一种基于改进的多元宇宙优化的多阈值医疗图像分割方法与流程

表示第i个宇宙的第j维的位置信息，d表示问题的维度数；
12.s23：根据灰度值边界获取初始化蝙蝠种群其中xb是 蝙蝠种群集合，xbi(i＝1，2，...，nb)表示第i个蝙蝠的个体， 表示第i个蝙蝠个体的位置信息， 表示第i个蝙蝠个体的第j维的位置信息，d表示问题的维度数；
13.s24：对每个宇宙和每个蝙蝠的位置计算其相应的自适应函数，得到适应度值，并筛 选出最优的适应度值f1，最佳适应度值所映射的位置xa为最优解；
14.s25：更新参数因子以及各宇宙和蝙蝠的位置；
15.s26：判断更新后的宇宙集合与蝙蝠种群的位置是否超出灰度值边界，如果个体位置 小于最小边界，则赋值最小边界值；如果个体位置大于最大边界，则赋值最大边界值；
16.s27：对每个宇宙和每个蝙蝠的位置计算其相应的自适应函数，筛选出本次迭代时的 最优适应度值f2，如果f2＞f1，则适应度值f2和所映射的位置xb，代替掉迄今为止 最优的适应度值及所映射的位置最优解，即f1＝f2和xa＝xb，反之，保留f1和xa。
17.s28：判断是否达到了最大迭代次数t
max
，如果没有达到，则返回步骤s25；如果达到， 则当前最优解xa则为最佳阈值；
18.s3：根据所获得的最佳阈值对医疗图像进行分割，从而得到分割图像。
19.作为本发明的一种优选改进，步骤s1包括如下步骤：
20.s11：对医疗图像中所有像素点的灰度值进行统计，并找出最大灰度值与最小灰度值。
21.作为本发明的一种优选改进，步骤s24包括如下步骤：
22.s241：适应度函数采用tsallis相对熵，设定图像为i(x，y)，m*n尺寸大小，其中 x∈[1，m]，y∈[1，n]，最大灰度级为i
max
，一共有d个阈值(维度数)，将图像分成d+1个 区域，a1，a2，...，a
d+1
；
[0023]
tsallis相对熵如下表示：
[0024][0025]
其中ri为分割后图像的灰度级拟合的高斯分布；hi是在整个图像中灰度级i出现的概 率，目标是找到n个阈值使得上式相对熵最小，则该组解集为最优阈值；q为tsallis 相对熵的非广延指数。
[0026]
作为本发明的一种优选改进，步骤s25包括如下步骤：
[0027]
s251：基于最优的适应度值f1所映射的位置信息xa，更新宇宙个体位置信息；
[0028]
基于膨胀率，即适应度值，排序一次宇宙集合，即 其中，ni(xui)表示第i个宇宙的归一 化膨胀率；
[0029]
由于每个宇宙个体的膨胀率不同，宇宙个体中的物体会通过白洞/黑洞轨道进行转移， 这个过程遵循轮盘赌机制，如下所示：
[0030][0031]
其中，r1为[0，1]的随机数，表示经过轮盘赌机制选择出的第k个宇宙的第j维 位置信息；
[0032]
在不考虑膨胀率情况下，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 体向当前最优宇宙移动，如下所示：
[0033][0034][0035]
这里wep
min
＝0.2，wep
max
＝1；
[0036][0037]
其中，xj表示当前最优宇宙的第j个物体，l
bj
、u
bj
分别表示的下限和上限， r5、r6表示宇宙个体产生的随机数，t是当前迭代次数，t
max
是最大迭代次数，p表示 开采度，取值为6；
[0038]
基于最优的适应度值f1所映射的位置信息xa，更新蝙蝠个体位置信息；
[0039]
设定蝙蝠各参数，飞速速度v，变化的波长λ，频率变化范围为f
min
到f
max
，声音的 响度可以根据需要在a0和a
min
之间变化，如下所示：
[0040][0041]
其中，fi表示第i只蝙蝠的脉冲频率信息，r2∈[0，1]是均匀分布的随机数，和分别表示第t次迭代过程中第i个蝙蝠所在的位置和速度；
[0042]
产生一个随机数r3，当则在当前最优解附近进行邻域位置的搜索，如下 所示：
[0043]
x
new
＝x
old
+εa
t
[0044]
其中，表示第t次迭代第i个蝙蝠的脉冲发射率，x
new
表示随机扰动得到的新解，x
old
即xa，a
t
表示第t次迭代中所有蝙蝠群体音量的平均值，ε表示[-1，1]均匀分布的随机数；
[0045]
产生一个随机数r4，如果同时x
new
的适应度值优于x
old
的适应度 值，则接受x
new
同时更新和如下所示：
[0046][0047]
其中α和γ为常量，0＜α＜1，γ＞0；
[0048]
随后在宇宙集合和蝙蝠种群中采用轮盘赌机制各筛选出同样个数的宇宙个体和蝙蝠 个体，将筛选出的宇宙个体与筛选出的蝙蝠个体进行相互替换。
[0049]
本发明的有益效果如下：
[0050]
1、本发明采用多元宇宙优化算法与蝙蝠算法相结合，提升了算法的寻找最佳阈值的 能力，提高了算法的稳定性；
[0051]
2、采用tsallis相对熵法作为适应度函数能够更好的适应于医疗图像分割，起着重 要的作用；
[0052]
3、蝙蝠算法参数少、易于实现、稳定性好，收敛速度快，与多元宇宙优化算法结合， 可以有效的加快收敛速度，提升最优解精度，同时也能提升局部的探索能力。
具体实施方式
[0053]
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施 例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于 本发明保护的范围。
[0054]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅 用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发 生改变时，则该方向性指示也相应地随之改变。
[0055]
