存储有医学图像特征处理方法程序的存储介质

本发明涉及计算机图像处理，尤其涉及一种医学图像特征处理方法。

背景技术：

1、随着数字化信息的发展，图像处理技术已逐渐被应用到计算机辅助检测技术上来。它利用计算机将影像数字化，应用数字图像处理技术对图片进行一系列的处理，从而为医生提供容易辨别的病体，将医生从烦琐、机械的分类问题中解救出来，达到提高检测正确率的目的。在技术的机器学习优化过程中，对医学图像一系列图像特征的处理是其中的关键，而特征选择问题作为一个典型的全局寻优问题，是最重要环节之一。与其他降维技术不同，特征选择并不改变变量特征的原始表示，而仅是选择它们中的子集。因此，保留了原来的变量情况，可以提供进一步对特征数据进行解释的优势。此外，分类算法的复杂度和预测效果与样本特征息息相关，其中样本特征的冗余性与相关性会导致预测能力下降，同时特征维度的大小也影响着算法的运算速度。

2、然而，在提取的众多图像特征中往往存在不同程度的冗余特征或噪音特征，这些特征大大影响识别的速度和准确性。因此，原始的特征需要进行筛选，丢弃那些模拟两可、不易判别或者相关性低的特性(即除噪)。

3、特征选择实质上也是一个组合优化问题。常规的优化算法，诸如解析法，不仅对目标函数要求连续且可微，还只能得到局部最优解；枚举法，虽然克服这些缺点，但计算效率太低。即便是相当著名的动态规划法，也会遇到“指数爆炸”问题，对于中等规模及适度复杂性问题，也常常表现乏力。因此，如果能创新性地利用群体智能的寻优能力运用于特征选择问题中，将会给医学图像特征的分析提供一个有力的解释工具。

4、基于遗传算法、粒子群算法的医学图像特征处理方法，收获了相当好的分类结果。正余弦优化算法(sine cosine algorithm,sca)是一种新兴的启发式群体智能算法，它采用正弦和余弦函数两个数学公式，在整个搜索空间上不断探索和开发的过程。然而，针对医学图像特征，sca在优化解的收敛速度以及收敛精度上，仍然具有很高的提升空间。在这种情况下，很难保持勘探和开发的有效平衡。

5、因此，有必要提供一种医学图像特征处理方法和装置，实现对医学图像更高效、更准确地识别和除噪。

技术实现思路

1、本发明实施例所要解决的技术问题在于，采用常规优化算法和智能优化算法对医学图像分类预测有较多局限性。正余弦优化算法作为一种新型的智能优化算法，具有结构简单、参数少、鲁棒性强等优点，然而在解决医学图像分类问题时，仍具有收敛慢和精度差等缺点。因此，在深入研究和分析医学图像的特点的基础上，针对目前的医学图像，设计一种医学图像特征处理方法和装置，以解决收敛慢和精度差等问题，实现对医学图像更精确、更高效的识别和除噪。

2、具体地，本发明从寻找新的搜索机制的角度以及通过结合混合策略的方式优化医学图像特征的除噪效果。根据本发明一方面，本发明实施例提供了一种医学图像特征处理方法，所述方法包括以下步骤：

3、步骤s1、提取医学图像特征的特征数据，得到训练样本集，并初始化种群；

4、步骤s2、将当前种群的每个个体的每个特征值采用转换函数进行二进制编码；

5、步骤s3、计算当前种群的适应度值，并更新螺旋运动机制和高斯变异中的相关参数；

6、步骤s4、设置正余弦优化算法的相关参数，并采用正余弦算法迭代公式更新种群；

7、步骤s5、将所获取的正余弦优化算法更新的种群分别通过螺旋运动机制和高斯变异进行更新，以获取两个种群；

8、步骤s6、通过贪婪选择选出下一代种群；

9、步骤s7、若达到最大迭代次数，则结束循环并输出最优解，否则继续迭代直至迭代计算结束。

10、根据本发明又一方面，其中，在步骤s1中，所述训练样本集的特征数据包括颜色特征数据、形状特征数据和纹理特征数据。根据以上特征提取得到的训练样本集，设初始化训练样本种群j＝1,2,...,d,t＝0，1，…,1000，其中，n为训练样本个体数量，d为每个训练样本的维度数，xt表示在第t次迭代下所获取的种群，表示在t次迭代下第i个个体的第j个特征值，t表示当前迭代次数。

