基于改进多元宇宙优化算法的医疗图像自适应增强方法与流程

基于改进多元宇宙优化算法的医疗图像自适应增强方法
【技术领域】
1.本发明涉及图像增强技术领域，具体涉及一种基于改进多元宇宙优化算法的医疗图像自适应增强方法。


背景技术：

2.图像增强，指的是有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
3.相关技术中，通常采用多元宇宙优化算法进行图像增强，其具有参数少，易于实现等优点，广泛应用于求解最优问题，但是它存在易陷入局部最优，收敛速度慢等问题。因此，实有必要提出一种基于改进的多元宇宙优化算法的医疗图像自适应增强方法以解决上述问题。


技术实现要素：

4.本发明要解决的技术问题是在于提供一种基于改进多元宇宙优化算法的医疗图像自适应增强方法，具备较强的局部探索能力，可以快速提升收敛速度，提升最优解精度。
5.为实现上述目的，本发明的技术方案为：
6.一种基于改进多元宇宙优化算法的医疗图像自适应增强方法，包括如下步骤：
7.s1：将待增强的医疗图像作为输入图像，对所述输入图像进行归一化处理，然后采用非完全beta函数对归一化处理后的图像进行增强处理，得到增强图像；
8.s2：对增强处理后的图像进行反归一化处理，得到增强后的输出图像，以图像的方差作为适应度值评价所述输出图像的图像质量；
9.s3：根据所述非完全beta函数的变量上下界随机初始化一个多元宇宙种群，所述多元宇宙种群中每个宇宙个体的二维空间位置对应所述非完全beta函数的一个参数组合(α、β)；
10.s4：对于每个宇宙个体产生一次随机数r1∈[0,1]，若r1＜0.5，则将该宇宙个体划分为第一宇宙种群，对所述第一宇宙种群中的宇宙个体采用多元宇宙优化算法进行位置更新；若r1≥0.5，则将该宇宙个体划分为第二宇宙种群，对所述第二宇宙种群中的宇宙个体采用灰狼算法进行位置更新；完成所述多元宇宙种群中所有宇宙个体的位置更新，对更新后的宇宙个体分别计算适应度值；
[0011]
s5：给所述多元宇宙种群中的每个宇宙个体赋予一个标记k＝0，多次迭代；每次迭代时，若宇宙个体的适应度值没有更新，则重新赋予标记k＝k+1；若该宇宙个体的适应度值更新，则重新赋予标记k＝0；设定标记阈值k
t
，如果宇宙个体的标记达到标记阈值k
t
都没有获取到更好的适应度，则将该宇宙个体的位置进行如下更新：
[0012][0013]
式中，u(t+1)表示宇宙个体更新后的位置，u(t)表示宇宙个体更新前的位置，ud和ld为宇宙个体位置范围的上下界，r8是[0,1]范围内的随机向量；
[0014]
s6：判断更新后的宇宙个体的位置是否超出灰度值边界，若宇宙个体的位置小于最小边界值，则将其位置赋值为最小边界值；若宇宙个体的位置大于最大边界值，则将其位置赋值为最大边界值；若未超出灰度值边界，则保留其实际的位置；
[0015]
s7：若更新后的宇宙个体的适应度值不小于更新前的适应度值，则将更新后的宇宙个体的位置替换掉更新前的位置；若更新后的宇宙个体的适应度值小于更新前的适应度值，则保留更新前的宇宙个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的宇宙个体的位置信息，将其作为非完全beta函数的最优参数组合(α、β)；
[0016]
s8：将最优参数组合(α、β)代入到所述非完全beta函数中，采用所述非完全beta函数对归一化处理后的图像进行增强处理，对增强后的图像进行反归一化，得到增强后的最优输出图像。
[0017]
优选的，所述步骤s1中的“归一化处理”的过程表示为：
[0018][0019]
式中，f
′
(x,y)表示所述输入图像的归一化灰度值，f(x,y)表示所述输入图像的原始灰度值，g
max
、g
min
分别表示所述输入图像原始灰度值的最大值和最小值；
