基于二阶段蚁群算法提取卷缩轮的方法
【技术领域】
[0001] 本发明属虹膜诊断技术领域，尤其涉及一种基于二阶段蚁群算法提取卷缩轮的方 法。
【背景技术】
[0002] 在虹膜诊断学中，虹膜卷缩轮是重要的诊断标志，它位于肠环的周边，是一个环状 的线，它把虹膜分割成位于中心的瞳孔和外围的睫状体两部分。它由血管和神经构成，表现 人体神经系统中的内脏自主神经系统(交感神经和副交感神经），它能显示很多与肠道和内 脏神经有关的信息。当卷缩轮的边缘出现异常，例如膨胀或收缩，表明人体的肠道的功能出 现异常。所以人体肠道区是否健康可以检测卷缩轮边缘的变化情况就可以知道。因此，准确 地检测出卷缩轮的边缘是进一步病理分析和检测的前提。另外，在基于虹膜的计算机诊断 系统中，卷缩轮的位置是实现虹膜图谱覆盖的依据。所以，能否提取出虹膜卷缩轮的准确位 置也是决定基于虹膜的计算机诊断系统性能优劣的一个重要前提。
[0003] 由于卷缩轮边缘的纹理较复杂，所以采用传统的方法，如边缘检测算子Canny算 子，Prewi tt算子，Roberts算子，以及边缘跟踪等并不能很好地提取卷缩轮的边缘。针对这 种复杂边缘的提取问题，文献[]^.1(&88，厶.？；^1<：；[11，0.16^(^01110118,311&1^8:&(31：；[￥6 contour models,in:Proceedings of the First International Conferenceon Computer Vision，IEEE Computer Society Press，London，1987，pp · 259-268 ·]提出一种 基于改进Snake模型的卷缩轮提取方法，该模型克服了传统Snake模型存在的收敛速度慢以 及迭代效果过分依赖于初始蛇点位置的选择等缺点，该算法对于卷缩轮边缘较清晰的虹膜 图像提取的效果较好，可是当卷缩轮边缘轮廓出现模糊或残缺的时候，提取到的卷缩轮与 真实的边缘就会存在误差。而实际上，虹膜卷缩轮的边缘轮廓往往不是很清晰且不连续的， 所以针对这类卷缩轮，使用该方法提取卷缩轮的效果并不是很理想。
[0004] 蚁群算法是1991年意大利学者Dorigo Μ等人从蚂蚁群体觅食行为的过程中得到 启发，提出的一种模拟蚂蚁行为的模拟进化算法，我们称为基本蚂蚁算法(AS)，蚁群算法的 基本思路是:若干只蚂蚁不断地从源点（蚂蚁窝）出发到目标点（食物所在地点）搬运食物， 蚂蚁在经过的道路上会洒下信息素，这些信息素会随着时间的流逝而不断蒸发，路径上的 信息素浓度会影响后来的蚂蚁路径方向的选择，路径上信息素浓度越大则被蚂蚁选择的可 能性就越大，这样，在单位时间从源点到目标点最短的路径被蚂蚁重复经过的次数就会越 多，路径上信息素浓度相对的就会越大。那么经过一段时间后，信息素最大的路径就是从源 点到目标的的最优路径。目前蚁群算法已经成功应用于解决很多组合优化问题，如车辆调 度问题，旅行商问题，流水作业问题。并且由于该算法具有信息正反馈、分布计算和启发式 搜索等特点，近年来，很多学者把AS算法应用到图像处理中来。文献[V.Ramos，F. Almeida， Artificial Ant Colonies in Digital Image Habitats-A mass Behavior Effect Study on Pattern Recognition , in :Proc. of 2nd Int.ffksp. on Ant Algorithms , Belgium，2000，pp. 113-116.]提出一个处理数字图像栖息地的模型，在该模型中人工蚂蚁 可以对环境进行感知，并且指出人工蚂蚁可以感知和适应任何类型的关于栖息地的数字图 像。Lin Ma等人采用蚁群算法对虹膜图像进行纹理分割和纹理表达。文献[W.B.Tao，H.Jin， L.M.Liu,Object segmentation using ant colony optimization algorithm and fuzzy entropy .Pattern Recognition Letters · 28(2007)788-796 ·]提出一种基于模糊熵的图像 分割方法，该方法利用蚁群算法提取最优参数。文献[Y.F.Han,P.F. Shi，An improved ant colony algorithm for fuzzy clustering in image segmentation.Neurocomputing.70 (2007)665-671.]提出一种改进的蚁群算法用于模糊聚类实现图像分割，通过改善启发函 数和初始化聚类中心来提高图像分割的效率。文献[A.Samit，K.G.Dipak，K.M.Prashant， Edge detection using ACO and F ratio . Signal, Image and Video Processing.8 (2014)625-634]依据蚁群算法和Fisher ratio(F ratio)来实现图像边缘检测，其中利用F rat io来确定最优阈值，通过该阈值来完成二值图像的边缘提取。
