CN110910325A - 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 - Google Patents

Abstract

本发明提供一种基于人工蝴蝶优化算法的医疗影像处理方法及装置，所述方法包括：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；基于多核局部判别分析MKLFDA方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。根据本发明的方案，能够提高超声图像识别的准确性，提高超声图像分类、图像识别的效率。

Description

一种基于人工蝴蝶优化算法的医疗影像处理方法及装置

技术领域

本发明涉及医学影像技术领域，尤其涉及一种基于人工蝴蝶优化算法的医疗影像处理方法及装置。

背景技术

近年来，医学影像技术得到快速发展，超声影像是医学影像学的一个重要分支，在定量分析、实时诊断和手术规划等方面都具有重要作用，可以为医务工作者的分析、诊断提供依据。

但超声图像的散斑噪声发生率比CT、MRI高，会影响超声图像的识别的准确性。并且为了准确识别超声图像中的感兴趣区域，提高识别准确率，需要对超声图像中的对象进行多次读取。进而，为了对超声图像中感兴趣的区域进行识别，需要从超声图像中提取大量特征，虽然提取大量特征可以提高超声图像识别的准确性，但还是会提取到不相关的、冗余的特征，影响了超声图像分类、图像识别的效率。

发明内容

为解决上述技术问题，本发明提出了一种基于人工蝴蝶优化算法的医疗影像处理方法及装置，用以解决现有技术中超声图像噪声高，多次读取超声图像中的对象，识别图像时提取了大量不相关的、冗余的特征，影响了超声图像分类、图像识别的效率的技术问题。

根据本发明的第一方面，提供一种基于人工蝴蝶优化算法的医疗影像处理方法，包括：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于多核局部判别分析MKLFDA(Multiple kernel local Fisherdiscriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

进一步地，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点；再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；

再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

进一步地，所述步骤S102：基于多核局部判别分析MKLFDA(Multiple kernellocal Fisher discriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：

步骤S1021：对所述无噪声图像I^F(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：

其中，x_i为第i个图像样本特征，c_i为图像所属第i个类别，_c为分类类别数量，R为实数集合；

步骤S1022：构建所述无噪声图像I^F(i,j)的类间邻接图W^b和类内邻接图W^w：

其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：

其中，N_r(x)表示x的最近邻；

步骤S1023：构建核函数，初始化所述核函数的系数；

构建核函数

即

其中，

为第p个图像中数据间的距离度量函数，x_i,p为每个图像x_i对应的描述特征，x_j,p为每个图像x_j对应的描述特征，σ_p为一正数常量值；

初始化核函数的样本系数向量α，αα^T＝1；

步骤S1024：确定所述核函数的样本系数向量α，包括：

计算

和

其中，

W^(w)为类间的局部加权矩阵，W^(b)为类内的局部加权矩阵，K⁽ⁱ⁾为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：

其中N_r(x)为x的r个最近邻居，t为设置的常量值；

求解广义特征值得出适合所述无噪声图像的样本系数向量α：

设置目标函数：最大化

通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：

其中，τ₁≤τ₂≤...≤τ_n'为最小n个特征值，α_i是特征值τ_i对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用α_i表示；

步骤S1025：确定所述核函数的基本核的权重向量w，包括；

计算

和

求解非凸二次约束二次规划问题得到基本核的权重向量w：

目标函数为：

即求解满足

andω≥0的最小w；

步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像I^F(i,j)；

步骤S1027：将所述二维矩阵降维为一维向量形式。

进一步地，所述步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征，包括：

步骤S1031：获取所述无噪声图像I^F(i,j)的一维向量形式，构建解向量、适应度函数，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，解向量为一初始化表达式，随机初始化群集中的各个蝴蝶的位置解向量；

所述初始化表达式为：

X＝rand*(ub-lb)+lb

其中ub和lb分别为搜索空间的上下边界，rand为(0,1)之间的随机数；

设计混沌序列用于提高蝴蝶初始化随机搜索的能力，混沌序列表达式为：

c_i+1＝μc_i(1-c_i)i∈{1,2,...,N}

其中μ为混沌因子，c₁为(0,1)之间的随机数，且c₁≠{0.25，0.5，0.75，1}；

将利用混沌序列映射到初始化公式生成的混沌序列，从而产生相应的新的种群X’：

X'＝lb+c_i(ub-lb)；

适应度函数表达式如下：

其中ACC为分类精度，N表示特征总数，Nsubset表示选出的特征子集，r和s分别表示权重系数，r+s＝1；

步骤S1032：计算新种群中全部蝴蝶的适应度，对于适应度值高于预设阈值的蝴蝶，将该蝴蝶的适应度更新为该适应度值，并按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，step是飞行距离，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶，Lb是蝴蝶x_i飞行范围的下边界值，Ub是蝴蝶x_i飞行范围的上边界值；