[0020]“增强处理”的过程表示为：
[0021]g′
(x,y)＝f(f
′
(x,y))
[0022]
式中，g
′
(x,y)表示所述增强图像的灰度值，f(
·
)表示非完全beta函数。
[0023]
优选的，所述步骤s2中“反归一化处理”的过程为：
[0024]g″
(x,y)＝(g
′
max-g
′
min
)g
′
(x,y)+g
′
min
[0025]
式中，g
″
(x,y)表示所述输出图像的灰度值，g
′
max
、g
′
min
分别表示所述增强图像的灰度值的最大值和最小值，g
′
max
＝255、g
′
min
＝0。
[0026]
优选的，所述步骤s2中“适应度值”的计算过程表示为：
[0027][0028]
式中，ni(x)表示适应度值，m、n分别表示所述输出图像的长和宽，n表示所述输出图像的总像素点个数，n＝m
×
n。
[0029]
优选的，所述步骤s4中，第一宇宙种群中宇宙个体位置更新的过程为：
[0030]
s411：将所述多元宇宙种群中的所有宇宙个体按照适应度进行排序：ni(u1)＞ni(u2)
…
＞ni(ui)＞
…
ni(u
nu
)，式中，ni(ui)表示所述多元宇宙种群u中任意宇宙个体ui的归一化适应度值；选择适应度值最大的宇宙个体作为当前的最优宇宙个体，nu表示所述多元宇宙种群中宇宙个体的个数；
[0031]
s412：执行轮盘赌机制，实现自适应的搜索，所述轮盘赌机制表示为：
[0032][0033]
式中，r2为[0,1]范围内的随机数，表示经过轮盘赌机制选择出的第k个宇宙个体的第j维位置信息，表示经过轮盘赌机制选择出的第i个宇宙个体的第j维位置信息；
[0034]
s413：在不考虑膨胀率大小的情况下，宇宙个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙个体移动，实现宇宙个体位置的更新，移动的过程表示为：
[0035]
式中，表示第i个宇宙个体的第j维的位置信息，d表示维度数，xj表示当前最优宇宙的第j维位置信息，l
bj
、u
bj
分别表示的下限和上限，r3、r4、r5表示[0,1]范围内的随机数，wep表示所述多元宇宙种群中虫洞存在的概率，tdr表示宇宙个体内的物体朝着当前最优宇宙个体移动的步长；
[0036]
s414:进入迭代循环，更新wep和tdr，wep和tdr的更新过程为：
[0037][0038][0039]
式中，wep
min
表示所述多元宇宙种群中虫洞存在的最小概率，取值为0.2，wep
max
表示所述多元宇宙种群中虫洞存在的最大概率，取值为1.0；t表示当前迭代次数，t
max
表示最大迭代次数。
[0040]
优选的，所述步骤s4中，第二宇宙种群中宇宙个体位置更新的过程为：
[0041]
s421：将所述多元宇宙种群中的所有宇宙个体按照适应度进行排序：ni(u1)＞ni(u2)
…
＞ni(ui)＞
…
ni(u
nu
)，式中，ni(ui)表示所述多元宇宙种群u中任意宇宙个体ui的归一化适应度值，nu表示所述多元宇宙种群中宇宙个体的个数；
[0042]
s422：获取前三个最优的适应度值ni(u1)、ni(u2)、ni(u3)及其对应的宇宙个体u1、u2、u3；
[0043]
s423：任意宇宙个体的位置更新过程表示为：
[0044][0045][0046]
式中，u(t+1)表示任意宇宙个体更新后的位置，x1、x2、x3分别表示任意宇宙个体在
宇宙个体u1、u2、u3引导下的更新位置，t2表示当前的迭代次数，xa(t)、xb(t)、xc(t)分别表示宇宙个体u1、u2、u3当前的位置，u(t)表示任意宇宙个体更新前的位置；a∈{a1,a2,a3}、c∈{c1,c2,c3}均表示系数向量，计算过程为：
[0047]
