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IF(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IF(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Kmax、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,xi是第i成员的位置向量,xj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:xpK+1=xpK+2r3·(xpK-xpK-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,Dij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:xpK+1=xpK+G(v)·xpK
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,xpK+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Kmax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xp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xp通过映射函数T(Xi)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。
2.如权利要求1所述的基于探路者算法的医疗影像处理方法,其特征在于,所述步骤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IF(i,j),包括:首先将一个窗口中的所有像素点按像素值顺序排列,然后用中心像素值代替具有噪声的像素点,再计算该窗口的中值,计算中值的中间滤波器的计算公式如下:对于给定的医疗影像I(i,j),(r,s)∈(-(w-1)/2,…,(w-1)/2),(i,j)∈(1,2,…,H)×(1,2,…,L),H和L分别表示医疗影像的宽和高,w为窗口的奇数值,w=(3,5,…),W为矩形子图像窗口中的一组坐标,以点(x,y)为中心,用计算出的该中值替换该窗口中的全部中心像素值;将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪F声,得到无噪声图像I(i,j)。
3.如权利要求1所述的基于探路者算法的医疗影像处理方法,其特征在于,所述步骤S102:基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像IF(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,包括:对比度的计算方式为:
关联度的计算方式为:
和
GLCM由描述像素对之间关系的概率组成,其中,N表示图像的样本数量,ui和uj是基于特定参考值和相邻像素值出现的概率的GLCM平均值,σi和σj分别为 和的标准平方根,Pi,j是参考像素和相邻像素具有特定值的概率;
角二阶矩ASM表示纹理均匀性,定义为:
其中,i和j定义像素点在GLCM中的位置,i表示像素点所在的行,j表示像素点所在的列;
逆差分矩IDM表示图像的局部均匀性,逆差分矩IDM计算方式为:所述熵携带的信息量与图像的复杂性相结合,熵的计算方式为:
4.一种基于探路者算法的医疗影像处理装置,其特征在于,所述装置包括:去噪声模块:用于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IF(i,j);
获取纹理参数特征模块:用于基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像IF(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;
特征选择模块:用于从构建的GLCM特征提取重要纹理特征;
图像识别模块:用于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;
所述特征选择模块,包括:
特征提取子模块: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Kmax、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;
第一计算子模块:计算群集中全部个体的位置向量:其中,xi是第i成员的位置向量,xj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;
第二计算子模块: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:xpK+1=xpK+2r3·(xpK-xpK-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,Dij是两个成员之间的距离;
修正子模块:产生变异算子,修正领导者的位置:xpK+1=xpK+G(v)·xpK
其中G(v)为高斯变异函数,它是一个D维高斯向量,K+1
为搜索个体的方差,xp 为修正后的领导者位置;
判断子模块:判断当前迭代次数K是否等于最大迭代次数Kmax或得到全局最优解;
特征选择子模块:获取领导者xp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xp通过映射函数T(Xi)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。
5.一种基于探路者算法的医疗影像处理系统,其特征在于,包括:处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如权利要求
1-3任一所述的医疗影像处理方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如权利要求1-3任一所述的基于探路者算法的医疗影像处理方法。