基于改进的人工蜂群算法在医学图像上的多阈值图像分割法

孙晓亮, 田力威, 刘 洋

(沈阳大学 a. 信息工程学院, b. 辽宁省物联网信息集成技术工程研究中心, 辽宁 沈阳 110044)

基于改进的人工蜂群算法在医学图像上的多阈值图像分割法

孙晓亮a, 田力威b, 刘 洋b

(沈阳大学 a. 信息工程学院, b. 辽宁省物联网信息集成技术工程研究中心, 辽宁 沈阳 110044)

研究了对医学图像阈值分割和人工蜂群算法的研究现状.发现在医学图像分析中,将图像有效分割为有意义的对象对分类和对象识别很重要.提出一种将改进的人工蜂群与分数阶图像阈值分割方法相结合的图像分割方法,即变系数人工蜂群优化算法(VCABC),用于确定给定图像上的n-1个最优n级阈值.将所提出的方法与PSO分数阶图像阈值分割方法和ABC分数阶图像阈值分割方法相比较.实验结果表明,在考虑多种不同的条件情况时,该方法的表现优于其他方法.

图像分割; 多级阈值; ABC算法; 适应度函数; 变系数

在MATLAB仿真计算平台上结合图像分割理论对医学图像进行处理已成为现代医学领域不可或缺的一部分,医学图像是医生诊断病情的关键性依据,医学图像视觉效果的提高有助于提高医生的确诊率,提高现代医疗水平,促进医学的进一步发展.

图像分割是指把图像描述成某些连通区域的集合,使得图像特征在不同区域表现不同,在同一区域表现出相似性的处理.目前图像分割常用的方法有阈值法[1]、边缘检测法[2]、区域法[3]、形态学分水岭法等.阈值法由于实现简单且计算速度快等特点,在图像分割应用中处于核心地位.

其中图像的多阈值分割可以归为一个典型的优化问题,常用的方法是将最大类间方差法[4]结合一些最优化算法来确定合适的阈值.粒子群算法是一种高效的优化算法,其结构简单、运算复杂度低等优点正好适用于解决多阈值图像分割中所遇到的难题.Ghamisi[5]等人运用多级分割技术以及PSO算法对图像进行多阈值分割,但是PSO算法有其局限性,容易陷入局部最优.人工蜂群算法(Artificial Bee Colony,ABC)是Karaboga[6]于2005年仿照蜜蜂的觅食行为提出的,属新一代的群体智能优化算法.相比于PSO算法,ABC算法中出现了个体间的分工,即采蜜蜂、观察蜂和侦察蜂3种类型,它们根据分工不同而进行不同的活动,并在活动的过程中实现信息的共享,因此,ABC算法搜索解空间中的最优解时更有优势.周晨航[7]等人将改进的萤火虫算法应用到Otsu二维图像分割法上,提高了方法时间效率,但是研究对象局限在二维,应用范围不大.施丽红[8]等人从颜色空间提取图像的7个特征,运用种子区域生长法结合人工蜂群算法得到图像分割的结果,该种方法在时间效率,一致性误差上性能较为均衡,但由于特征提取过多,导致计算量增大从而使得运行时间过长.徐洪[9]等人针对人工蜂群算法中的引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,将其与传统的多阈值红外图像分割方法相结合,相比原始的穷举法耗时短,相比原始的ABC算法精度更高.但是其比原始的ABC算法耗时长,时间效率略低.而本文中沿用文献[5]中使用的多级分割技术,提出一种新的VCABC算法,其原理是通过对ABC算法搜索公式进行改进,使其在算法初期更快的向全局最优值趋近,在算法后期增强其跳出局部最优的能力,这样既避免了ABC算法容易陷入局部最优的问题,也提高了ABC算法运算的时间效率.然后将其与分数阶图像阈值分割方法相结合对医学图像进行处理,实验证明本文中提出的方法在分割效果、时间效率、算法精度上均优于其他分数阶图像阈值分割方法.

1 分数阶图像阈值分割方法

多级分割技术提供了一种执行图像分析的有效方法.然而,在图像分割中自动选择一个n维最佳的阈值一直是一个挑战.本节给出了一种关于这个问题的解决构想.

