[发明专利]一种基于粒子群及模糊均值聚类的细胞图像分割方法

摘要

本发明涉及一种基于粒子群及模糊均值聚类的细胞图像分割方法，在直觉模糊均值聚类理论的基础上，针对细胞图像改进直觉模糊隶属度的形式，并且与分数阶粒子群结合进行交替优化，利用形态学方法改进结果，从而实现对细胞图像的准确分割。它有四大步骤：首先选取合适的参数，初始化粒子群及相关数据；然后，开始分数阶粒子群和直觉模糊聚类交替迭代优化；随后，将结果和标准的模糊均值聚类结果比较，通过差异图像选择形态学处理方案；最后，对结果图像进行距离变换和水域分割，从而得到最终结果。本发明可广泛应用于各类基于细胞图像的应用系统，具有广阔的市场前景与应用价值。

主权项

1.一种基于粒子群及模糊均值聚类的细胞图像分割方法，其特征在于：该方法具体步骤如下：步骤一：选取合适的优化参数，包括判断继续迭代的适应度阈值ε₁，判断最后差异图像细胞区域大小的阈值ε₂，直觉模糊均值聚类方法中的阶数para1，相关直觉系数para2、para3，分数阶粒子群优化系数包括分数阶阶数para4，惯性系数w，加速系数c1、c2，最大速度Vmax和粒子群容量pop，随机进行粒子群的初始化，得到初始粒子群{Center}₀，对应隶属度矩阵{U}₀，初始速度{V}₀和初始适应度{fitness}₀；下标表示循环次数；其中，初始适应度选取为粒子对应模糊均值聚类目标函数的倒数：fitness_ij＝(obj_ij)^‑1；步骤二：进入分数阶粒子群优化和直觉模糊聚类交叉优化的循环，循环步骤如下：2.1根据步骤一循环的适应度，选取每个粒子的局部最优解Pb和所有粒子的全局最优解Gb；2.2计算每个粒子的速度{V}_i，从而得到初步的新粒子位置{Center}_i，进而得到初步的新隶属度矩阵{U}_i，选取系数para2将隶属度和非隶属度结合在一起，作为新的隶属度；其中，i表示循环次数，j表示粒子编号，p表示聚类中心编号，q表示像素点编号；V_ij＝w·(V_i‑1j)^(para4)+c1·(Pb‑Center_i‑1j)+c2·(Gb‑Center_i‑1j)；Center_ij＝Center_i‑1j+V_ij；D(a,b)表示距离函数，这里取为欧式距离；2.3由全局最优解得出临时参考结果图像f_ref，由此图像根据凹凸性质，从边缘取出邻域曲线为凹曲线的点集，经过简单的区域去重，即得到可能的交叉点集Pc，由此点集得出隶属度改进矩阵M，将其与初步的新隶属度矩阵相乘，得到用于下一步迭代的隶属度矩阵，进一步得到用于下一步迭代的粒子位置；U_ij＝M×U_ij；2.4由每个粒子的历史直觉模糊聚类目标函数及交叉点集的个数计算出新的适应度；为第j个粒子的平均模糊均值聚类目标函数值，σ_j为对应的标准差；步骤三：循环结束后得到近似最优解，即最终粒子位置Center，和对应的隶属度矩阵U，从而得出对应的结果图像f_result，为了结合标准模糊聚类粘连较少的优势，和标准糊聚类结果f_fcm对比，由差异图像f_diff选择改进步骤：3.1若差异巨大，则舍弃基础的模糊聚类结果，对图像进行形态学开运算，获得进一步优化结果；3.2若差异较小，则由差异图像，进行形态学腐蚀、闭运算、腐蚀处理，获得进一步优化处理；每次变换的结构元素都为圆盘型，但是半径互不相同；f_result＝f_fcm+f_diff；步骤四：对步骤三得到的结果进行距离变换和水域分割，得到最终结果。