2. 西安医学院 卫生管理学院, 陕西 西安 710021
2. School of Health Services Management, Xi'an Medical University, Xi'an 710021, Shaanxi, P. R. China
图像分割就是根据图像性质(如灰度、颜色、纹理、几何特征等)把图像分成若干个特定的、具有独特性质的区域的技术和过程。图像分割是对图像进行进一步处理的关键,是计算机视觉研究中的一个经典难题,已经成为图像理解领域关注的一个热点。尤其在医学影像图像处理过程中,图像分割的精确度直接影响到下一步病灶的识别甚至疾病的判别与诊断[1]。
目前的图像分割方法主要有基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法以及基于特定理论的分割方法等,其中基于阈值的分割方法计算简单、运算效率较高、速度快,受到广大学者的青睐。
阈值分割方法最关键的就在于阈值的选择,本文将人工蜂群算法应用于二维OSTU阈值筛选优化上,选取能最优分割图像的阈值,提高了分割的准确度。同时,由于二维OSTU算法比传统的OSTU阈值分割算法具有更好的鲁棒性,更加适用于医学影像MR图像的分割。
1 ABC优化的MR图像分割算法 1.1 二维OSTU算法OSTU算法是一种自适应的阈值确定的方法,通过统计整个图像的直方图特性来实现全局阈值的自动选取。由于该方法具有计算简单、在一定条件下不受图像亮度及对比度影响等优点,被广泛应用在图像处理中[2]。但由于OSTU算法只考虑到了当前像素的灰度值,当图像受到噪声干扰等影响时,其灰度直方图易产生波峰波谷不明显的问题,从而导致阈值计算有误,使得分割精度较低。
已有报道在OSTU算法的基础上提出二维OSTU算法,描述如下[3,4]:
设I(x,y)为灰度为L级的图像,f(x,y)为(x,y)点的灰度值;g(x,y)为以像素点(x, y)为中心的K×K的像素点集合的灰度均值。令f(x,y)=i,i=1, 2, …, L;g(x,y)=j,则形成二元组(i,j)。
设二元组(i,j)出现次数为fij,二元组对应的概率密度为Pij,则Pij=fij/N;其中N为图像的总像素数。阈值向量(s,t)将图像的二维直方图划分为4个区域,如图 1所示。其中A、B分别为目标和背景区域;C、D为噪声以及边缘点。
设目标和背景对应的概率分别为Po和Pb,则当阈值为(s, t)时,Po和Pb由式(1)、(2)计算可得。
(1) |
(2) |
设Co和Cb分别为目标和背景区域的均值矢量,如式(3)和式(4):
(3) |
(4) |
图像总的灰度均值CT如式(5)所示:
(5) |
定义离散度矩阵如式(6)所示:
(6) |
则离散度矩阵的迹定义如式(7)所示:
(7) |
则取迹最大的(s,t)为最佳分割阈值。
1.2 人工蜂群算法人工蜂群算法(artificial bee colony,ABC算法)是Karaboga[5]于2005年提出的一种模拟蜜蜂群智能搜索行为的优化算法模型。在该算法模型中,蜜蜂被分为三类:引领蜂、跟随蜂和侦察蜂。其中,引领蜂和跟随蜂用于蜜源的开采,侦察蜂用于避免蜜源种类过少以及观察算法是否陷入局部最优[6]。
人工蜂群算法的算法流程如下:
1) 初始化设置
在解空间中,按照式(8)随机产生蜜源的初始位置(即随机产生一个可能解)。
(8) |
其中,i=1, 2, …, NP;j=1, 2, …, D;NP为蜜源(解)的数量;D为解空间的维数。xjmin、xjmax分别表示第j维的最大值及最小值。rand(0,1)表示0到1之间的随机数。
2) 新蜜源的更新
引领蜂在蜜源i的附近按照式(9)进行搜索新蜜源:
(9) |
其中,k=1, 2, …, NP。k≠i,为NP个蜜源中随机选取的一个不同于i的蜜源。rand(0,1)表示0到1之间的随机数。
3) 跟随蜂选择引领蜂进行跟随
引领蜂完成搜索后,将蜜源信息分享给跟随蜂,跟随蜂根据选择概率Pi选择引领蜂进行跟随,选择概率如式(10)所示。
(10) |
其中,fitnessi为第i维解的适应度函数,适应度函数如式(11)所示:
(11) |
其中,f(xi)为蜜源i对应的待优化问题的目标函数f的函数值。
跟随蜂根据选择概率,采用轮盘赌策略选择引领蜂跟随,并更新对应的新蜜源。若新蜜源(解)的适应度fitness比之前的好,则保存新蜜源(解)。
4) 产生侦察蜂
在搜索过程中,如果蜜源i到达预定(limit)次迭代都没有找到更好的蜜源,则将蜜源i舍弃,并且与其对应的引领蜂转化为侦察蜂。侦察蜂在解空间随机产生一个新的蜜源来代替原蜜源i。
人工蜂群算法具有操作简单、控制参数少、搜索精度高和鲁棒性强的特点,与经典的优化方法相比,它对目标函数和约束几乎没有要求,在搜索过程中基本不利用外部信息,仅以适应度函数作为进化的依据,能够有效解决多种优化问题[7-9]。
1.3 ABC优化的MR图像算法由于医学MR图像具有多样性和复杂性,以及目前核磁共振设备成像技术易带来MR图像噪声,使得传统的图像分割方法很难在医学MR图像分割上取得良好的效果。本文采用人工蜂群算法对二维OSTU算法进行优化,以加快二维OSTU算法中最佳阈值搜索速度,提高图像分割精度,同时结合了二维OSTU算法鲁棒性强的特点,使本文算法在医学图像尤其是MR图像分割方面具有良好的分割效果。基于人工蜂群优化的MR图像分割算法流程图如图 2所示。
