1.一种基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,包括以下步骤:步骤1、读取脑核磁图像F,其中图像的大小为256×256,单张的脑核磁图像中共有256×256=65536个像素点,可表示为论域T={F(0,0),F(0,1),...,F(255,255)},其中F(i,j)(i,j∈[0,255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255];
步骤2、计算脑核磁图像的粗糙性度量ρ,并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理;
步骤3、对预处理后的脑核磁图像进行灰度直方图统计,根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3);
2
步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ(t1,t2,t3),并将其作为混合蛙跳算方法的适应度函数;
步骤5、通过混合蛙跳算法寻找脑核磁图像中脑部组织的灰质、白质、脑脊液和背景的三个最优分割阈值
步骤6、对脑核磁图像进行多阈值分割,输出分割后的二值化图像。
2.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,所述步骤2的具体步骤如下:
步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l),其计算公式如下:其中,F(i,j)为像素(i,j)的灰度级,δ(·)近似为零点处高度为1的冲激函数,L为图像的灰度级数目;
步骤2.2、计算脑核磁图像中两个像素点F1:F(i1,j1)和F2:F(i2,j2)之间的空间距离d(F1,F2),其计算公式如下:步骤2.3、计算脑核磁图像中像素F(i,j)的3×3规模邻域,邻域中的各邻接像素与F(i,j)之间的空间距离d3×3(i,j),其计算公式如下:步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j),其计算公式如下:
其中,邻域同质程度函数S(i,j)是一个Cauchy型分布函数,r参数表示不可区分色差的阈值;
步骤2.5、根据像素邻域通知性度量,计算脑核磁图像F在不同灰度级上分布信息的上近似 其计算公式如下:
步骤2.6、根据脑核磁图像F在不同灰度级上分布信息的下近似H(l)和上近似 信息,在不同灰度级上的粗糙量化信息的计算公式如下:其中, 为灰度值l上的分布粗糙度,W(H(l))为权重函数,设参数0<b<c,权重函数的计算公式如下:
2 2 2 2
其中,k1=c /2b ,k2=c/2(c‑b) ,参数b,c的取值与统计直方图分布均值的比例分别为0.05和0.5;
步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理,得到滤波后的图像F'。
3.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,所述步骤5的具体步骤如下:
步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体,对其进行8位二进制编码,随机选取P=M×N只作为初始青蛙群体,第k只青蛙个体记为xk=(xk1,xk2,...,xks),其中s=3为分割阈值的个数,M为族群数,N为族群内青蛙个数;
步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(xk),并计算每只青蛙个体的适应值,其计算公式如下:其中,ωp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布,μp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值, 表示脑核磁图像总体的灰度均值;
步骤5.3、按照所有青蛙个体的适应度f(xk)降序排序,记全局最优青蛙个体为Xg,并逐一循环分配给M个族群;
步骤5.4、对每个青蛙种群进行局部搜索,种群中最优适应值和最差适应值的青蛙个体分别记为Xmb和Xmw,其中m∈[0,M]表示第m个青蛙种群,然后,对青蛙种群最差适应值的青蛙个体进行更新,更新规则如下:
D=rand()×(Xmb‑Xmw) (9)X'mw=Xmw+D,||D||≤Dmax (10)其中,rand()为0到1之间的随机数,D为青蛙个体的移动步长,Dmax表示青蛙个体的最大移动步长;
步骤5.5、判断更新生成的新青蛙个体X'mw与原青蛙个体Xmw之间的大小关系;如果更新后X'mw的适应值优于Xmw,那么更新成功,否则,用Xg代替Xmb进行更新,如果更新后的X'mw的适应值优于Xmw,那么更新成功,否则,则随机产生一个新解替换Xmw,完成每个青蛙种群的局部搜索和更新;
步骤5.6、将M个青蛙种群进行混合,并按照青蛙个体的适应值降序排序,生成新的全局最优青蛙个体X'g,重新划分青蛙种群,进行下一轮的局部搜索和更新;
步骤5.7、当全局最优青蛙个体的适应值趋于收敛,则判定达到停止准则,算法搜索停止,并输出最优的脑核磁图像上三个分割阈值。