11、根据本发明又一方面，其中，在步骤s2中，在步骤s2中将种群xt中的每个个体的每个特征值通过公式(1)和公式(2)模拟成一个二进制编码值；

12、

13、

14、其中，表示第t次迭代中产生的第i个个体的第j个特征值,r是一个[0,1]的随机数，表示第t次迭代中产生的第i个个体的第j个二进制编码值，sig均表示sigmoid函数。

15、根据本发明又一方面，其中，在步骤s3中，使用k-最近邻(knn,k-nearestneighbor)分类器，并采用公式(3)和公式(4)计算所述适应度值，将当前种群个体按照适应度值从小到大进行排序，并更新螺旋运动机制中涉及的火焰ft和飞蛾mt，以及高斯变异中的δ参数。其中，火焰ft是上述种群xt所得的适应度值按从小到大的顺序重新组合而成的种群，飞蛾mt为xt，δ表示变异因子；

16、

17、

18、其中，fiti表示第i个个体的适应度值，α表示分类准确权重，β表示最佳特征选择数权重，α和β的关系为α+β＝1，n表示选择的特征子集的长度，m是每个样本中特征的总数，acci表示分类准确率，cc表示样本中分类正确的数目，uc表示分类错误的样本数目。

19、根据本发明又一方面，其中，在步骤s4中，设置正余弦优化算法的相关参数r1，r2，r3和r4，并采用公式(5)更新得到新种群：

20、

21、其中，r1是[0,2]线性递减的函数，r2是[0,2π]的随机数，r3和r4是[0,1]的随机数，表示在t+1次迭代下产生的第i个个体的第j个特征值，是由公式(1)和(2)产生的在t次迭代下的第i个体的第j个二进制编码值，表示在t次迭代下采用公式(3)和公式(4)获取二进制编码种群中最小适应度值所对应个体的第j个二进制编码值。

22、根据本发明又一方面，其中，在步骤s5中，将sca算法更新的种群分别通过螺旋运动机制和高斯变异策略进行更新，以获取两个种群的步骤具体包括：

23、以获取两个种群的步骤具体包括：

24、首先，螺旋运动机制是采用飞蛾的导航方式，将火焰作为飞蛾在搜索空间中搜索的“风向标”，以螺旋方式更新当前的位置。采用公式(6)～(8)进行更新，得到新种群mt+1；

25、

26、

27、

28、其中，为第t+1次迭代下第i飞蛾个体的第j维度值，为第t+1次迭代下第i火焰个体的第j维度值，为第t+1次迭代下，火焰和飞蛾的距离，b为常数系数，k为一个-1到1的随机数，n表示火焰的最大数目，t表示当前的迭代次数，tmax表示最大迭代次数，l表示当前火焰的数目，round表示四舍五入；

29、其次，高斯变异策略是采用一个符合均值和方差的随机数来代替原来的总体，将采用公式(9)和(10)进行更新，得到新种群gt+1：

30、

31、

32、其中，α和σ分别代表均值和标准差，δ表示变异算子，f表示标准正态分布函数，表示在t+1次迭代下，采用高斯变异策略生成的第i个个体，表示通过公式(5)获取的在第t+1次迭代下的第i个个体。

33、根据本发明又一方面，其中，在步骤s6中，步骤s5中获取的两个种群mt+1,gt+1，根据公式(3)和公式(4)求适应度值，并从小到大进行排序，筛选前n个适应度小的个体作为下一代种群xt+1,其中n同上，为训练样本个体数量。

34、根据本发明又一方面，其中，在步骤s7中，若达到最大迭代次数，则结束循环并输出最优解，否则迭代次数加1，并返回步骤s2。

35、根据本发明又一方面，本发明实施例还提供了一种医学图像特征处理装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述的医学图像特征处理方法的步骤。

36、根据本发明又一方面，本发明还提供了一种更高效、更精确地医学图像特征的特征数据除噪方法，其特征在于采用前述的医学图像特征处理方法去除医学图像特征中的噪音特征数据和/或冗余特征数据。

37、实施本发明实施例，具有如下有益效果：

38、本发明针对医学图像的特点，将螺旋运动机制和高斯变异策略结合到sca算法中，改善了对医学图像的搜索能力，改善了收敛速度和收敛精度，有效降低了特征维数，提高了识别的准确度，该方法能够更有效地提高医学图像特征选择的精度，去除医学图像特征的特征数据中的噪音。