[发明专利]一种基于改进樽海鞘群算法的医学图像多阈值分割方法

说明书

本发明公开了一种基于改进樽海鞘群算法的医学图像多阈值分割方法，通过采用医学图像的灰度图像和非局部均值图像构建2维直方图，使用樽海鞘群算法来确定Kapur熵阈值法的阈值选择，在阈值选择过程中，使用个体联动突变策略对樽海鞘群算法进行改进和变异，以此来避免陷入局部最优，使医学图像的分割效果到达最佳；优点是具有较好的鲁棒性和较高准确度。

技术领域

本发明涉及一种医学图像多阈值分割方法，尤其是涉及一种基于改进樽海鞘群算法的医学图像多阈值分割方法。

背景技术

图像分割是图像预处理的关键技术，是由图像处理到图像分析的关键步骤,也是计算机视觉、图像分析和图像理解中的一个难题。医学图像分割作为医学图像处理的重要应用领域，其用途可分为辅助医生制定治疗方案、定位病变组织区域和解剖组织研究等几个方面。但随着医学图像成像设备和成像技术的不断发展，医生往往需要投入巨大的时间和精力逐一解读医学图像，同时在图像采集过程中环境温度、信号干预、患病组织区域的不确定性和复杂性将影响医生对患者的状况进行正确的诊断和治疗。

阈值图像分割方法实现简单、计算量小、性能较稳定，当前已经成为了图像分割中最基本和应用最广泛的分割技术。而基于阈值的图像分割方法的关键在于阈值的确定。目前，常用的阀值选择方法有利用图像灰度直方图的峰谷法、最小误差法、基于过渡区法和最大熵原则阈值法。直方图峰谷法对单个目标或者对比明显的图像效果比较明显，对于多目标的图像效果就不是很好。最小误差法相对复杂，实现难度较大。最大类间方差法的缺陷是当目标物与背景灰度差不明显时，会出现无法忍受的大块黑色区域，甚至会丢失整幅图像的信息，同时它对噪声和目标大小十分敏感。最大熵(Kapur熵)原则阈值法可以很灵活地选择特征，不需要花费精力考虑如何使用图像中的特征。然而传统的Kapur熵原则阈值法在阈值选择上通常用穷举法求解,这样会遇到“指数爆炸”问题，使得处理多阈值问题时运算速度太慢,浪费了太多的时间，导致难以满足应用需求。现在也有使用优化算法来帮助Kapur熵原则阈值法寻找阈值，但是大多数优化算法也具有收敛速度慢，易陷入局部最优等缺陷。樽海鞘群算法(Salp Swarm Algorithm,SSA)是一种新颖的元启发式优化算法，它受樽海鞘觅食过程启发，包括接近食物，包裹食物和搜索食物三个阶段，实现对整个搜索空间的不断探索和开发。然而，SSA在搜索的过程中，仍存在陷入局部最优，过早收敛的现象，最终会导致阈值图像分割的准确度降低。

发明内容

本发明所要解决的技术问题是提供一种具有较好的鲁棒性和较高准确度的基于改进樽海鞘群算法的医学图像多阈值分割方法，该医学图像多阈值分割方法使用樽海鞘群算法来确定Kapur熵阈值法的阈值选择，在阈值选择过程中，使用个体联动突变策略对樽海鞘群算法进行改进和变异，以此来避免陷入局部最优，使医学图像的分割效果到达最佳。

本发明解决上述技术问题所采用的技术方案为：一种基于改进樽海鞘群算法的医学图像多阈值分割方法，包括以下步骤：

步骤S1、将待分割的医学图像记为I，其大小记为m×n，医学图像I中第i行第j列的像素点记为(i，j)，医学图像I的像素点(i，j)的灰度值记为a_i，j，i＝1，2，…，m，j＝1，2，…，n，设定对医学图像进行分割的阈值的个数L＝20；

步骤S2、先对医学图像I进行非局部均值滤波，得到大小为m×n的非局部均值图像，将非局部均值图像中第i行第j列的像素点记为(i_n，j_n)，非局部均值图像中像素点(i_n，j_n)灰度值记为i_n＝1，2，…，m，j_n＝1，2，…，n，