飞行距离step是一个随迭代次数增加而线性减小的量；

设置扰动算子ω·x_i，对于适应度值最大蝴蝶x_max，

其中，ω是一个自适应得到的、随迭代次数增加而线性减小的量；x_i表示混沌值，其计算公式为

x_i+1＝μx_i(1-x_i)，μ∈[0,4]

其中，x_i为随机生成的第i个位置；

步骤S1033：设置第一迭代次数阈值ξ，若迭代次数k-ξ与当前迭代次数k之间，最大适应度值均未发生变化，则进入步骤S1034；否则，进入步骤S1035；

步骤S1034：更新适应度值最大的蝴蝶的位置；

即按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，_a在迭代过程中从2线性减少到0，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶；

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取群集中适应度值最大的蝴蝶对应的位置向量为解向量，处理解向量，将所述适应度值最大的蝴蝶对应的位置向量通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值，特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征。

根据本发明第二方面，提供一种基于人工蝴蝶优化算法的医疗影像处理装置，包括：

去噪声模块：用于获取输入的医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

图像特征表达模块：用于基于多核局部判别分析MKLFDA(Multiple kernel localFisher discriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

特征选择模块：用于利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

图像识别模块：用于将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

根据本发明第三方面，提供一种基于人工蝴蝶优化算法的医疗影像处理***，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于人工蝴蝶优化算法的医疗影像处理方法。

根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于人工蝴蝶优化算法的医疗影像处理方法。

根据本发明的上述方案，能够快速识别超声图像中的感兴趣区域，并从提取的超声图像特征中再次提取重要特征，以提高超声图像识别的准确性，提高超声图像分类、图像识别的效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：

图1为本发明一个实施方式的基于人工蝴蝶优化算法的医疗影像处理方法流程图；

图2为本发明一个实施方式的基于人工蝴蝶优化算法的医疗影像处理装置的组成框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、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他实施例，都属于本发明保护的范围。

以下结合图1说明本发明的基于人工蝴蝶优化算法的医疗影像处理方法。图1示出了根据本发明的基于人工蝴蝶优化算法的医疗影像处理方法流程图。如图1所示，所述方法包括以下步骤：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于多核局部判别分析MKLFDA(Multiple kernel local Fisherdiscriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

中值滤波是一种非直线技术，用于去除医疗影像中的噪声。构建中间滤波器用于计算中值，用于在不降低医疗影像的图像锐度的情况下消除原始图像中的散斑噪声。

本实施例中，首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点。再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值。

再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

所述步骤S102：基于多核局部判别分析MKLFDA(Multiple kernel local Fisherdiscriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：

步骤S1021：对所述无噪声图像I^F(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：

其中，x_i为第i个图像样本特征，c_i为图像所属第i个类别，c为分类类别数量，R为实数集合；

步骤S1022：构建所述无噪声图像I^F(i,j)的类间邻接图W^b和类内邻接图W^w：

其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：

其中，N_r(x)表示x的最近邻；

步骤S1023：构建核函数，初始化所述核函数的系数；

构建核函数

即

其中，

为第p个图像中数据间的距离度量函数，x_i,p为每个图像x_i对应的描述特征，x_j,p为每个图像x_j对应的描述特征，σ_p为一正数常量值；初始化核函数的样本系数向量α，αα^T＝1。

步骤S1024：确定所述核函数的样本系数向量α，包括：

计算

和

其中，

W^(w)为类间的局部加权矩阵，W^(b)为类内的局部加权矩阵，K⁽ⁱ⁾为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：

其中N_r(x)为x的r个最近邻居，t为设置的常量值；

求解广义特征值得出适合所述无噪声图像的样本系数向量α：

设置目标函数：最大化

通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：

其中，τ₁≤τ₂≤...≤τ_n'为最小n个特征值，α_i是特征值τ_i对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用α_i表示。

步骤S1025：确定所述核函数的基本核的权重向量w，包括；

计算

和

求解非凸二次约束二次规划问题得到基本核的权重向量w：

目标函数为：

即求解满足

andω≥0的最小w；

步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像I^F(i,j)；

步骤S1027：将所述二维矩阵降维为一维向量形式。

步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征。

特征选择是一个NP-hard问题，只能通过穷尽搜索的办法找出最优的特征子集集合，人工蝴蝶优化算法具有能够自适应迭代不断寻找最优解的特点，但人工蝴蝶算法在收敛速度方面具有一些不足，因此，引入混沌理论，即使用引入混沌理论的人工蝴蝶算法用以从无噪声图像中提取重要特征。能够尽可能的选取到影响图像的重要特征，并且提高寻优能力、以及提高收敛速度。