让给定图像的每个RGB(红-绿-蓝)分量中有L个强度级别,这些级别的范围设定在{0,1,2,…,L-1}.这样就可以定义:

获得最佳阈值的最简单和最有效的方法是最大限度地提高类间的方差,这个类间的方差一般定义为

(5)

C={R,G,B}.

由于阈值水平的增加,计算这个优化问题涉及更大的计算工作量.哪种方法应该被用来解决这个优化问题的实时应用程序,在文献[10]中已经提出了许多方法.然而,最近群智体能优化算法已成为最具效率的替代分析方法而被用来解决这类优化问题.

2 人工蜂群算法

人工蜂群算法(ABC算法)由土耳其Erciyes大学的Karabog教授于2005年第一次提出,是为了解决多目标函数优化问题的一种群体智能优化算法.ABC算法自提出以来,就以概念简单、控制参数少、算法容易实现、优化效果良好等优点吸引了大批学者进行研究,并逐渐进入各个应用领域.近年来无论是在交通网络设计方面、叶约束最小生成树问题、车辆路径问题、图像边缘检测方面及医学图像处理方面都取得了明显的进步.

2.1 人工蜂群算法基本原理

人工蜂群算法是模拟蜂群觅食行为而产生的一种元启发式智能算法,此算法中包括3种类型的蜜蜂,分别是雇佣蜂、侦察蜂、跟随蜂,其中雇佣蜂主要寻找食物源并收集相关信息,并将相关食物信息传给跟随蜂,跟随蜂从雇佣蜂的相关食物源信息中进一步寻找更好的食物,当达到蜂群算法的迭代次数或满足了一定的条件,而所寻蜜源量仍不能进一步改进时,此蜜源被抛弃,此时该雇佣蜂变为侦察蜂继续在巢穴附近寻找蜜源.在人工蜂群算法中,每个蜜源对应算法的一个可行解,蜜源的个数等同于雇佣蜂的数量,每个蜜源的蜜总量对应算法中相应的适应度值.

2.2 VCABC算法

对ABC算法中的搜索公式进行改进,将原有的公式(8)改进为公式(9).

vi,j=xi,j+φi,j(xi,j-xk,j),

(8)

vi,j=xi,j+aφi,j(xi,j-xk,j)+bφi,j(xbest,j-xi,j),

(9)

式中,i表示人工蜂群算法的迭代次数.之所以这样修改是考虑到ABC算法初期蜂群都朝着当前全局最优蜜源进行搜索,随着搜索次数的增多,在后期减少当前全局最优蜜源对所有蜂群搜索方向的影响,转而加大随机搜索的步长,从而增强后期算法跳出局部最优的能力.在这里对于公式中的两种系数φi,j和φi,j,本文沿用文献[11]中的系数设置:

式中φi,j表示取值范围为[-1,1]的随机数,φi,j表示取值范围为[0,1.5]的随机数.

图1为VCABC的算法框图.

3 基于VCABC算法的分数阶图像阈值分割方法

提出了一种基于VCABC算法的分数阶图像阈值分割方法,将分数阶图像分割方法中的阈值的选取问题转化为人工蜂群算法对φC最大化的寻优问题.其中

为全局最优值,与之对应的阈值则为最佳的分割阈值.

图1 VCABC算法框图Fig.1 VCABC algorithm block diagram

基于VCABC算法的分数阶图像阈值寻优的步骤如下:

(1) 在搜索范围内随机放置算法种群数量一半的雇佣蜂,雇佣蜂搜索新蜜源并确定初始标记蜜源;

(2) 计算蜜源的优质程度,运用分数阶图像阈值分割方法计算φC的数值,并作为相应蜜源的优质程度.

(3) 与雇佣蜂数量相等的跟随蜂根据改进的搜索公式搜索新的蜜源,并计算所搜索到的蜜源的优质程度φC的数值,将其与之前所搜索到蜜源相比较,φC数值高的取代φC数值低的成为标记蜜源,作为下一代蜂群搜索的初始蜜源.

