[发明专利]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

权利要求书

1.一种基于探路者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：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

步骤S103：利用探路者算法从构建的GLCM特征提取重要纹理特征；

步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果；

所述步骤S103：从构建的GLCM特征提取重要纹理特征，包括：

步骤S1031：从GLCM特征中提取多个纹理特征，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，随机初始化群集中的各个个体的向量值，并从中选择领导者；

步骤S1032：计算群集中全部个体的位置向量：

其中，x_i是第i成员的位置向量，x_j是第j成员的位置向量，c₁和c₂分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：

c₂＝μ·c₁·(1-c₁)

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

步骤S1033：计算群集中全部个体的适应度：

其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：

x_p^K+1＝x_p^K+2r₃·(x_p^K-x_p^K-1)+A

其中，r₃是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式

其中，μ₁和μ₂是[-1,1]中的随机向量范围，D_ij是两个成员之间的距离；

步骤S1034：产生变异算子，修正领导者的位置：

x_p^K+1＝x_p^K+G(v)·x_p^K

其中G(v)为高斯变异函数，它是一个D维高斯向量，

为搜索个体的方差，x_p^K+1为修正后的领导者位置；

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：获取领导者x_p的解向量，处理解向量，

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；

将所述领导者的位置x_p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。