所述步骤S103，包括：

步骤S1031：获取所述无噪声图像I^F(i,j)的一维向量形式，构建解向量、适应度函数，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，解向量为一初始化表达式，随机初始化群集中的各个蝴蝶的位置解向量；

所述初始化表达式为：

X＝rand*(ub-lb)+lb

其中ub和lb分别为搜索空间的上下边界，rand为(0,1)之间的随机数；

设计混沌序列用于提高蝴蝶初始化随机搜索的能力，混沌序列表达式为：

c_i+1＝μc_i(1-c_i)i∈{1,2,...,N}

其中μ为混沌因子，c₁为(0,1)之间的随机数，且c₁≠{0.25，0.5，0.75，1}；

将利用混沌序列映射到初始化公式生成的混沌序列，从而产生相应的新的种群X’：

X'＝lb+c_i(ub-lb)；

适应度函数表达式如下：

其中ACC为分类精度，N表示特征总数，Nsubset表示选出的特征子集，r和s分别表示权重系数，r+s＝1；

步骤S1032：计算新种群中全部蝴蝶的适应度，对于适应度值高于预设阈值的蝴蝶，将该蝴蝶的适应度更新为该适应度值，并按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，step是飞行距离，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶，Lb是蝴蝶x_i飞行范围的下边界值，Ub是蝴蝶x_i飞行范围的上边界值；

飞行距离step是一个随迭代次数增加而线性减小的量；

设置扰动算子ω·x_i，对于适应度值最大蝴蝶x_max，

其中，ω是一个自适应得到的、随迭代次数增加而线性减小的量；x_i表示混沌值，其计算公式为

x_i+1＝μx_i(1-x_i)，μ∈[0,4]

其中，x_i为随机生成的第i个位置。

本实施例中，实现了蝴蝶的全局搜索。在迭代的早期阶段，较大的step值可以提供更好的全局搜索能力和提供在搜索空间的多样性搜索；在迭代的后期，较小的step值可以避免较大的跳跃，有利于算法的收敛性。

步骤S1033：设置第一迭代次数阈值ξ，若迭代次数k-ξ与当前迭代次数k之间，最大适应度值均未发生变化，则进入步骤S1034；否则，进入步骤S1035；

步骤S1034：更新适应度值最大的蝴蝶的位置；

即按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，a在迭代过程中从2线性减少到0，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶；

该步骤的目的是为了防止人工蝴蝶算法陷入局部最优，进而增加能够跳出局部最优的变异机制，以找到全局最优。

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取群集中适应度值最大的蝴蝶对应的位置向量为解向量，处理解向量，将所述适应度值最大的蝴蝶对应的位置向量通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值，特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征。

所述步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果，包括：

所述训练好的相关向量机的参数是通过医疗影像的样本数据进行训练得到的。获取样本数据的一维向量形式，并使用人工蝴蝶优化算法从中选取重要特征，进而输入相关向量机，对相关向量机进行训练，对相关向量机进行训练，得到训练好的相关向量机。所述相关向量机的构造方式为本领域通用的相关向量机构造方式。

将步骤S103选取的特征输入训练好的相关向量机，得到医疗影像的分类、识别结果。

具体地，所述获取样本数据的一维向量形式，并使用人工蝴蝶优化算法从中选取特征，进而输入相关向量机，对相关向量机进行训练，包括：样本图像集包括样本图像I_i(1<i≤n)，n为所述样本图像集中的样本图像数。分别对样本图像集中的每一样本图像I_i执行如前所述的步骤S101，对所述每一样本图像I_i进行降噪；再执行如前所述的步骤S102：基于多核局部判别分析MKLFDA方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；以及再执行如前所述的步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；进而，将获取的每一样本图像I_i的重要特征输入相关向量机，以对该相关向量机的参数进行训练，在误差小于设定阈值或迭代次数达到预设阈值时，相关向量机训练完毕，得到训练好的相关向量机。

请参考图2，其为本发明提出的基于人工蝴蝶优化算法的医疗影像处理装置组成框图。如图所示，该装置包括：

去噪声模块：用于获取输入的医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

图像特征表达模块：用于基于多核局部判别分析MKLFDA(Multiple kernel localFisher discriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

特征选择模块：用于利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

图像识别模块：用于将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

本发明实施例进一步给出一种基于人工蝴蝶优化算法的医疗影像处理***，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如上所述的基于人工蝴蝶优化算法的医疗影像处理方法。

本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如上所述的基于人工蝴蝶优化算法的医疗影像处理方法。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装Windows或者Windows Server操作***)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述方法包括：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于多核局部判别分析MKLFDA(Multiple kernel local Fisherdiscriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