a＝2α
·
r6-α
[0048][0049]
c＝2
·
r7
[0050]
式中，t
max
表示最大迭代次数，r6、r7是[0,1]范围内的随机向量，a表示非线性递减因子。
[0051]
与相关技术相比，本发明的有益效果在于：将灰狼算法与多元宇宙优化算法相结合，提升了算法探索与寻找最优解的能力，提高了算法的稳定性；灰狼算法稳定性强，具备较强的局部探索能力，能够充分与多元宇宙优化算法相耦合，发挥两种算法的各自的优势，从而达到快速提升收敛速度，提升最优解精度；同时在灰狼算法中采用非线性递减因子，能够进一步提升灰狼算法的全局探索能力。
【具体实施方式】
[0052]
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式作进一步的说明。
[0053]
本发明提供一种基于改进多元宇宙优化算法的医疗图像自适应增强方法，包括如下步骤：
[0054]
s1：将待增强的医疗图像作为输入图像，对所述输入图像进行归一化处理，然后采用非完全beta函数对归一化处理后的图像进行增强处理，得到增强图像。
[0055]
归一化的处理过程为：
[0056][0057]
式中，f
′
(x,y)表示所述输入图像的归一化灰度值，f(x,y)表示所述输入图像的原始灰度值，g
max
、g
min
分别表示所述输入图像原始灰度值的最大值和最小值；
[0058]“增强处理”的过程表示为：
[0059]g′
(x,y)＝f(f
′
(x,y))
[0060]
式中，g
′
(x,y)表示所述增强图像的灰度值，f(
·
)表示非完全beta函数。
[0061]
所述非完全beta函数的通用表示式为：
[0062][0063]
beta函数表示为：
[0064][0065]
式中，α、β表示所述非完全beta函数的参数。
[0066]
通过调整α、β的取值，可以得到不同的非线性变换曲线，然后利用智能优化算法的全局优化搜索能力来动态的确定最优变化参数α、β的取值，实现图像的自适应增强。
[0067]
s2：对增强处理后的图像进行反归一化处理，得到增强后的输出图像，以图像的方差作为适应度值评价所述输出图像的图像质量。
[0068]“反归一化处理”的过程为：
[0069]g″
(x,y)＝(g
′
max-g
′
min
)g
′
(x,y)+g
′
min
[0070]
式中，g
″
(x,y)表示所述输出图像的灰度值，g
′
max
、g
′
min
分别表示所述增强图像的灰度值的最大值和最小值，g
′
max
＝255、g
′
min
＝0。
[0071]“适应度值”的计算过程表示为：
[0072][0073]
式中，ni(x)表示所述输出图像的适应度值，m、n分别表示所述输出图像的长和宽，n表示所述输出图像的总像素点个数，n＝m
×
n。
[0074]
s3：根据所述非完全beta函数的变量上下界随机初始化一个多元宇宙种群，所述多元宇宙种群中每个宇宙个体的二维空间位置对应所述非完全beta函数的一个参数组合(α、β)。
[0075]
初始化时，采用混沌模型初始化宇宙个体的位置信息，所述混沌模型选自chebyshev、logistic、sine中的一种。初始化完成后得到一个多元宇宙种群ui(i＝1,2,...,nu)表示第i个宇宙个体，表示第i个宇宙个体的位置信息，表示第i个宇宙个体的第j维的位置信息，d表示问题的维度数，用于表征变量的个数；nu表示所述多元宇宙种群中宇宙个体的个数，用于表征候选解的个数。
[0076]
s4：对于每个宇宙个体产生一次随机数r1∈[0,1]，若r1＜0.5，则将该宇宙个体划分为第一宇宙种群，对所述第一宇宙种群中的宇宙个体采用多元宇宙优化算法进行位置更新；若r1≥0.5，则将该宇宙个体划分为第二宇宙种群，对所述第二宇宙种群中的宇宙个体采用灰狼算法进行位置更新；完成所述多元宇宙种群中所有宇宙个体的位置更新，对更新后的宇宙个体重新计算适应度值。
