1.一种基于人工蝴蝶优化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:基于多核局部判别分析MKLFDA(Multiple kernel local Fisher discriminant analysis)方法构建核函数,从所述无噪声图像IF(i,j)中提取图像的特征矩阵,并将所述特征矩阵降维为一维向量形式;
步骤S103:利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征;
步骤S104:将提取到的所述重要特征输入训练好的相关向量机RVM,得到所述待处理医疗影像的分类、识别结果。
2.如权利要求1所述的基于人工蝴蝶优化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:对于给定的图像I(i,j),(r,s)∈(-(w-1)/2,…,(w-1)/2),(i,j)∈(1,2,…,H)×(1,
2,…,L),H和L分别表示图像的宽和高,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;
再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声,得到无噪声图像IF(i,j)。
3.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法,其特征在于,所述步骤S102:基于多核局部判别分析MKLFDA方法构建核函数,从所述无噪声图像IF(i,j)中提取图像的特征矩阵,并将所述特征矩阵降维为一维向量形式,包括:步骤S1021:对所述无噪声图像IF(i,j)进行标记,标记所述无噪声图像的所属类别,得到以下标记:其中,xi为第i个图像样本特征,ci为图像所属第i个类别,c为分类类别数量,R为实数集合;
步骤S1022:构建所述无噪声图像IF(i,j)的类间邻接图W(b)和类内邻接图W(w):其中,l∈(1,2,…,c)表示图像所属类别,W为相似度矩阵,定义为:其中,Nr(x)表示x的最近邻;
步骤S1023:构建核函数,初始化所述核函数的系数;
构建核函数
即
其中, 为第p个图像中数据间的距离度量函数,xi,p为每个图像xi对应的描述特征,xj,p为每个图像xj对应的描述特征,σp为一正数常量值;
T
初始化核函数的样本系数向量α,αα=1;
步骤S1024:确定所述核函数的样本系数向量α,包括:计算 和
其中,
(w) (b) (i)
W 为类间的局部加权矩阵,W 为类内的局部加权矩阵,K 为基本核函数,T表示矩阵转置,W为相似矩阵,计算公式如下:其中Nr(x)为x的r个最近邻居,t为设置的常量值;
求解广义特征值得出适合所述无噪声图像的样本系数向量α:设置目标函数:最大化
通过最大化内嵌空间中的局部类间散度,最小化局部类内散度来寻找最优转换矩阵,根据泛化向量分解的方法将上述目标函数转化为:其中,τ1≤τ2≤...≤τn'为最小n个特征值,αi是特征值τi对应的特征向量,构成了α的第i个列向量,由此确定出所述无噪声图像的样本系数向量α,即向量α是一个列向量,其中的每个值用αi表示;
步骤S1025:确定所述核函数的基本核的权重向量w,包括;
计算 和
求解非凸二次约束二次规划问题得到基本核的权重向量w:目标函数为: 即求解满足 的最小w;
步骤S1026:利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像IF(i,j);
步骤S1027:将所述二维矩阵降维为一维向量形式。
4.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法,其特征在于,所述步骤S103:利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征,包括:步骤S1031:获取所述无噪声图像IF(i,j)的一维向量形式,构建解向量、适应度函数,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,解向量为一初始化表达式,随机初始化群集中的各个蝴蝶的位置解向量;
所述初始化表达式为:
X=rand*(ub-lb)+lb
其中ub和lb分别为搜索空间的上下边界,rand为(0,1)之间的随机数;
设计混沌序列用于提高蝴蝶初始化随机搜索的能力,混沌序列表达式为:ci+1=μci(1-ci)i∈{1,2,...,N}其中μ为混沌因子,c1为(0,1)之间的随机数,且c1≠{0.25,0.5,0.75,1};
将利用混沌序列映射到初始化公式生成的混沌序列,从而产生相应的新的种群X’:X'=lb+ci(ub-lb);
适应度函数表达式如下:
其中ACC为分类精度,N表示特征总数,Nsubset表示选出的特征子集,r和s分别表示权重系数,r+s=1;
步骤S1032:计算新种群中全部蝴蝶的适应度,对于适应度值高于预设阈值的蝴蝶,将该蝴蝶的适应度更新为该适应度值,并按如下公式更新所述蝴蝶的位置:其中 是第i只蝴蝶进行第t次迭代的位置向量,t是迭代次数,step是飞行距离,rand()是在(0,1)之间生成的随机数,xk是随机选择的不同于蝴蝶xi的蝴蝶,Lb是蝴蝶xi飞行范围的下边界值,Ub是蝴蝶xi飞行范围的上边界值;
飞行距离step是一个随迭代次数增加而线性减小的量;
设置扰动算子ω·xi,对于适应度值最大蝴蝶xmax,其中,ω是一个自适应得到的、随迭代次数增加而线性减小的量;xi表示混沌值,其计算公式为xi+1=μxi(1-xi),μ∈[0,4]
其中,xi为随机生成的第i个位置;
步骤S1033:设置第一迭代次数阈值ξ,若迭代次数k-ξ与当前迭代次数k之间,最大适应度值均未发生变化,则进入步骤S1034;否则,进入步骤S1035;
步骤S1034:更新适应度值最大的蝴蝶的位置;
即按如下公式更新所述蝴蝶的位置:
其中 是第i只蝴蝶进行第t次迭代的位置向量,t是迭代次数,a在迭代过程中从2线性减少到0,rand()是在(0,1)之间生成的随机数,xk是随机选择的不同于蝴蝶xi的蝴蝶;
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:获取群集中适应度值最大的蝴蝶对应的位置向量为解向量,处理解向量,将所述适应度值最大的蝴蝶对应的位置向量通过映射函数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,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。
5.一种基于人工蝴蝶优化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);
图像特征表达模块:用于基于多核局部判别分析MKLFDA(Multiple kernel local Fisher discriminant analysis)方法构建核函数,从所述无噪声图像IF(i,j)中提取图像的特征矩阵,并将所述特征矩阵降维为一维向量形式;
F
特征选择模块:用于利用人工蝴蝶优化算法从所述无噪声图像I (i,j)的一维向量形式中提取重要特征;
图像识别模块:用于将提取到的所述重要特征输入训练好的相关向量机RVM,得到待处理医疗影像的分类、识别结果。
6.一种基于人工蝴蝶优化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
1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。
7.一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1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。