基于人工蜂群优化的二维OSTU算法的基本步骤为:
Step1 :初始化种群,设置种群大小最大为80,最大迭代次数limit=100,由于需要产生二维阈值,故解空间的维度D=2;读取待分割的MR图像,将待分割MR图像的离散度矩阵的迹作为目标函数,根据式(11)得到适应度函数fitness。
Step2 :引领蜂根据式(8)随机产生初始解,并根据式(9)搜索新解。
Step3 :跟随蜂按照选择概率Pi,采用轮盘赌方法选择引领蜂进行跟随。
Step4 :在搜索过程中,如果解i到达预定(limit)次迭代都没有找到更好的解,则将解i舍弃,并且与其对应的引领蜂转化为侦察蜂。侦察蜂在解空间随机产生一个新的解来代替原解i;若新解的适应度fitness比之前的好,则保存新解。
Step5 :重复步骤2~4,直到达到结束条件。
Step6 :输出最优解,即为二维OSTU最佳分割阈值(s,t)。
Step7 :根据最佳阈值(s,t),采用二维OSTU方法对MR图像进行分割,得到最终分割后的MR图像。
2 实验结果与分析 2.1 实验对比本文以BrainWeb提供的模拟MRI图像作为实验样本,采用Visual Studio 2010 + Open CV平台编程实现本文所提出的算法[10,11],并将其与OSTU阈值法和未经优化的原始二维OSTU分割算法分割结果进行对比,来验证本文所提出的算法的有效性。
图 3(a)为BrainWeb[12]提供的原始无噪声的MR图像(设置T1加权,层厚3 mm),图 3(b)~(d)分别为OSTU和二维OSTU分割效果以及本文提出算法的分割效果。
图 4(a)为BrainWeb提供的含有10%高斯噪声的脑MRI图像,图 4(b)~(d)分别为OSTU、二维OSTU分割效果以及本文提出的算法的分割效果。
为了进一步验证本文所提出算法的性能,采用信噪比(PSNR)对本文算法及上述对比算法与网站所提供的标准化分割图像进行定量比较。信噪比定义如式(12)所示:
(12) |
其中,MSE是均方误差,MSE值越小,分割图像与对比图像差异越小,分割越精确。MSE计算公式如式(13)所示:
(13) |
三种算法的PSNR对比值如表 1所示。
由表 1结果可得,本文所提出的算法在MR图像分割上获得的PSNR均高于对比算法,与视觉效果对比评价结果一致。
2.2 结果分析由图 3和图 4的视觉对比,以及表 1的定量对比结果可看出,对于无噪声干扰的图片,本文提出的算法和二维OSTU阈值分割方法的分割效果都比较理想,肉眼难以分辩出明显区别。而对于受到噪声干扰的MRI图像,二维OSTU阈值分割方法在阈值选取上容易陷入局部最优,导致对噪声区域的过分割。而本文提出的算法可在噪声干扰的情况下,依然得到理想的分割效果。
3 结论本文提出了一种基于人工蜂群优化的二维OSTU医学图像分割方法,将人工蜂群优化思想与二维OSTU阈值分割方法相结合,使用医学图像的离散度矩阵的迹作为人工蜂群优化的目标函数,得到二维OSTU的最佳分割阈值(s,t);根据得到的最佳阈值,对图像采用二维OSTU分割的方法进行分割。实验结果证明,对于医学MR图像,本文所提出的算法具有精度高和鲁棒性强的特点,能够得到精确的分割后图像。
[1] |
曲蕴慧, 弓明, 廖尹坤, 等. 基于改进Canny算子的脑部MR图像分割算法的研究[J]. 中国医疗设备, 2018, 33(7): 7-10. Qu Y H, Gong M, Liao Y K, et al. Brain MR image segmentation algorithm based on improved canny operator[J]. China Medical Device, 2018, 33(7): 7-10. |
[2] |
韩志斌, 林涛, 杨坤, 等. 基于改进二维OSTU算法的SAR图像分割方法研究[J]. 海军航空工程学院学报, 2010, 2(25): 153-157. Han Z B, Lin T, Yang K, et al. Research on the SAR image segmentation method based on improved two-dimension ostu arithmetic[J]. Journal of Naval Aeronautical and Astrona-utical University, 2010, 2(25): 153-157. |
[3] |
于洋, 孔琳, 虞闯. 自适应粒子群集优化二维OSTU的图像阈值分割算法木[J]. 电子测量与仪器学报, 2017, 31(6): 827-832. Yu Y, Kong L, Yu C. Image threshold segmentation algorithm based on adaptive particle swarm optimization of two-dimensional OSTU[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(6): 827-832. |
