[发明专利]一种脑部MRI图像分割方法

权利要求书

1.一种脑部MRI图像分割方法，其特征在于，包括如下步骤：

步骤1：获取待分割脑部MRI图像的灰度图像；

步骤2：将脑部MRI图像中不同像素点的灰度值作为聚类中心，形成聚类中心集合作为粒子，采用粒子群优化算法进行聚类中心集合的优化；

步骤2-1：采用逻辑自映射函数混沌初始化均匀分布的粒子群，产生一个表示初始粒子群的混沌序列；

步骤2-2：结合FCM聚类算法定义粒子群优化算法的目标函数，将其作为粒子适应度函数：将脑部MRI图像中的像素点作为需要聚类的数据集的样本点，将像素点的灰度值作为样本点的特征，采用脑部MRI图像中各像素点与每个聚类中心之间的加权相似度进行优化；

步骤2-3：将各个粒子的初始位置作为该粒子个体最优位置，粒子群中适应度最优的粒子个体位置作为全局最优位置；

步骤2-4：基于目标函数进行粒子群迭代，更新每个粒子的速度和位置，产生下一代粒子群，并评价每个粒子的适应度；

步骤2-5：若第i个粒子个体位置的适应度优于该粒子个体最优位置的适应度，更新为该粒子的当前位置；若该粒子个体位置的适应度优于全局最优位置的适应度，全局最优位置更新为该粒子的当前位置；

步骤2-6：粒子群迭代过程中实时计算粒子群的适应度方差，判断粒子群优化算法是否出现早熟，若是则转步骤2-7，否则转步骤2-8；

步骤2-7：对粒子个体最优位置进行混沌搜索，用拥有最优适应度的粒子个体位置随机代替当前粒子群中的任一粒子个体位置；

步骤2-8：若达到最大迭代次数，则停止迭代，此时全局最优位置对应的粒子即最优聚类中心集合，执行步骤3，否则返回步骤2-4；

步骤3：实现脑部MRI图像分割：将脑部MRI图像中每个像素点归属于具有最大隶属度的类中，令同一类中像素点灰度值等于同一个灰度值，完成脑部MRI图像分割。

2.根据权利要求1所述的脑部MRI图像分割方法，其特征在于，所述步骤2-1具体步骤如下：

步骤2-1-1：采用逻辑自映射函数在可行域中混沌初始化N个粒子的个体位置和速度；每个粒子的个体位置表示一个聚类中心集合，其中位置分量表示像素点的灰度值；

步骤2-1-2：将脑部MRI图像中不同像素点的灰度值作为聚类中心，形成聚类中心集合作为粒子，建立混沌序列模型；

步骤2-1-3：取第i个粒子的初始位置分量作为逻辑自映射初始点；

步骤2-1-4：根据所建立的混沌序列模型进行迭代，产生混沌序列；

步骤2-1-5：判断迭代是否达到最大次数，若是，则转步骤2-1-7；若不是，则判断迭代是否落入周期不动点内，是则转步骤2-1-6，否则转步骤2-1-4；

步骤2-1-6：重置第i个粒子的位置分量，转步骤2-1-4；

步骤2-1-7：保存产生的混沌序列；

步骤2-1-8：将混沌序列映射到原解空间即脑部MRI图像中的灰度值取值范围，从而产生一个混沌序列可行解，即初始粒子群。

3.根据权利要求1所述的脑部MRI图像分割方法，其特征在于，所述步骤2-6具体步骤如下：

步骤2-6-1：计算反映粒子聚集程度的粒子群的适应度方差σ²：

σ2=Σi=1N(fi-favgf)2]]>

式中：f_avg为当前粒子群的平均适应度，N为粒子群规模，f为用来限制σ²大小的归一化因子：

f=max|fi-favg|if max|fi-favg|>11else]]>

步骤2-6-2：判断粒子群的适应度方差σ²＜ε是否成立，ε为粒子群的适应度方差阈值：是则粒子群优化算法出现早熟收敛现象，需要对当前粒子群进行扰动以跳出局部最优解，转步骤2-7，否则转步骤2-8。