【发明内容】
[0005]本发明旨在克服现有技术的不足之处而提供一种基于二阶段蚁群算法提取卷缩 轮的方法。本发明在每次迭代的过程中，通过引入局部方向引导因子和全局方向引导因子， 使得人工蚂蚁能快速向ANW方向靠近;通过使用基于点密度的信息素更新策略，使得ANW边 缘附近的信息素浓度能快速增长，最后依据信息素的浓度值，提取出最终的ANW曲线。
[0006 ]为解决上述技术问题，本发明是这样实现的：
[0007] -种基于二阶段蚁群算法提取卷缩轮的方法，可按如下步骤实施：
[0008] A、第一阶段：
[0009] (1)从虹膜图像中提取出虹膜并规范化成矩形，然后求矩形图像的梯度图像并二 值化;设置蚁群算法参数；
[001 0] (2)在二值化梯度矩形图像范围内放置人工蚂蚁，完成初定位；
[0011] (3)每只人工蚂蚁依次执行步骤(4)~步骤(5);
[0012] (4)蚂蚁选择下一步的位置；
[0013] (5)对人工蚂蚁经过的位置进行信息素更新；
[0014] (6)如果没满足规定的迭代次数则跳到步骤(3)，否则执行步骤(7);
[0015] (7)求出迭代后图像每列中累积信息素最大的像素点的行坐标，计算这些行坐标 均值；
[0016] B、第二阶段：
[0017 ] (1)在二值化梯度图像范围内放置人工蚂蚁；
[0018] (2)每只人工蚂蚁依次执行步骤(3)~步骤(4);
[0019] (3)蚂蚁根据公式(3)选择下一步的位置；
[0020] (4)对人工蚂蚁经过的位置进行信息素更新；
[0021] (5)如果没满足规定的迭代次数则跳到步骤(2)，否则执行步骤(6);
[0022] (6)求出遍历后图像每列中信息素最大的点，把这些点依次从左到右连接起来得 到的曲线就是卷缩轮；
[0023] (7)对图像反规范化，在虹膜图像上就得到一条封闭的卷缩轮曲线。
[0024]作为一种优选方案，本发明所述第一阶段步骤(2)中，在二值化梯度矩形图像第1 列，行[△，150-△]范围内依次放置150-2 △只人工蚂蚁，完成初定位；△为偏移量。
[0025]进一步地，本发明所述第一阶段步骤(4)中，根据下列公式选择下一步的位置：
[0027] 其中，allowedi= {0，1，+11-1}表示蚂蚁i下一步在五邻域内允许选择的位置;其 中Tk表示位置i五邻域中k处的信息素浓度;参数％表示位置i的五邻域方向的局部方向引导 因子。
[0028] 进一步地，本发明所述第一阶段步骤(5)中，根据下列公式对人工蚂蚁经过的位置 进行信息素更新：
[0029]
,其中，P表示蒸发系数，Α τ表示释放的信息素 常量，Θ为调整系数。
[0030] 进一步地，本发明所述第二阶段步骤(3)中，依据下列公式选择下一步的位置：
[0032] 其中，allowedi= {0，1，'"n-l}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂 蚁已经访问过的位置不允许再选择）。其中ik表示位置i五邻域中k处的信息素浓度;参数取 表示位置i的五邻域方向的局部方向引导因子。
[0033] 进一步地，本发明所述第二阶段步骤(4)中，依据下列公式，对人工蚂蚁经过的位 置进行信息素更新：
[0034]
_其中，P表示蒸发系数，Α τ表示释放的信 息素常量，Θ为调整系数。
[0035] 本发明提出一种基于二阶段蚁群算法虹膜卷缩轮提取方法，第一阶段的任务是使 用大量人工蚂蚁进行少数几次迭代确定ANW大致的位置，该位置用来确定下一阶段人工蚂 蚁的初始位置;第二阶段使用少量人工蚂蚁进行多次迭代得出最终的卷缩轮提取结果。在 每次迭代的过程中，通过引入局部方向引导因子和全局方向引导因子，使得人工蚂蚁能快 速向ANW方向靠近;通过使用基于点密度的信息素更新策略，使得ANW边缘附近的信息素浓 度能快速增长，最后依据信息素的浓度值，提取出最终的ANW曲线。
【附图说明】
[0036]下面结合附图和【具体实施方式】对本发明作进一步说明。本发明的保护范围不仅局 限于下列内容的表述。
[0037]图1为本发明虹膜预处理过程示意图；