2.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点；再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；

再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

3.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S102：基于多核局部判别分析MKLFDA方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：

步骤S1021：对所述无噪声图像I^F(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：

其中，x_i为第i个图像样本特征，c_i为图像所属第i个类别，c为分类类别数量，R为实数集合；

步骤S1022：构建所述无噪声图像I^F(i,j)的类间邻接图W^b和类内邻接图W^w：

其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：

其中，N_r(x)表示x的最近邻；

步骤S1023：构建核函数，初始化所述核函数的系数；

构建核函数

即

其中，

为第p个图像中数据间的距离度量函数，x_i,p为每个图像x_i对应的描述特征，x_j,p为每个图像x_j对应的描述特征，σ_p为一正数常量值；

初始化核函数的样本系数向量α，αα^T＝1；

步骤S1024：确定所述核函数的样本系数向量α，包括：

计算

和

其中，

W^(w)为类间的局部加权矩阵，W^(b)为类内的局部加权矩阵，K⁽ⁱ⁾为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：

其中N_r(x)为x的r个最近邻居，t为设置的常量值；

求解广义特征值得出适合所述无噪声图像的样本系数向量α：

设置目标函数：最大化

通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：

其中，τ₁≤τ₂≤...≤τ_n'为最小n个特征值，α_i是特征值τ_i对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用α_i表示；

步骤S1025：确定所述核函数的基本核的权重向量w，包括；

计算

和

求解非凸二次约束二次规划问题得到基本核的权重向量w：

目标函数为：

即求解满足

的最小w；

步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像I^F(i,j)；

步骤S1027：将所述二维矩阵降维为一维向量形式。

4.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S103：利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征，包括：

步骤S1031：获取所述无噪声图像I^F(i,j)的一维向量形式，构建解向量、适应度函数，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，解向量为一初始化表达式，随机初始化群集中的各个蝴蝶的位置解向量；

所述初始化表达式为：

X＝rand*(ub-lb)+lb

其中ub和lb分别为搜索空间的上下边界，rand为(0,1)之间的随机数；

设计混沌序列用于提高蝴蝶初始化随机搜索的能力，混沌序列表达式为：

c_i+1＝μc_i(1-c_i)i∈{1,2,...,N}

其中μ为混沌因子，c₁为(0,1)之间的随机数，且c₁≠{0.25，0.5，0.75，1}；

将利用混沌序列映射到初始化公式生成的混沌序列，从而产生相应的新的种群X’：

X'＝lb+c_i(ub-lb)；

适应度函数表达式如下：

其中ACC为分类精度，N表示特征总数，Nsubset表示选出的特征子集，r和s分别表示权重系数，r+s＝1；

步骤S1032：计算新种群中全部蝴蝶的适应度，对于适应度值高于预设阈值的蝴蝶，将该蝴蝶的适应度更新为该适应度值，并按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，step是飞行距离，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶，Lb是蝴蝶x_i飞行范围的下边界值，Ub是蝴蝶x_i飞行范围的上边界值；

飞行距离step是一个随迭代次数增加而线性减小的量；

设置扰动算子ω·x_i，对于适应度值最大蝴蝶x_max，

其中，ω是一个自适应得到的、随迭代次数增加而线性减小的量；x_i表示混沌值，其计算公式为

x_i+1＝μx_i(1-x_i)，μ∈[0,4]

其中，x_i为随机生成的第i个位置；

步骤S1033：设置第一迭代次数阈值ξ，若迭代次数k-ξ与当前迭代次数k之间，最大适应度值均未发生变化，则进入步骤S1034；否则，进入步骤S1035；

步骤S1034：更新适应度值最大的蝴蝶的位置；

即按如下公式更新所述蝴蝶的位置：

其中

是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，a在迭代过程中从2线性减少到0，rand()是在(0,1)之间生成的随机数，x_k是随机选择的不同于蝴蝶x_i的蝴蝶；

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取群集中适应度值最大的蝴蝶对应的位置向量为解向量，处理解向量，将所述适应度值最大的蝴蝶对应的位置向量通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值，特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征。

5.一种基于人工蝴蝶优化算法的医疗影像处理装置，其特征在于，所述装置包括：

去噪声模块：用于获取输入的医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

图像特征表达模块：用于基于多核局部判别分析MKLFDA(Multiple kernel localFisher discriminant analysis)方法构建核函数，从所述无噪声图像I^F(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

特征选择模块：用于利用人工蝴蝶优化算法从所述无噪声图像I^F(i,j)的一维向量形式中提取重要特征；

图像识别模块：用于将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

6.一种基于人工蝴蝶优化算法的医疗影像处理***，其特征在于，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。

7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。

Images