(4) 是否出现某一雇佣蜂搜索的蜜源在一定的迭代次数之后仍未改变,若出现,则需要侦察蜂产生新位置取代相应的蜜源.

(5) 记下全局最优解Sbest,判断是否达到最大迭代次数i.若未达到,重复步骤(3)、(4).否则,此时最优解Sbest所对应的阈值即为图像阈值分割的最佳阈值.

4 实验结果及分析

本实验所有算法均采用MATLAB 7.10.0(R2010a)编程环境,在硬件配置Intel(R) Core(TM) i7-6700HQ CPU 2.60GHz,4G内存的计算机上完成了仿真.

实验1 测试VCABC算法寻优性能,分别在Griewank函数,Sphere函数和Rosenbrock函数上进行实验,算法参数设置相同,维度均为5.

图2 两种算法在Griewank函数上的运算结果

图3 两种算法在Sphere函数上的运算结果

图4 两种算法在Rosenbrock函数上的运算结果

通过图2～图4可以看出,在Griewank函数上,两种算法的收敛速度在不同迭代时段各有优势,但VCABC算法的收敛性要优于ABC算法;在Sphere函数上,两种算法中VCABC算法在收敛性和收敛速度上都略优于ABC算法;而在Rosenbrock函数上,两种算法中VCABC算法在算法的收敛性和收敛速度上都优于ABC算法.

实验2 使用PSO算法、经典的ABC算法和改进后的ABC算法对医疗图像运用分数级图像分割法进行分割比较.图5～图7中从左到右依次是原图、PSO算法分数阶图像分割方法分割结果、ABC算法分数阶图像分割方法分割结果及VCABC算法分数阶图像分割方法分割结果.

图5 细胞原始图及分割结果Fig.5 Cell primitive and segmentation results

图6 胸部CT原始图及分割结果Fig.6 Chest CT original map and segmentation results

从表1～表3可以看出3种算法中,PSO算法的稳定性最好,VCABC算法次之,ACB算法最差;VCABC算法的运行时间最短,ABC算法次之,PSO算法最差;VCABC算法的收敛性最好,精度最高,ABC算法次之,PSO算法最差.

表1 三种算法对不同的医疗测试图像运算所得的适应度值Table 1 The fitness values obtained by the three algorithms for different medical test images

表2 三种算法对不同的医疗测试图像运算所得的阈值Table 2 The thresholds of the three algorithms for different medical test image operations

图7 脑部核磁共振原始图及分割结果

综上所述,基于VCABC算法的分数阶图像阈值分割方法比PSO算法的分数阶图像阈值分割方法效果好,比ABC算法的分数阶图像阈值分割方法略优.但是无论是从图像阈值的精度,算法的运行时间和阈值的选取都是基于VCABC算法的分数阶图像阈值分割方法效果更好.由此可见,基于VCABC算法分数阶图像阈值分割方法可以更好的弥补PSO算法的分数阶图像阈值分割方法的不足.

表3 三种算法对不同的医疗测试图像的运算时间

5 结 论

在医学图像分析中,将图像有效分割为有意义的对象对分类和对象识别很重要.图像分割的自适应性、准确性和实时性能够反映出目标识别和目标检测的智能化程度、精确程度和检测速度,所以对图像分割的研究具有非常重要的实际价值.本文提出的基于VCABC算法的分数阶图像阈值分割方法能够有效的对医疗图像进行分割,在继承ABC算法寻优能力强、操作简单、时间效率高等优点的基础上优化ABC算法,然后对分数阶图像阈值分割方法进行改进.实验证明,基于VCABC算法的分数阶图像阈值分割方法在分割效果,时间效率,算法精度上均优于其他分数阶图像阈值分割方法.

[ 1 ] 刘雅坤,于双元,罗四维. 基于最小最大割算法的阈值分割算法[J]. 计算机科学, 2014,41(1):95-99.

LIU Y K,YU S Y,LUO S W. Threshold image segmentation based on min-max cut algorithm[J]. Computer Science, 2014,41(1):95-99.

[ 2 ] 向方,王宏福. 图像边缘分割算法的优化研究与仿真[J]. 计算机仿真, 2011,28(8):280-283.