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解 为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、
ꢀ“
第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个
”ꢀ
的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0056]
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解， 例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也 可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的 连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言， 可以根据具体情况理解上述术语在本发明中的具体含义。
[0057]
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技 术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术 方案的结合不存在，也不在本发明要求的保护范围之内。
[0058]
本发明提供一种基于改进的多元宇宙优化算法的医疗图像分割方法，该方法包括如下 步骤：
[0059]
s1：对待分割的医疗图像中所有像素点进行灰度值统计，确定该医疗图像的灰度值边 界；
[0060]
具体的，包括如下步骤：
[0078]
由于每个宇宙个体的膨胀率不同，宇宙个体中的物体会通过白洞/黑洞轨道进行转移， 这个过程遵循轮盘赌机制，如等下所示：
[0079][0080]
这里ni(xui)表示第i个宇宙的归一化膨胀率(即长度为1)，r1为[0，1]的随机 数，表示经过轮盘赌机制选择出的第k个宇宙的第j维位置信息；
[0081]
在不考虑膨胀率情况下，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 体向当前最优宇宙移动，如下所示：
[0082][0083][0084]
这里wep
min
＝0.2，wep
max
＝1；
[0085][0086]
其中，xj表示当前最优宇宙的第j个物体，l
bj
、u
bj
分别表示的下限和上限， r5、r6表示宇宙个体产生的随机数，t是当前迭代次数，t
max
是最大迭代次数，p表示 开采度，取值为6；
[0087]
基于最优的适应度值f1所映射的位置信息xa，更新蝙蝠个体位置信息；
[0088]
设定蝙蝠各参数，飞速速度v，变化的波长λ，频率变化范围为f
min
到f
max
，声音的 响度可以根据需要在a0和a
min
之间变化，如下表示：
[0089][0090]
其中，fi表示第i只蝙蝠的脉冲频率信息，r2∈[0，1]是均匀分布的随机数，和分别表示第t次迭代过程中第i个蝙蝠所在的位置和速度；
[0091]
产生一个随机数r3，当则在当前最优解附近进行邻域位置的搜索，如下 所示：
[0092]
x
new
＝x
old
+εa
t
[0093]
其中，表示第t次迭代第i个蝙蝠的脉冲发射率，x
new
表示随机扰动得到的新解，x
old
即xa，a
t
表示第t次迭代中所有蝙蝠群体音量的平均值，ε表示[-1，1]均匀分布的随机数；
[0094]
产生一个随机数r4，如果同时x
new
的适应度值优于x
old
的适应度 值，则接受x
new
同时更新和如下所示：
[0095][0096]
其中α和γ为常量，0＜α＜1，γ＞0；
[0097]
随后在宇宙集合和蝙蝠种群中采用轮盘赌机制各筛选出同样个数的宇宙个体和蝙蝠 个体，(这里个数为5)，将筛选出的宇宙个体与筛选出的蝙蝠个体进行相互替换。
[0098]
s26：判断更新后的宇宙集合与蝙蝠种群的位置是否超出灰度值边界，如果个体位置 小于最小边界，则赋值最小边界值；如果个体位置大于最大边界，则赋值最大边界值；
[0099]
s27：对每个宇宙和每个蝙蝠的位置计算其相应的自适应函数，筛选出本次迭代时的 最优适应度值f2，如果f2＞f1，则适应度值f2和所映射的位置xb，代替掉迄今为止 最优的适应度值及所映射的位置最优解，即f1＝f2和xa＝xb，反之，保留f1和xa。
[0100]
s28：判断是否达到了最大迭代次数t
max
，如果没有达到，则返回步骤s25；如果达到， 则当前最优解xa则为最佳阈值；
[0101]
s3：根据所获得的最佳阈值对医疗图像进行分割，从而得到分割图像。
[0102]
需要说明的是，通过上述方法得到了多个阈值，基于不同段的阈值分割出不同区域段 的图像信息。
[0103]
本发明的有益效果如下：
[0104]
1、本发明采用多元宇宙优化算法与蝙蝠算法相结合，提升了算法的寻找最佳阈值的 能力，提高了算法的稳定性；
[0105]
2、采用tsallis相对熵法作为适应度函数能够更好的适应于医疗图像分割，起着重 要的作用；
[0106]
3、蝙蝠算法参数少、易于实现、稳定性好，收敛速度快，与多元宇宙优化算法结合， 可以有效的加快收敛速度，提升最优解精度，同时也能提升局部的探索能力。
[0107]
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用， 它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现 另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特 定的细节。