[0077]
多元宇宙优化算法模拟的是多元宇宙种群在白洞、黑洞和虫洞共同作用下的运动行为。白洞和黑洞作用于探测阶段，而虫洞则作用于开采阶段。宇宙个体的位置是一个假想的概念，宇宙个体的位置是由其内部物体的运动所改变的。多元宇宙优化算法在执行优化的过程中遵循以下规则：(1)如果一个宇宙的膨胀率越高，则生成白洞的几率就越高；如果一个宇宙的膨胀率相对较低，则它更有可能生成黑洞；(2)生成白洞的宇宙会排斥物体；生成黑洞的宇宙会吸收物体；(3)不考虑膨胀率的高低，其他宇宙都有可能通过虫洞将物体传送至当前最优宇宙。
[0078]
多元宇宙优化算法通过白洞/黑洞轨道和虫洞对初始宇宙进行循环迭代，虫洞总是建立在某个宇宙和当前最优宇宙之间，而白洞/黑洞轨道可以建立在任何两个宇宙之间。其中宇宙代表着问题的可行解，宇宙中的物体代表解的分量，宇宙的膨胀率代表解的适应度值。
[0079]
所述第一宇宙种群位置更新的过程为：
[0080]
s411：将所述多元宇宙种群中的所有宇宙个体按照适应度进行排序所：ni(u1)＞ni(u2)
…
＞ni(ui)＞
…
ni(u
nu
)，式中，ni(ui)表示所述多元宇宙种群u中任意宇宙个体ui的归一化适应度值；选择适应度值最大的宇宙个体作为当前的最优宇宙个体。
[0081]
s412：执行轮盘赌机制，实现自适应的搜索。
[0082]
遵循轮盘赌机制，多元宇宙种群中宇宙个体中的物体通过白洞/黑洞轨道进行转移，所述轮盘赌机制表示为：
[0083][0084]
式中，r2为[0,1]范围内的随机数，表示经过轮盘赌机制选择出的第k个宇宙个体的第j维位置信息，表示经过轮盘赌机制选择出的第i个宇宙个体的第j维位置信息。
[0085]
以适应度值的大小进行搜索,适应度值低的物体更易于通过白洞或黑洞输送物体，适应度值高的物体具有更强拥有白洞的可能性,膨胀率低的物体拥有黑洞的可能性更低。通过设置轮盘赌机制，实现自适应的搜索过程。
[0086]
s413:在不考虑膨胀率大小的情况下，宇宙个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙个体移动，实现宇宙个体位置的更新，移动的过程表示为：
[0087]
式中,表示第i个宇宙个体的第j维的位置信息，d表示维度数，xj表示当前最优宇宙的第j维位置信息，l
bj
、u
bj
分别表示的下限和上限，r3、r4、r5表示[0,1]范围内的随机数，wep表示所述多元宇宙种群中虫洞存在的概率，tdr表示宇宙个体内的物体朝着当前最优宇宙个体移动的步长。
[0088]
s413：进入迭代循环，更新wep和tdr。
[0089]
wep和tdr的更新过程为：
[0090][0091][0092]
式中，wep
min
表示所述多元宇宙种群中虫洞存在的最小概率，取值为0.2，wep
max
表示所述多元宇宙种群中虫洞存在的最大概率，取值为1.0；t表示当前迭代次数，t
max
表示最大迭代次数。
[0093]
灰狼算法模拟了自然界灰狼的领导层级和狩猎机制，利用数学建模来模拟灰狼的社会等级，最优解、第二最优解及第三最优解作为领导者，剩下的候选解被假定为跟随者，跟随者跟随领导者，领导者指导跟随者狩猎。
[0094]
具体的，所述第二宇宙种群中宇宙个体位置更新的过程为：
[0095]
s421：将所述多元宇宙种群中的所有宇宙个体按照适应度进行排序：ni(u1)＞ni(u2)
…
＞ni(ui)＞
…
ni(u
nu
)，式中，ni(ui)表示所述多元宇宙种群u中任意宇宙个体ui的归一化适应度值；
[0096]
s422：获取前三个最优的适应度值ni(u1)、ni(u2)、ni(u3)及其对应的宇宙个体u1、u2、u3；