[4] |
高宏进, 王力, 龚维印, 等. 基于改进CS算法的二维OSTU快速图像分割[J]. 通信技术, 2017, 50(12): 2698-2703. Gao H J, Wang L, Gong W Y, et al. Two-dimensional OSTU fast image segmentation based on modified CS algorithm[J]. Communications Technology, 2017, 50(12): 2698-2703. DOI:10.3969/j.issn.1002-0802.2017.12.010 |
[5] |
Karaboga D. An idea based on honey bee swarm for numerical optimization[R]. Technical Report-tr06, Erciyes University, Engineering Faculty, Computer Engineering Department, 2005. https://www.researchgate.net/publication/255638348_An_Idea_Based_on_Honey_Bee_Swarm_for_Numerical_Optimization_Technical_Report_-_TR06
|
[6] |
解敏. 基于多目标蜂群优化的阈值图像分割算法[J]. 电视技术, 2018, 42(3): 6-14. Xie M. Image thresholding segmentation based on multi-objective artificial bee colony optimization[J]. Digital Video, 2018, 42(3): 6-14. |
[7] |
韦鹏宇, 潘福成, 李帅. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163. Wei P Y, Pan F C, Lu S. Study on classification of improved artificial bee colony algorithm to optimization of BP neural network[J]. Computer Engineering and Applications, 2018, 54(10): 158-163. DOI:10.3778/j.issn.1002-8331.1612-0379 |
[8] |
李海洋, 何红洲. 改进人工蜂群优化的K均值图像分割算法[J]. 智能计算机与应用, 2018, 8(3): 45-49. Li H Y, He H Z. Improved artificial bee colony and K-means clustering for image segmentation[J]. Intelligent Computer and Applications, 2018, 8(3): 45-49. DOI:10.3969/j.issn.2095-2163.2018.03.011 |
[9] |
Gao Y, Li X, Dong M, et al. An enhanced artificial bee colony optimizer and its application to multi-level threshold image segmentation[J]. Journal of Central South University, 2018, 25: 107-120. DOI:10.1007/s11771-018-3721-z |
[10] |
张铮, 徐超, 任淑霞, 等. 数字图像处理与机器视觉——Visual C++与Matlab实现[M]. 北京: 人民邮电出版社, 2016. Zhang Z, Xu C, Ren S X, et al. Digital Image Processing and Machine Vision:Implemented in Visual C++ and Matlab[M]. Beijing: Posts & Telecom Press, 2016. |
[11] |
毛星云, 冷雪飞, 等. OpenCV3编程入门[M]. 北京: 电子工业出版社, 2015. Mao X Y, Leng X F. Introduction to OpenCV3 Programming[M]. Beijing: Publishing House of Electronics Industry, 2015. |
[12] |
Brain Web: Simulated Brain Database[EB/OL]. http://www.bic.mni.mcgill.ca/brainweb/.
|