据库中的二维图像与待分割的二维图像属于同一类型，即若待分割 的二维图像为DR图像，则信噪比比较时的对象为事先存储于数据库中的二维DR图像，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，同一 品牌的高清摄像头或CCD相机等成像设备获取的二维图像的尺寸大小一般情况下都是相 同的，因此在实际实施过程中，可采用同一台成像设备获取需存储于数据库中的二维图像 及待分割的二维图像。
[0042] 本实施例中，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：
[0043] 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。
[0044] 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 Ii 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 //' 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Η' = = H或W' >W且Η' >H。
[0045] 在本实施例中，uXu取5X5。
[0046] ⑥-3、手动圈定待处理灰度图像中的每个目标区域。
[0047] 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。
[0048] 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。
[0049] 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。
[0050] 本实施例中，蚁群算法参考名称为"一种基于蚁群算法的TSP问题分段求解算 法"，吴斌等人发表在计算机学报2001年12月第24卷第12期的文章，以及名称为"一种自 适应蚁群算法及其仿真研究"，王颖等人发表在系统仿真学报2002年1月第14卷第1期的 文章。
[0051] 为进一步验证本发明方法的可行性和有效性，对本发明方法进行试验。
[0052] 假设固定周期信号的幅度A = 4,固定周期信号的频率f。= 1Hz，固定周期信号的 初相位Φ =0不变，并使得噪声强度α取值区间为[0, 400]，此时令双稳态势皇参数η = 1，并使双稳态势皇实参数m在区间[1，10]内以步长为0. 1进行变化，同时监控非线性优化 模型输出的信噪比。当非线性优化模型输出的信噪比曲线产生特征峰并且峰值为最大值 时，可以确定m = 6. 5,此时各项参数为最优化选择。
【主权项】
1.基于蚁群算法的二维图像分割方法，其特征在于，包括以下步骤： 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{Al，A2, A3,…，An}，其中Al, A2, A3,…，An定义为构成初始感兴趣的轮廓的所有 轮廓点； ② 根据初始感兴趣的轮廓{Al，A2，A3，一，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前灰 度图像，然后直接将当前灰度图像划分成互不重叠的尺寸大小为uXu的子块；如 果WXH不能够被uXu整除，则扩展该方形区域使其尺寸大小能够被uXu整除，将扩展后 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 H' >H 或 W' >W 且 H' = = H 或 W' >W 且 H' >H ; 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； 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； 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； 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：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，$为固定周期信号的初相位，m、n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，a为噪声强度， I (t)为均值为O的高斯白噪声； 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； 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； 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。2. 如权利要求1所述的基于蚁群算法的二维图像分割方法，其特征在于，所述步骤② 中的uXu取5X5。3. 如权利要求1或2所述的基于蚁群算法的二维图像分割方法，其特征在于，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： 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； ⑥-2、假设该灰度图像的宽度和高度对应为WX H，那么如果WX H能够被u X u整除，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，然后将待处理灰度图像划个互不重叠的尺寸大小为uXu的子块，其中，W'和H'对应表示扩展后的灰度 图像的宽度和高度，W' = = W且H' >H或W' >W且H' = = H或W' >W且H' >H ; ⑥-3、手动圈定待处理灰度图像中的每个目标区域； 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。4. 根据权利要求3所述的基于蚁群算法的二维图像分割方法，其特征在于：所述步骤 ⑥-2 中，uXu 取 5X5。5. 根据权利要求1所述的基于蚁群算法的二维图像分割方法，其特征在于，所述的二 维图像包括：DR图像、CT图像、非多层的MRI图像。
【专利摘要】本发明一种基于蚁群算法的二维图像分割方法，首先获取待分割二维图像的灰度图像，用蚁群算法边缘定位，得到感兴趣区域；然后对感兴趣区域的方形领域进行分不重叠子块处理；接着采用区域生长法对灰度图像进行分割，得到多个初步目标区域；再将每个初步目标区域对应的每个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，得到对应的最终目标区域。本发明首先运用蚁群算法对图像进行第一级的初步分割，然后利用非线性图像优化模型，对图像进行处理，验证初步分割的准确性，并对图像分割进行不断优化，因此只需一次分割再结合优化就能得到准确的目标区域，分割过程简单，分割准确度高，能够辅助医生做出更准确的判断。
【IPC分类】G06T7/00
【公开号】CN105139409
【申请号】CN201510577365
【发明人】汤旭翔, 傅均, 赵帅, 陈赛, 陈柳柳
【申请人】浙江工商大学
【公开日】2015年12月9日
【申请日】2015年9月11日