XIANG F,WANG H F. The optimization of image edge segmentation algorithm research and simulation[J]. Computer Simulation, 2011,28(8):280-283.

[ 3 ] 方晶晶,李振波,姜宇. 人体肤色区域的自适应模型分割方法[J]. 计算机辅助设计与图形学学报, 2013,25(2):229-234.

FANG J J,LI Z B,JIANG Y. Human skin color region segmentation based on adaptive model[J]. Journal of Computer-Aided Design amp; Computer Graphics, 2013,25(2):229-234.

[ 4 ] 范立南,胡向丽,孙申申. 基于OTSU算法和带通滤波器的毛玻璃型肺结节检测[J]. 沈阳大学学报(自然科学版), 2012,24(6):43-46.

FAN L N,HU X L,SUN S S. Detection of ground glass opacity nodule based on OTSU algorithm and band-pass filter[J]. Journal of Shenyang University (Natural Science), 2012,24(6):43-46.

[ 5 ] GHAMISI P,COUCEIRO M S,BENEDIKTSSON J A,et al. An efficient method for segmentation of images based on fractional calculus and natural selection[J]. Expert Systems with Applications, 2012,39(16):12407-12417.

[ 6 ] KARABOGA D. An idea based on honey bee swarm for numerical optimization[R]. Technical Report TR06, Erciyes University, 2005.

[ 7 ] 周晨航,田力威,赵宏伟. 基于改进萤火虫算法的二维Otsu图像分割法[J]. 沈阳大学学报(自然科学版), 2016,28(1):45-50.

ZHOU C H,TIAN L W,ZHAO H W. Image thresholding segmentation with 2-D otsu based on improved firefly algorithm[J]. Journal of Shenyang University (Natural Science), 2016,28(1):45-50.

[ 8 ] 施丽红,刘刚. 基于改进蜂群优化的图像分割算法[J]. 电视技术, 2016,40(2):37-44.

SHI L H,LIU G. Colony optimization based on improved image segmentation algorithm[J]. Television Technology, 2016,40(2):37-44.

[ 9 ] 徐洪,唐华明,申娇,等. 基于改进人工蜂群算法的多阈值红外图像分割[J]. 红外, 2015,36(4):34-37.

XU H,TANG H M,SHEN J,et al. Multi-threshold infrared image segmentation based on improved artificial bee colony algorithm[J]. Infrared, 2015,36(4):34-37.

[10] SEZGIN M,SANKUR B. Survey over image thresholding techniques and quantitative performance evaluation[J]. Journal of Electronic Imaging, 2004,13(1):146-168.

[11] XIANG W L,AN M Q. An efficient and robust artificial bee colony algorithm for numerical optimization[J]. Computers amp; Operations Research, 2013,40(5):1256-1265.

【责任编辑:李艳】

Multi-ThresholdImageSegmentationBasedonImprovedArtificialBeeColonyAlgorithminMedicalImages

SunXiaolianga,TianLiweib,LiuYangb

(a. College of Information Engineering, b. Liaoning Information Integration Technology Engineering Research Center of Internet of Things, Shenyang University, Shenyang 110044, China)

The research status of image segmentation and artificial bee colony algorithm was studied. It is found that in the medical image analysis, it is important to divide the image effectively into meaningful objects for classification and object recognition. An image segmentation method, which is a variable-coefficient artificial bee colony optimization algorithm(VCABC), was proposed, which can be used to determine then-1 optimaln-level thresholds on a given image. The proposed method was compared with PSO fractional image threshold segmentation method and ABC fractional image threshold segmentation method. The experimental results show that the method is superior to other methods when considering many different conditions.

image segmentation; multilevel thresholding; artificial bee colony; fitness function; variable coefficient

TP 317.4

A

2017-09-24

中国博士后基金资助项目(2016M601332); 辽宁省自然科学基金指导计划资助项目(20170540646); 辽宁省博士启动基金资助项目(201601217).

孙晓亮(1991-),男,安徽马鞍山人,沈阳大学硕士研究生; 田立威(1973-),男,辽宁沈阳人,沈阳大学教授,博士后研究人员.

2095-5456(2017)06-0479-06