混合蚁群k均值算法与Grub切割算法在磁共振图像分割中的比较.docx

S.A. El-Khatib et al. / Procedia Computer Science 186 (2021) 316–322 PAGE 321 PAGE 320 S.A. El-Khatib et al. / Procedia Computer Science 186 (2021) 316–322 混合蚁群k均值算法与Grub切割算法在磁共振图像分割中的比较 摘要 图像分割是根据某些特征将图像分割成同质区域的过程，在医学诊断中有着广泛的应用。分割算法用于从医学图像中提取解剖特征。本文研究了用于磁共振图像分割的混合蚁群算法——k-means和Grub Cut图像分割算法。实现了所提出的医学图像分割算法和子系统。由于没有通用的医学图像分割算法，在许多实时应用中，图像分割仍然是图像处理和计算机视觉中具有挑战性的问题，因此需要进行更多的研究工作。实验结果表明，与Grub切割相比，该算法具有较好的准确性。 关键词:磁共振图像分割；蚁群优化；k-均值算法；群体智能；平头切口 1。 介绍 图像识别方法的发展是人工智能中相关且困难的任务之一。当创建包含对准确性和性能的高要求的识别系统时，不需要应用新的方法来自动化图像识别过程。尽管发展图像识别方法的任务在理论上已经得到了很好的研究，但是没有通用的方法来解决它，并且实际的解决方案似乎非常困难[1，2]。 人工智能方法最近被更多地用于图像分割。特别是，有趣的结果显示了遗传算法和人工神经网络。最近的研究结果显示了自然启发技术在图像分割任务中的应用前景，例如蚁群优化、粒子群优化和蜂群优化。 有效解决图像分割问题的一个合适的方法是使用数学变换来描述分散的自组织系统的集体行为，该系统由多个代理组成，这些代理彼此局部交互并与环境交互以实现预定的目标。本质上，这种系统的例子是群体系统。每个代理都使用自己的规则自主运行。同时，整个系统的行为令人惊讶地望而生畏[3，4，7，8，11]。 本文致力于开发和评估混合蚁群-k-means方法，以比较Grub Cut分割方法的磁共振图像。 2。 图像分割的混合蚁群优化k-均值方法 为了获得有效的图像分割算法，我们开发了一种方法，该方法利用了k-means和ACO算法的所有优点[9，10]。第一步是设置集群的数量并初始化它们的中心。然后，根据聚类算法k-means，我们需要确定每个图像像素属于特定的聚类。在这个阶段，最重要的角色是由蚁群算法扮演的。它定义了每个像素与图像簇的关系。这是根据概率来完成的，概率与像素、聚类中心和代表信息素水平的variable?之间的距离成反比。信息素水平与每对聚类中心之间的最小距离成正比，与每个像素与其中心之间的距离成反比。因此，信息素水平值随着聚类中心之间距离的增加以及聚类中像素的紧密度的增加而增加。在相同条件下，像素附着到簇的概率增加。 计算信息素的蒸发是为了减少先前做出的优先级较低的选择的影响。类似于k-means算法，在分布式状态下，通过重新计算每个聚类中像素的平均值来更新聚类中心。只要群集中心的值变化没有显著变化，它就会持续。与k-means算法相反，所开发的方法并没有在这个阶段停止。聚类的过程继续由m只蚂蚁执行，每只蚂蚁最终都会找到自己的解决方案。寻找最佳解的标准和更新的信息素水平分别优先于下一组蚂蚁。当达到停止标准时，聚类完成并找到最佳解。 图像分割的混合蚁群算法伪代码由以下步骤组成。 算法1。混合蚁群-k均值分割算法伪代码初始化聚类数和蚂蚁数；做 对每只蚂蚁做M: 对于每个像素d0 计算像素属于聚类的概率(由于公式1)；目标 更新集群中心； 如果(获得的聚类中心不等于前一个中心)，则 重复步骤M中的步骤； 其他 将当前点保存为新的最佳解决方案； 目标 从所有蚂蚁中选择最佳解决方案(根据公式5)； 对于每个像素更新(由于公式6、7)； 正确的全局解(公共解)；而没有达到停止标准。 算法的软件实现从确定信息素?水平和为每个像素分配启发式信息?开始。然后，每只蚂蚁以概率P确定像素属于该聚类，概率P可以通过以下方式计算(1): ??i (Xn )? ???i(Xn )?? p(X)/ 我 n ?Kj?0??j (Xn )? ???j(Xn )?? (1) 其中?i ( Xn)和?i(xn——关于信息素的信息和分别属于聚类I的像素的启发式变量值，α和?——ACO算法的启发式系数，k——聚类数。启发式信息的获取如下: k ? (X ) ?/ 我 n CDist(Xn，CCi )*PDist(Xn，PCi) (2) 其中Xn第n个像素，CCi -具有光谱聚类中心，PCi -具有空间聚类中心，CDist( Xn，CCi ) -根据颜色特征的(X，CC)之间的距离–( 3)，PDist( X ，PC)