[0097]
s423：任意宇宙个体的位置更新过程表示为：
[0098][0099][0100]
式中，u(t+1)表示任意宇宙个体更新后的位置，x1、x2、x3分别表示任意宇宙个体在宇宙个体u1、u2、u3引导下的更新位置，t2表示当前的迭代次数，xa(t)、xb(t)、xc(t)分别表示宇宙个体u1、u2、u3当前的位置，u(t)表示任意宇宙个体更新前的位置；a∈{a1,a2,a3}、c∈{c1,c2,c3}均表示系数向量，计算过程为：
[0101]
a＝2α
·
r6-α
[0102][0103]
c＝2
·
r7
[0104]
式中，t
max
表示最大迭代次数，r6、r7是[0,1]范围内的随机向量，a表示非线性递减因子。
[0105]
非线性递减因子相比于传统的线性递减因此，可以更加有效的提升灰狼算法的全局探索能力。
[0106]
非线性递减因子相比于传统的线性递减因子，可以更加有效的提升灰狼算法的全局探索能力。具体而言：a对算法的收敛速度和准确性起着至关重要的作用，a值越大，则全局搜索能力强，更容易摆脱局部优化，但是同时其局部开发能力较弱，导致收敛速度下降；相反，a值越小，则其局部发展能力强，收敛速度加快，但容易陷入局部最优。因此，a会影响整个算法的能力。本发明中，a从2到0呈非线性递减，可以全面准确地反映复杂情况下的非线性搜索，提升算法的探索能力。
[0107]
随机数r1的设置对所述多元宇宙种群中的个体进行划分，并引入灰狼算法与传统的多元宇宙算法相结合，充分利用了灰狼算法对局部的探索能力，可以大幅提升算法整体的探索与寻找最有解的能力。
[0108]
s5：给所述多元宇宙种群中的每个宇宙个体赋予一个标记k＝0，多次迭代；每次迭代时，若宇宙个体的适应度值没有更新，则重新赋予标记k＝k+1；若该宇宙个体的适应度值更新，则重新赋予标记k＝0；设定标记阈值k
t
，如果宇宙个体的标记达到标记阈值k
t
都没有获取到更好的适应度，则将该宇宙个体的位置进行如下更新：
[0109][0110]
式中，u(t+1)表示宇宙个体更新后的位置，u(t)表示宇宙个体更新前的位置，ud和ld为宇宙个体位置范围的上下界，r8是[0,1]范围内的随机向量。
[0111]
s6：判断更新后的宇宙个体的位置是否超出灰度值边界，若宇宙个体的位置小于最小边界值，则将其位置赋值为最小边界值；若宇宙个体的位置大于最大边界值，则将其位置赋值为最大边界值；若未超出灰度值边界，则保留其实际的位置。
[0112]
s7：若更新后的宇宙个体的适应度值不小于更新前的适应度值，则将更新后的宇宙个体的位置替换掉更新前的位置；若更新后的宇宙个体的适应度值小于更新前的适应度值，则保留更新前的宇宙个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的宇宙个体的位置信息，将其作为非完全beta函数的最优参数组合(α、β)。
[0113]
s8：将最优参数组合(α、β)代入到所述非完全beta函数中，采用所述非完全beta函数对归一化处理后的图像进行增强处理，对增强后的图像进行反归一化，得到增强后的最优输出图像。
[0114]
与相关技术相比，本发明的有益效果在于：将灰狼算法与多元宇宙优化算法相结合，提升了算法探索与寻找最优解的能力，提高了算法的稳定性；灰狼算法稳定性强，具备较强的局部探索能力，能够充分与多元宇宙优化算法相耦合，发挥两种算法的各自的优势，从而达到快速提升收敛速度，提升最优解精度；同时在灰狼算法中采用非线性递减因子，能够进一步提升灰狼算法的全局探索能力。
[0115]
以上对本发明的实施方式作出详细说明，但本发明不局限于所描述的实施方式。对本领域的技术人员而言，在不脱离本发明的原理和精神的情况下对这些实施例进行的多种变化、修改、替换和变型均仍落入在本发明的保护范围之内。