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
一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 Download PDFInfo
- Publication number
- CN110910325A CN110910325A CN201911153403.9A CN201911153403A CN110910325A CN 110910325 A CN110910325 A CN 110910325A CN 201911153403 A CN201911153403 A CN 201911153403A CN 110910325 A CN110910325 A CN 110910325A
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- butterfly
- value
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 118
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 61
- 230000000739 chaotic effect Effects 0.000 claims description 15
- 241000255777 Lepidoptera Species 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005291 chaos (dynamical) Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
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IF(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IF(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IF(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
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IF(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IF(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IF(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IF(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IF(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IF(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IF(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,xi为第i个图像样本特征,ci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IF(i,j)的类间邻接图Wb和类内邻接图Ww:
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,Nr(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;
初始化核函数的样本系数向量α,ααT=1;
步骤S1024:确定所述核函数的样本系数向量α,包括:
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Nr(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:
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≤...≤τn'为最小n个特征值,αi是特征值τi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αi表示;
步骤S1025:确定所述核函数的基本核的权重向量w,包括;
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:
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IF(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IF(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IF(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Kmax、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:
ci+1=μci(1-ci)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+ci(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,xk是随机选择的不同于蝴蝶xi的蝴蝶,Lb是蝴蝶xi飞行范围的下边界值,Ub是蝴蝶xi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·xi,对于适应度值最大蝴蝶xmax,
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;xi表示混沌值,其计算公式为
xi+1=μxi(1-xi),μ∈[0,4]
其中,xi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:
步骤S1035:判断当前迭代次数k是否等于最大迭代次数Kmax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(Xi)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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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,xi为第i个图像样本特征,ci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IF(i,j)的类间邻接图Wb和类内邻接图Ww:
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,Nr(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;
步骤S1024:确定所述核函数的样本系数向量α,包括:
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Nr(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:
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≤...≤τn'为最小n个特征值,αi是特征值τi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αi表示。
步骤S1025:确定所述核函数的基本核的权重向量w,包括;
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:
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IF(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IF(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IF(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Kmax、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:
ci+1=μci(1-ci)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+ci(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,xk是随机选择的不同于蝴蝶xi的蝴蝶,Lb是蝴蝶xi飞行范围的下边界值,Ub是蝴蝶xi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·xi,对于适应度值最大蝴蝶xmax,
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;xi表示混沌值,其计算公式为
xi+1=μxi(1-xi),μ∈[0,4]
其中,xi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:
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Kmax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(Xi)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Ii(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Ii执行如前所述的步骤S101,对所述每一样本图像Ii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IF(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IF(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Ii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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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IF(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,xi为第i个图像样本特征,ci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IF(i,j)的类间邻接图Wb和类内邻接图Ww:
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,Nr(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;
初始化核函数的样本系数向量α,ααT=1;
步骤S1024:确定所述核函数的样本系数向量α,包括:
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Nr(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:
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≤...≤τn'为最小n个特征值,αi是特征值τi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αi表示;
步骤S1025:确定所述核函数的基本核的权重向量w,包括;
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:
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IF(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IF(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IF(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Kmax、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:
ci+1=μci(1-ci)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+ci(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,xk是随机选择的不同于蝴蝶xi的蝴蝶,Lb是蝴蝶xi飞行范围的下边界值,Ub是蝴蝶xi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·xi,对于适应度值最大蝴蝶xmax,
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;xi表示混沌值,其计算公式为
xi+1=μxi(1-xi),μ∈[0,4]
其中,xi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:
步骤S1035:判断当前迭代次数k是否等于最大迭代次数Kmax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(Xi)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IF(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IF(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IF(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153403.9A CN110910325B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153403.9A CN110910325B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910325A true CN110910325A (zh) | 2020-03-24 |
CN110910325B CN110910325B (zh) | 2020-12-22 |
Family
ID=69818874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153403.9A Active CN110910325B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910325B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862750A (zh) * | 2020-12-29 | 2021-05-28 | 深圳信息职业技术学院 | 基于多尺度融合和元启发优化的血管影像处理方法及装置 |
CN112863672A (zh) * | 2021-03-09 | 2021-05-28 | 中电健康云科技有限公司 | 一种基于pso算法优化的患者身份匹配方法 |
CN113778936A (zh) * | 2021-08-17 | 2021-12-10 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 国产嵌入式dsp操作***的性能优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
US20160021369A1 (en) * | 2014-07-15 | 2016-01-21 | Shreyas HAMPALI | Video coding including a stage-interdependent multi-stage butterfly integer transform |
CN105913075A (zh) * | 2016-04-05 | 2016-08-31 | 浙江工业大学 | 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法 |
CN108549912A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于机器学习的医学图像肺结节检测方法 |
-
2019
- 2019-11-22 CN CN201911153403.9A patent/CN110910325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
US20160021369A1 (en) * | 2014-07-15 | 2016-01-21 | Shreyas HAMPALI | Video coding including a stage-interdependent multi-stage butterfly integer transform |
CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
CN105913075A (zh) * | 2016-04-05 | 2016-08-31 | 浙江工业大学 | 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法 |
CN108549912A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于机器学习的医学图像肺结节检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862750A (zh) * | 2020-12-29 | 2021-05-28 | 深圳信息职业技术学院 | 基于多尺度融合和元启发优化的血管影像处理方法及装置 |
CN112863672A (zh) * | 2021-03-09 | 2021-05-28 | 中电健康云科技有限公司 | 一种基于pso算法优化的患者身份匹配方法 |
CN113778936A (zh) * | 2021-08-17 | 2021-12-10 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 国产嵌入式dsp操作***的性能优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910325B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paulin et al. | Transformation pursuit for image classification | |
JP6483667B2 (ja) | ベイズの最適化を実施するためのシステムおよび方法 | |
Feng et al. | A cluster sampling method for image matting via sparse coding | |
CN110910325B (zh) | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 | |
Bharadiya | A tutorial on principal component analysis for dimensionality reduction in machine learning | |
CN110659665B (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
JP4545641B2 (ja) | 類似画像検索方法,類似画像検索システム,類似画像検索プログラム及び記録媒体 | |
US9563822B2 (en) | Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system | |
Hofmanninger et al. | Mapping visual features to semantic profiles for retrieval in medical imaging | |
CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
CN109034218B (zh) | 模型训练方法、装置、设备及存储介质 | |
Cholewa et al. | Estimation of the number of states for gesture recognition with Hidden Markov Models based on the number of critical points in time sequence | |
CN111161314A (zh) | 目标对象的位置区域确定方法、装置、电子设备及存储介质 | |
CN107480627B (zh) | 行为识别方法、装置、存储介质和处理器 | |
CN114743009B (zh) | 一种高光谱影像波段选择方法、***及电子设备 | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN111694954A (zh) | 图像分类方法、装置和电子设备 | |
JP2014228995A (ja) | 画像特徴学習装置、画像特徴学習方法及びプログラム | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
CN113762005B (zh) | 特征选择模型的训练、对象分类方法、装置、设备及介质 | |
CN114692809A (zh) | 基于神经集群的数据处理方法及装置、存储介质、处理器 | |
Dong et al. | Scene-oriented hierarchical classification of blurry and noisy images | |
Zaorálek et al. | Cattle identification using muzzle images | |
CN113177608B (zh) | 一种针对不完整数据的近邻模型特征选择方法及装置 | |
Scrucca et al. | Projection pursuit based on Gaussian mixtures and evolutionary algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |